Method Article

Het meten van de structuur, samenstelling en verandering van onderwateromgevingen met beeldvorming van grote gebieden

DOI:

10.3791/67700

⸱

April 18th, 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Scripps Institution of Oceanography, UC San Diego, 2Jacobs School of Engineering, UC San Diego, 3California Department of Fish and Wildlife, 4CSS Inc., Under contract to NOAA, National Ocean Service, National Centers for Coastal Ocean Science, 5Physics Department, University of Miami

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit protocol omvat een onderzoeksmethodologie in vier stappen voor beeldvorming van grote gebieden die wordt gebruikt om statistieken te extraheren van structurele complexiteit, gemeenschapssamenstelling en demografische gegevens van de bevolking voor koraalrifgemeenschappen. De kwaliteit van de verzamelde beelden en de geïntegreerde toegang tot de bronbeelden krijgen prioriteit in elke stap van het protocol.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Digitale beeldvormings- en verwerkingstechnologie is geëvolueerd om de uitbreiding van beeldvormingsonderzoeken met een groot gebied te vergemakkelijken, waardoor we beter in staat zijn om de status, trends en dynamiek van organismen die in subtidale habitats leven te bestuderen. Door fotorealistische digitale tweelingen te creëren voor ex situ-analyses , stellen deze benaderingen kleine veldteams in staat om aanzienlijk meer gegevens te verzamelen dan voorheen mogelijk was. Hier presenteren we een pijplijn en analysemethodologie voor beeldvormingsonderzoek in vier stappen met een groot gebied, inclusief beeldverzameling, modelconstructie, ecologische analyse en gegevenscuratie, die de afgelopen tien jaar is ontwikkeld en verfijnd door middel van experimenten. Elke beschreven stap heeft een consistente focus op de unieke waarde van de originele bronbeelden. Hoewel de soorten gegevens die worden geëxtraheerd uit beeldonderzoeken van grote gebieden enorm zijn, nemen we hier workflows op om ecologische gegevens te extraheren voor structurele complexiteit, samenstelling van de gemeenschap en demografische analyses die waardevol zijn voor monitoring en hypothesegestuurde inspanningen. Daarnaast nemen we aanbevelingen op voor metadatastandaarden, die een aanvulling vormen op het verzamelen van beeldvormingsgegevens over grote gebieden en archiveringsinspanningen ondersteunen die transparantie en samenwerking tussen onderzoeksgroepen bevorderen.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In terrestrische omgevingen hebben onderzoekers geprofiteerd van gestandaardiseerde bemonstering van ecologische gemeenschappen in grote gebieden, met name in de context van langetermijnstudielocaties, waaronder Barro Colorado Island1, het Hubbard Brook experimentele bos2 en andere3. Door het verzamelen van ruimtelijk expliciete en taxonomisch opgeloste verspreidingsgegevens, is een dergelijke bemonstering gebruikt om fundamentele ecologische dynamieken te onderzoeken, zoals verspreidings- en rekruteringspatronen 3,4,5, habitatvoorkeur en beschikbaarheid, verspreidingskernen, beperking van hulpbronnen 3,5,6,7,8 en ruimtegebruik 9,10. Tot op heden zijn de meeste ruimtelijke studies van mariene gemeenschappen echter gebaseerd op maatstaven voor relatieve dekking, gerapporteerd als percentage dekking bezet door taxon of groep 11,12,13,14,15. Geaggregeerde schattingen van de relatieve dekking zijn echter onvoldoende om details van de demografie op bevolkingsniveau en de dynamiek op gemeenschapsniveau op te lossen. Studies die gedetailleerde analyses van benthische gemeenschappen hebben opgeleverd, zijn gebaseerd op moeizame monitoringprotocollen in het water 16,17,18,19,20,21,22,23,24,25,26,27,28,29 30,31,32, maar de schaal (inclusief taxonomische, ruimtelijke en chronologische schalen) van deze studies is opmerkelijk beperkt vanwege de operationele eisen van de methodologie in het water.

