大堡礁公民執行長兼創辦人 Andy Ridley 表示：「大堡礁是全球最大的生態系統，比義大利還要大，從太空都能看到。白化和大量會捕食珊瑚的棘冠海星等種種威脅，對大堡礁脆弱的生態系統已經造成很大的破壞。瞭解珊瑚礁之間的連通性是管理和保育珊瑚礁的關鍵重點。研究人員以前只能夠監控 3,000 株珊瑚礁中的約 5-10%，因此難以做出明智的保育決策。」

為了因應更多的大堡礁文件需求，大堡礁公民 GRC 邀請遊客在數百個大堡礁地點捕捉上千張偵察影像。全球志工，也就是公民科學家，之後會根據海洋結構和珊瑚礁健康來分類影像。有了這些資料，昆士蘭大學 (UQ) 和詹姆斯庫克大學 (JCU) 的研究人員可以提供建議給 GBR 棘冠海星 (COTS) 管理團隊和觀光機構，這些組織會優先處理立即性的珊瑚礁保育事務。

Dell 新深度學習模型加快了這個過程，讓公民科學家能夠在最需要的地區和一年中的關鍵時刻 (例如每年的產卵季) 支援及時的復育工作。

以先前的成功為基礎建立模型

針對 GRC 航海作業，Dell 開發出一套耐用裝置的邊緣解決方案，並搭配行動網路以便攜於船上，這套解決方案提供了即時影像儲存空間，並會在返回陸地時自動上傳。公民科學家在不同區段類別周圍畫上邊界做為標記。

手動分析 13,000 多張影像對公民科學家來說非常費時，並且會出現不準確的情況。第二次 GRC 產出 42,000 張影像，比前一次普查多上許多。要分析這種數量所需的技術 (也就是深度學習模型) 得具備擴充性，才能夠處理未來不斷增長的資料集。透過深度學習模式，遊客即使在大堡礁上也可拍照並將照片上傳到集中管理的普查入口網站。深度學習模型偵測區段的速度更快，也比手繪邊界更精準。現在公民科學家只需使用預先偵測到的邊界來標記珊瑚物種。

深度學習分析每張相片的時間不到一分鐘，與之前普查階段的七到八分鐘相比快上不少。在第一次 GRC 中，需要花費 1,516 個小時來檢閱 13,000 張影像，而新模型只需不到 200 個小時就可以分析相同的資料集，這讓公民科學家可以專注於更重要的標記任務。

深度學習語義分割模型模式採用 Dell 高效能運算 (HPC) 圖形處理器 (GPU) 加速系統，可訓練模型和 Dell PowerScale 系統來儲存資料。內部運算平台包含支援 AI 訓練叢集和多個 AI 推斷引擎的 Dell PowerEdge 伺服器。

Dell 與海洋專家合作，將 144 種珊瑚礁有機體分為五個種要保育類別，使深度學習模型能夠高效率且準確地分類每張影像中的珊瑚。

Dell 邊緣解決方案和深度學習模型可重複執行且可擴充。大堡礁公民創辦人 Andy Ridley 希望藉由 Dell 科技解決方案，將 GRC 擴展到全球其他珊瑚棲地。印尼將是澳洲外的第一個試用點。

與新加坡的 Dell 資料科學團隊合作，特定模型經過持續改良，以及大量的社群測試確保符合效能指標標準。Dell 專家使用 SegNet 來訓練模型，一種有約 3,000 萬個參數的語義分割模型。它提供強大的深度學習模型，會隨著進行更多資料訓練而不斷改進。