Large-area imaging (LAI) is een benadering die informatie uit talrijke afbeeldingen combineert door middel van rekenintensieve workflows om fotorealistische representaties van omgevingen te creëren op schalen die veel groter zijn dan die van de samenstellende afbeeldingen33. De LAI-workflow is bijzonder geschikt voor toepassingen in onderwaterhabitats, gezien de beperkte zichtbaarheid als gevolg van lichtabsorptie en verstrooiing in water. Vanwege de beperkte zichtbaarheid moeten beelden die fijne details van het benthos vastleggen, dicht bij het onderwerp worden verkregen; Om een landschaps- (of zeegezicht) van een brede strook benthische habitat vast te leggen met behoud van fijne details van individuele benthische onderwerpen, is dus composietbeeldvorming nodig. Verder is het in structureel complexe omgevingen essentieel om rekening te houden met de driedimensionale (3D) structuur bij het reconstrueren van de samengestelde beeldvorming om getrouwe weergaven te produceren van de positie en relatieve nabijheid van benthische organismen. De fotogrammetrische methode Structure-from-Motion (SfM) is toegepast op omgevingen met relatief immobiele benthische organismen, waaronder koraalriffen34,35,36, Antarctische benthische ecosystemen37, koudwaterkoraalriffen38, koude sijpelingen39 en zeegrashabitat40, waarbij samengestelde beeldvorming wordt gegenereerd zonder stereoscopie die wordt gebruikt om een landschapsscène te reconstrueren met vervolggeneratie van orthokaarten en schatting van puntenwolken.

In de koraalrifwetenschap heeft LAI het potentieel geboden om riflandschappen op steeds grotere ruimtelijke schalen te visualiseren en deze visualisaties te delen via digitale media. LAI kan worden gebruikt om de dekking van riforganismen, de dichtheid en verspreiding van koraalkolonies, evenals de vorm en toestand van individuele organismen te schatten 41,42,43,44,45,46,47. Verder, wanneer LAI-producten op verschillende tijdstippen op dezelfde locatie worden verzameld, is het mogelijk om veranderingen in de grootte en toestand van individuele organismen te registreren 48,49,50,51. Gezien het feit dat de meeste scleractinische koraalkolonies radiaal per jaar groeien in de orde van millimeters tot centimeters, kan tijdreeksen LAI die over jaren zijn verzameld, een onschatbare gegevensstroom bieden voor het rapporteren over de biologie en ecologie van deze soorten52. Herhaalde en geco-geregistreerde LAI-gegevens bieden unieke inzichten om koraalriffen te bestuderen in een formaat dat kan worden gedeeld, gearchiveerd en gebruikt als basis voor samenwerking wereldwijd.

Naarmate het gebruik van LAI zich heeft uitgebreid onder koraalrifecologen53, is ook de diversiteit aan camerasystemen en onderzoeksmethodologieën52 toegenomen. Een gekozen LAI-protocol moet gericht zijn op de resolutie en reikwijdte van de gewenste ecologische maatstaven, terwijl het beperkt blijft binnen de beschikbare middelen. De kwaliteit van elke fotogrammetrische reconstructie zal uiteindelijk afhangen van de resolutie van de bronbeelden en de ruimtelijke dekking van het onderzoeksgebied. De beeldkwaliteit wordt bepaald door de invloed van cameraparameters, waaronder sensorresolutie en brandpuntsafstand, evenals de verzamelingsprocedure, voornamelijk de afstand tot de benthos54, die allemaal bijdragen aan de effectieve Ground Sampling Distance (GSD) van een bepaalde reeks beelden. Bovendien zorgen korte sluitertijden, kleine diafragma's en lage ISO-waarden voor beelden die respectievelijk scherp en scherp zijn en weinig elektronische ruis hebben. Het kan een uitdaging zijn om elk van deze instellingen op drempels te houden die beelden van voldoende kwaliteit produceren in onderwateromgevingen met weinig licht. Grotere sensoren, zoals die te vinden zijn op digitale spiegelreflexcamera's (DSLR) en spiegelloze camera's, genereren een betere beeldkwaliteit en op hun beurt nauwkeurigere reconstructies in vergelijking met kleinere, meer mobiele oplossingen zoals actiecamera's55. Extra functies die niet over het hoofd mogen worden gezien bij het overwegen van een geschikt cameramodel, zijn onder meer een ingebouwde intervalmeter en voldoende opslag- en batterijcapaciteit om langdurige beeldverzamelingsinspanningen in het veld te ondersteunen.

Het ontwerp van een onderzoek moet worden bepaald door de ecologische hypothese, waarbij de kandidaat-metriek de noodzakelijke resolutie en ruimtelijke dekking bepaalt. Binnen de ecologie van koraalriffen is LAI gebruikt om structurele complexiteit 35,36,56,57,58,59, gemeenschapssamenstelling en assemblage 60,61,62, ruimtelijke verdeling 45,63,64,65,66 en gemeenschapstrajecten te karakteriseren 48,49,50,67,68,69. De resolutie van de beeldkwaliteit moet geschikt zijn voor de ecologische gegevensbehoeften, met een fijnere resolutie op de sub-mm details die nodig zijn om waarnemingen op poliepschaal van concurrentie langs koloniegrenzen70 of onderzoeken van kleine juveniele koralen 66,71 te ondersteunen. Daarentegen vereist het extraheren van grootschalige habitat- en structurele metrieken voor het in kaart brengen van kusten 72,73,74 een grotere ruimtelijke omvang met een verminderde behoefte aan resolutie op cm-m-schaal. De vraag naar resolutie moet worden afgewogen tegen de ruimtelijke omvang die nodig is om voldoende bemonstering te verkrijgen en de operationele limieten van de tijd die nodig is om een LAI-onderzoek te voltooien33.

Hier wordt een end-to-end protocol beschreven voor het uitvoeren van een LAI-enquête, dat zich richt op het maximaliseren van de kwaliteit, het nut en de waarde van de bronbeelden, waarbij het protocol wordt opgesplitst in vier hoofdstappen: beeldverzameling, modelconstructie, ecologische analyses en gegevenscuratie33. De verzameling van ongeveer 3.500 LAI-beeldonderzoeken van meer dan 2.000 unieke riflocaties in het afgelopen decennium heeft bijgedragen aan de verfijning van de methodologie voor elke hier gepresenteerde stap (https://doi.org/10.6075/J0T43RN1). Het resulterende protocol is een methode voor robuuste gegevensverzameling en nauwkeurige en nauwkeurige modelreconstructies, die het mogelijk maken om gedetailleerde ecologische gegevens te verzamelen over een breed scala aan toepassingen, waaronder structurele complexiteit, samenstelling van de gemeenschap en demografische gegevens van de bevolking (bijv. dichtheid en groottestructuur). Daarnaast nemen we metadatastandaarden op voor het archiveren van LAI-gegevens, waarvan de oprichting essentieel is om het behoud, de transparantie en het samenwerkingspotentieel van deze digitale tweelingen te waarborgen.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Verzameling afbeeldingen

OPMERKING: De volgende procedure voor het verzamelen van afbeeldingen met een groot gebied schetst een methode om een gebied van ongeveer 100m2 te onderzoeken, hoewel deze gemakkelijk kan worden aangepast voor gebieden van 10m2 tot 2.500m2. De hieronder beschreven onderzoeksmethode is ontworpen om in verschillende werkomstandigheden te kunnen worden ingezet, beelden van hoge kwaliteit te genereren en robuuste gegevens te leveren die voor veel ecologische toepassingen kunnen worden gebruikt door de inspanning van een enkele duik van een uur door een buddyteam van twee personen.

  1. Voorbereiding van het vistuig
    1. Monteer het cameraframe door de buitenste framepanelen te bevestigen aan de montagepanelen en kolommen van de camera met behulp van 1 1/2" lange Philips-schroeven met platte kop (Afbeelding 1).
    2. Bereid twee DSLR-camera's voor, een met een vaste groothoeklens en een tweede camera met een zoomlens. Zie Tabel 1 voor gedetailleerde camera-instellingen.
      OPMERKING: Hoewel de camera met de tweede zoomlens optioneel is, wordt het ten zeerste aanbevolen om een hogere beeldresolutie vast te leggen voor het bepalen van details vantaxonomie 75,76, het vinden en identificeren van kleine juveniele koralen66,71 (1-5 cm diameter) en het onderscheiden van koraalkoloniegrenzen 45,48,50 tijdens toekomstige ecologische analyses.
    3. Monteer onderwatercamerabehuizingen door de dome-poort te bevestigen en vast te zetten met de meegeleverde dome-duimschroeven. Bevestig de handgrepen met behulp van 1/2" lange kruiskopschroeven en de cameramontageplaat met een 1 1/8" lange inbusschroef. Plaats de camera's in de behuizing en gebruik de vacuümpomp om de druk van de behuizing in te stellen op 5 inch. Hg, controle van de integriteit van de o-ringafdichting.
    4. Installeer de behuizingen op het cameraframe door de cameramontageplaat op de montageframepanelen te schuiven en vast te zetten met duimschroeven.
  2. Plot opzet
    1. Bepaal de grenzen van het perceel met behulp van zes vierkante roestvrijstalen tegels (10 cm zijlengte) met bedrukte gecodeerde markeringen. Plaats twee centrale tegels op 10 m afstand van elkaar langs de doelafmeting, met vier hoektegels toegevoegd 5 m voor de kust en voor de kust van de middelste tegels om een vierkant perceel van 10 m bij 10 m te creëren (Figuur 2). Noteer de diepte bij elk van de zes tegels om oriëntatie te bieden op de lokale verticaal en de volgende modelbouwstappen te vergemakkelijken.
    2. Voeg referentiedrijvers toe met ~1,5 m lijn bevestigd aan gewichten van 0,45 kg (1 lb) ongeveer 1 m buiten elk van de vier hoektegels.
      OPMERKING: Deze referentiedrijvers dienen als richtlijn voor de cameraman om de grenzen van het perceel aan te geven en de hoogte boven het benthos waarop ze de camera moeten zwemmen. Door ze buiten de plotgrenzen van 10 m x 10 m te plaatsen, wordt een bufferzone van de beelden gecreëerd, waardoor het kerngebied van de afbeelding volledig wordt gereconstrueerd.
    3. Plaats een schaalbalk met een lengte van 0,5 m, bestaande uit twee gecodeerde doeltegels bevestigd op polyvinylchloride (PVC) of aluminium staaf in elk kwadrant van het perceel voor in totaal vier uitgezette schaalbalken.
      OPMERKING: Het is belangrijk dat schaalbalken en dieptetegels stabiel blijven tijdens het verzamelen van afbeeldingen. Schaalbalken en dieptetegels kunnen ook worden gebruikt als visuele oriëntatiepunten voor de cameraman om de voortgang van zijn zwempatroon bij te houden.
    4. Om permanente percelen te creëren, installeert u roestvrijstalen palen van 0,46 m (18 inch) (0,95 cm of 3/8 inch draadstang) die zijn vastgezet met tweedelige scheepsepoxy met behulp van een hamer naast elke middentegel om de middellijn van het perceel te markeren. Als u aan land kijkt, bevat de linkerpaal een borgmoer om te helpen bij de oriëntatie tijdens toekomstige onderzoeksinspanningen. Aan het einde van het onderzoek registreert u de GPS-coördinaat (Global Positioning System) direct boven de locatie van de ring in het midden met behulp van een GPS-apparaat dat is opgeborgen in een waterdichte behuizing die aan een duikdrijver is bevestigd.
      OPMERKING: Installatie van permanente palen wordt aanbevolen wanneer dit is toegestaan, waardoor de zoektijd bij volgende onderzoeken wordt verkort en het opnieuw onderzoeken van hetzelfde rifgebied wordt bevestigd. Gebruik een afgedrukt 2-dimensionaal (2D) ortho-beeld of "routekaart" (aanvullend bestand 1) van de onderzoekslocatie om invariante kenmerken te lokaliseren en te helpen bij het identificeren van de locatie van hetzelfde plotgebied voor beeldvorming. Deze routekaarten kunnen ook worden gebruikt om exacte meetpunten te verplaatsen in gevallen waarin de vergunning de installatie van permanente palen niet toestaat of wanneer palen zijn losgemaakt of verwijderd.
  3. Afbeelding vastleggen
    1. Stel de aangepaste witbalans van elke camera in met behulp van een grijskaart op de beoogde diepte van de plot.
    2. Start elke camera op een intervalmeter die is ingesteld om vast te leggen met een interval van 1 s-1 .
    3. Zwem het camerasysteem ongeveer 1,5 m boven het benthos in een rasterpatroon, gevolgd door een tweede loodrechte rasterpas met ongeveer 1 m tussen elke doorgang die met een lage snelheid van ongeveer 0,25 m s-1 zwemt (Figuur 3). Zorg ervoor dat de doorgangen zich ten minste 2 m buiten de grenzen van de waarnemingspunten uitstrekken om te zorgen voor voldoende overlapping binnen het beoogde waarnemingspuntgebied.
      OPMERKING: Het volgen van dit zwempatroon en deze snelheid resulteert in de minimale verzameling van ongeveer 1.700 beelden van elke camera gedurende 28 minuten beeldvorming. Om echter rekening te houden met de doorlooptijd tussen passages en het afdwalen naar oversampling om te bufferen tegen onvoldoende overlap die resulteert in suboptimale gegevens, raden we duikers aan om zich te richten op het verzamelen van 2.500 beelden van elke camera gedurende ongeveer 40 minuten beeldvorming.
    4. Houd het camerasysteem ongeveer loodrecht op het oceaanoppervlak om voldoende dekking van bovenaf te garanderen; voor onderzoekslocaties met complexe topografie past u echter de cameraoriëntatie op de tweede doorgang aan om loodrecht op het benthos te volgen en occlusies in de 3D-reconstructie te verminderen. Wees voorzichtig tijdens het kantelen van de camera om blauw water dat in de beelden wordt vastgelegd te minimaliseren.
      OPMERKING: In gevallen van suboptimale oceaancondities, zoals sterke stromingen of steile hellingen, kunnen beide passages in dezelfde kustrichting worden gedaan. Het kan nodig zijn om bij sterke stroming alleen de camera met één groothoeklens te gebruiken om het weerstandsprofiel en de inspanning van de duiker te verminderen die nodig zijn om vooruit te blijven. De tweede set passes moet idealiter iets worden gedraaid ten opzichte van de eerste. Als twee passages in dezelfde richting langs de kust worden uitgevoerd, moeten ten minste één of twee loodrechte of diagonale "bindlijnen" die de initiële reeks passages doorsnijden, worden toegevoegd om de kwaliteit van de reconstructie te verbeteren.

2. Modelbouw

OPMERKING: De stap voor het bouwen van het model is gericht op het behouden van toegang tot bronbeelden met hoge resolutie en het genereren van de afgeleide dichte puntenwolk. Refereren aan de dichte puntenwolk vindt plaats binnen de gecentraliseerde visualisatie- en analytische software (zie Materiaaltabel)77, waardoor de gebruiker on-the-fly kan invoeren en wijzigen. Hierdoor is het niet meer nodig om gegevensproducten voor een gegevensset opnieuw te verwerken en te exporteren wanneer er nieuwe informatie opduikt, met name bij aanvullende enquêtes in de loop van de tijd. 2D-orthomaps, hier orthoprojecties genoemd, worden gegenereerd met behulp van een orthogerectificeerde projectieweergave van de dichte puntenwolk, met de projectiehoek loodrecht op de zwaartekrachtrichting.

  1. Camera-uitlijning en 3D-dichte puntenwolkconstructie
    1. Gebruik een krachtige computer om alle afbeeldingen, inclusief die van de groothoek- en macrolenscamera's, in een Agisoft Metashape-project te laden door Workflow | Map toevoegen. Zodra de bestanden zijn geladen, selecteert u de gegevenslay-out als Enkele camera's, Voeg alle afbeeldingen toe aanéén stuk. Verwijder afbeeldingen met overmatig blauw water in de scène uit het project.
      OPMERKING: Voordat afbeeldingen aan het project worden toegevoegd, moeten afbeeldingen van elke camera worden georganiseerd in afzonderlijke mappen, die afbeeldingsbestanden binnen het blok als afzonderlijke cameragroepen scheiden.
    2. Lijn alle afbeeldingen uit door Workflow | Foto's uitlijnen. Zie Tabel 2 voor verwerkingsinstellingen voor uitlijning.
    3. Zodra de uitlijning is voltooid, controleert u of de afbeeldingsset is uitgelijnd op basis van het percentage camera's dat is uitgelijnd en inspectie van de gegenereerde schaarse puntenwolk op hiaten in de dekking of verkeerde uitlijning. Zorg ervoor dat het begrenzingsvak de volledige schaarse puntenwolk omvat voordat u verder gaat. Wijzig het indien nodig met behulp van de opties Formaat wijzigen of Regio roteren .
      OPMERKING: Het is mogelijk om 100% van de afbeeldingen op één lijn te hebben en nog steeds gaten te hebben in delen van het model en omgekeerd 80-90% van de afbeeldingen op één lijn te hebben, maar een volledig model van het doelonderzoeksgebied te hebben. Daarom moeten zowel het percentage uitlijning als de oppervlaktedekking worden gebruikt om een weloverwogen beslissing te nemen over de bruikbaarheid, geheel of gedeeltelijk, van de gegenereerde dataset of over de vraag of er extra inspanningen nodig zijn om de kwaliteit van de beeldacquisitie te verbeteren of over aanpassingen aan de instellingen voor uitlijningsverwerking.
    4. Schakel de cameragroep met de zoomlensafbeeldingen uit. Bouw de dichte puntenwolk door Werkstroom | Bouw een dichte cloud. Zie Tabel 2 voor verwerkingsinstellingen voor Dichte cloud bouwen.
      OPMERKING: Hoewel afbeeldingen van beide camera's moeten worden gebruikt voor uitlijning om het opvragen van alle afbeeldingen met een hoge resolutie tijdens ecologische analyses te vergemakkelijken, mogen zoomlensafbeeldingen niet worden gebruikt tijdens het maken van de dichte puntenwolk, omdat de subtiele verschillen in witbalans en belichting tussen de twee camera's visuele ruis toevoegen aan de dichte puntenwolk.
    5. Exporteer de schattingen van de camerapose door Extra | Script uitvoeren | Extract_meta.py script (aanvullend bestand 2). Exporteer de dichte puntenwolk door Bestand | Exporteren | Punten exporteren. Zie Tabel 2 voor instellingen voor export.
    6. Sleep het geëxporteerde dichte puntenwolkbestand naar het vc5prep-confidence.bat bestand dat zich in de programmabestanden van de visualisatiesoftware bevindt.
    7. Compileer de geëxporteerde gegevensbestanden, inclusief de camerapose-bestanden (*.cams.xml en *.meta.json) samen met de gegenereerde programmabestanden (*.vml en map met *ptdata-, *.xml, *.kdm-bestanden) in een enkele map voor gebruik in de visualisatiesoftware.
  2. Schaal en oriëntatie
    1. Gebruik in de visualisatiesoftware de scaler-tool om markeringsparen op schaalbalkdoelen te plaatsen en de bekende afstand in te voeren.
      OPMERKING: Meer informatie over de scaler-tool is te vinden in sectie 4.2 van aanvullend bestand 3.
    2. Plaats markeringen op elke dieptetegel en gebruik het gereedschap Oriënteren om dieptewaarden voor elke tegel aan te passen om het meest geschikte vlak voor de lokale verticaal te definiëren.
      OPMERKING: Meer informatie over de oriënt-tool is te vinden in sectie 4.4 van aanvullend bestand 3.
      OPMERKING: Controleer of de dieptestralen naar boven wijzen en eindigen bij het geschatte wateroppervlak. In het geval van naar beneden gerichte stralen, controleer dan of er tekenen zijn van beweging in de dieptetegels die zouden kunnen leiden tot fouten in de dieptewaarde ten opzichte van de uiteindelijke gereconstrueerde locatie of fouten in de dieptemetadata.
  3. Tijdelijke coregistratie
    1. Maak een organisatieprojectbestand in de software voor het verzamelen van gegevens volgens sectie 10.0 van aanvullend bestand 3. Neem meerdere sites met enquêtes in de loop van de tijd op in één organisatieproject.
    2. Voeg dichte puntenwolkbestanden toe aan het organisatieproject als lagen en wijzig de organisatiestructuur op siteniveau indien nodig om dichte puntenwolken van een bepaalde site in de loop van de tijd met elkaar te verbinden.
      OPMERKING: Gebruik een consistent bestandsnaamgevingsschema van [Regio]_[Datum]_[Site] om de organisatie van lagen te automatiseren.
    3. Selecteer een tijdstip voor een site om als referentielaag te dienen voor de schaal en oriëntatie van de tijdreeks.
      OPMERKING: Meerdere lagen kunnen worden gebruikt om de schaal in te stellen; Er moet echter één tijdpuntlaag worden geselecteerd als referentie voor oriëntatie, aangezien getijdenverschuivingen en grote deiningshoogte leiden tot fouten in de precisie en consistentie van dieptemetingen in de tijd.
    4. Gebruik de geassisteerde coregistratietool om lagen in de tijd uit te lijnen.
      OPMERKING: Verdere details zijn te vinden in sectie 11.0 van aanvullend bestand 3. In geval van grote structurele veranderingen als gevolg van hoge groei of grote deining, kan het de voorkeur verdienen om de handmatige coregistratieworkflow te gebruiken met behulp van kandidaat-invariante kenmerken. Voor langere tijdreeksen, of wanneer er een substantiële verandering in de tijd is, wordt over het algemeen aanbevolen om een bepaald model te coregistreren naar het volgende eerdere tijdstip.
  4. 2D Orthorectificatie
    1. Stel met behulp van de vakjestool in de software een weergave in vanuit een oppervlaktehoek (g: 0°) met grenzen die het brandpuntsanalysegebied (10 m x 10 m) omvatten, samen met een buffer van minimaal 2 m (minimaal b: 14 m, minimaal h: 14 m) die zich uitstrekt vanaf elke rand.
      OPMERKING: Details voor het gebruik van de dozentool zijn te vinden in sectie 6.0 van aanvullend bestand 3.
    2. Schakel in de tool Vakken kaartexport in om een orthoprojectie-afbeeldingsbestand te maken. Stel de exportresolutie in op 1 mm px-1 en selecteer vastleggen om een voorbeeld te genereren. Schuif naar een voorbeeldtegel met een volledig gedeelte van de dichte puntenwolk en verhoog de waarde voor de pt-grootte om de gaten tussen de punten op te vullen.
    3. Selecteer vastleggen om de orthoprojectie als ppm-bestand te exporteren. Zodra de opname is voltooid, converteert u het geëxporteerde bestand naar een tif door het gegenereerde ppm-bestand te slepen en neer te zetten in het convert-to-tif-flip.cmd bestand dat zich in de programmabestanden bevindt.
    4. Voor gelijktijdig geregistreerde dichte puntenwolken van een tijdreeks, herhaalt u de stappen 2.4.2 tot 2.4.3 voor de site, waarbij u de tijdlaag wijzigt terwijl u hetzelfde vak gebruikt.

3. Ecologische analyse

OPMERKING: Er bestaan talloze opties voor het extraheren van ecologische gegevens, waarvan we hier een selectie presenteren. Deze kernworkflows zijn gericht op gevestigde maatstaven voor monitoring op lange termijn78,79, maar kunnen worden gebruikt en aangepast om gegevens te genereren die voldoende zijn voor wetenschappelijk onderzoek op basis van observatie. Gebruikers moeten workflows selecteren en aanpassen op basis van hun individuele gegevensbehoeften en analytische doelen. De hieronder beschreven workflows zijn ontworpen om directe toegang tot de bronbeelden te integreren om te helpen bij het annoteren van biologische gegevens, met behulp van afgeleide producten zoals de 3D dichte puntenwolk of 2D-orthoprojectie als organisatorisch kader.

  1. Structurele complexiteit
    1. Maak met behulp van de rugo-tool een doos van 10 m x 10 m op de dichte puntenwolk, waarbij u een maximale afmeting van 10 m (rugo-dim: 10,0 m) en een beeldverhouding van 1,0 (quad-aspect: 1,000) instelt om het doelgebied van 100m2 voor gegevensextractie aan te duiden.
      OPMERKING: Meer informatie over het gebruik van de rugo-tool is te vinden in sectie 7.0 van aanvullend bestand 3.
    2. Stel het aantal transectlijnen in op sample (lijnen) en het aantal punten langs elk transect (samples) op basis van de gewenste sampleafstand. Selecteer Voorbereiden om een csv-bestand te exporteren met x-, y- en z-coördinaten van elk bemonsterd punt, dat kan worden gebruikt voor een verscheidenheid aan structurele complexiteitsanalyses.
    3. Voer het script uit dat te vinden is in Supplemental File 4 om functies te genereren die worden gebruikt voor structurele complexiteitsanalyses. Volg vervolgens de scripts in aanvullend bestand 5 op basis van de gewenste metrische gegevens om de structurele complexiteit te kwantificeren.
      OPMERKING: Het wordt aangeraden om een afstandsschaal te selecteren met de hoogste resolutie (1 cm afstand aanbevolen) die gebruikers kunnen targeten om hun interesseschaal aan te pakken, waaruit een verscheidenheid aan schalen, zoals die hier worden gepresenteerd (regelafstand van 0.5 m en 10 cm puntafstand), op dezelfde manier kunnen worden beoordeeld door middel van downsampling56.
  2. Samenstelling van de gemeenschap
    1. Maak met behulp van de Virtual Point Intercept (VPI)-tool een doos van 10 m x 10 m op de dichte puntenwolk, waarbij u een maximale afmeting van 10 m (quad-dim: 10,0 m) en een beeldverhouding van 1 (quad-aspect: 1.000) instelt om het doelgebied van 100m2 voor gegevensextractie aan te duiden.
      OPMERKING: Details over het gebruik van de Virtual Point Intercept-tool zijn te vinden in sectie 5.0 van aanvullend bestand 3.
    2. Stel de punten in die moeten worden bemonsterd uit de dichte puntenwolk in een gestratificeerde willekeurige verdeling, waarbij het aantal punten gericht is op een gekozen dichtheid. Selecteer Voorbereiden om te beginnen met bemonsteringspunten.
      OPMERKING: Een bemonsteringsdichtheid van 25 m-2 (2.500 punten) wordt aanbevolen voor analyses op taxonomisch niveau. De hier gepresenteerde resultaten gebruikten een lagere steekproefdichtheid (10 m-2) voor een breder vergelijkingsonderzoek naar de samenstelling van de gemeenschap, gericht op een functioneel niveau.
    3. Gebruik de cams-tool om de bronafbeeldingen te koppelen aan de dichte puntenwolk en ruimtelijk opgevraagde weergaven van meerdere afbeeldingen van punten op het model mogelijk te maken.
      OPMERKING: Meer informatie over de cams-tool is te vinden in sectie 4.5 van aanvullend bestand 3.
    4. Gebruik de webapplet van de VPI-browser om elk punt rechtstreeks te labelen met de taxonomische aanduiding met de hoogste resolutie, met behulp van meerdere weergaven van de bronafbeeldingen. Voeg twee optionele sets secundaire labels toe voor elk punt, met voorbeelden voor koraallabels, waaronder bleekspanning75 en morfologie.
      OPMERKING: Primaire en secundaire labelsets kunnen worden gewijzigd door het qclasses.json bestand in de map *.pq te bewerken.
    5. Exporteer een samenvatting van het dekkingspercentage voor elk label als een .csv-bestand met behulp van de webapplet.
  3. Dichtheid onderzoek
    1. Zorg ervoor dat de afbeeldingen al zijn gekoppeld in de software na stap 3.2.3. Stel een pseudo-kaartweergave van de dichte puntenwolk in door de brandpuntsafstand van de perspectiefweergave te wijzigen in 100 mm en uit te zoomen naar een volledige weergave van het model van boven naar beneden. Gebruik het quadrat-steekproefbestand in aanvullend bestand 6 om de weergave vast te leggen met behulp van de webapplet door op eval voor cel c1 te klikken en vervolgens de grijpknop te selecteren.
      OPMERKING: Verdere details zijn te vinden in sectie 8.0 van aanvullend bestand 3.
    2. Schakel camera's in en koppel vervolgens afbeeldingen aan de workflow voor quadrat-sampling door te klikken op evaluatie voor cellen c2 en c3 in het quadrat-samplingscript.
    3. Zorg ervoor dat er al een rugo-doos is gemaakt volgens stap 3.1.1 om het beoogde gegevensextractiegebied van 100m2 aan te wijzen. Evalueer in de webapplet de c4-prep-cellensectie om 100 1 m2 kwadraten te bemonsteren.
    4. Gebruik in het webadres van Quadrat Sampling de bronafbeeldingen om een quadrat te doorzoeken en doelorganismen te labelen. Dubbelklik met de linkermuisknop op een locatie om de steekproeflocatie opnieuw te targeten. Klik op een taxonomische knop om het beoogde punt als voorbeeld aan te wijzen. Als u een gemarkeerd punt wilt verwijderen, dubbelklikt u met de linkermuisknop op dat punt en selecteert u NIETS.
      OPMERKING: Quadraten worden gepresenteerd in een vooraf bepaalde willekeurige volgorde, waardoor een subset van quadraten willekeurig kan worden bemonsterd voor dichtheidsonderzoeken.
    5. Compileer alle samplingbestanden onder *aux/recruits/test1 in een enkele directory en hernoem elk bestand om de sitenaam op te nemen. Voeg het opzoekbestand voor knoppen (aanvullend bestand 7) toe aan dezelfde map als de bemonsteringsbestanden. Voer het script uit in aanvullend bestand 8 en volg de in-line instructies om voorbeeldgegevens samen te voegen tot dichtheid per site en taxonomische groep.
      OPMERKING: Hier bemonsteren we sessiele ongewervelde dieren, maar dezelfde tool kan worden gebruikt om een verscheidenheid aan organismen te onderzoeken, waaronder juveniele en volwassen koraaldichtheden.
  4. Demografie
    1. Laad het orthoprojectiebestand voor koloniesegmentatie in de segmentatieanalysesoftware (zie materiaaltabel)80. Laad coregistered orthoprojectiebestanden voor meerdere tijdstippen als nieuwe kaarten binnen hetzelfde projectbestand om de grootte van kolonies door de tijd heen te segmenteren en te volgen.
    2. Gebruik de bronafbeeldingen via de webapplet voor iView in sectie 17.1 van aanvullend bestand 3 bij het segmenteren van kolonies als referentie voor taxonomische en grensidentificatie. Zorg ervoor dat de afbeeldingen al zijn gekoppeld in de visualisatiesoftware na stap 3.2.3. Plaats een markering op de dichte puntenwolk voor de focuskolonie en blader door de bronafbeeldingen voor de markeringslocatie voor verschillende perspectiefweergaven.
    3. Gebruik de annotatietool voor positieve/negatieve klikken om individuele koraalkolonies te segmenteren. Wijzig grenzen met behulp van op klikken gebaseerde of handmatige grensaanpassing.

4. Gegevensbeheer

OPMERKING: Archiefinspanningen moeten prioriteit geven aan het behoud van de bronafbeeldingen, aangezien alle volgende afgeleide producten reproduceerbaar zijn. Hoewel de opslagplaatsen die beschikbaar zijn voor een bepaalde gebruiker variëren, moeten er inspanningen worden geleverd om de bijbehorende metagegevens van de enquête in de dataset van de bronafbeelding te standaardiseren om hun bruikbaarheid te maximaliseren wanneer ze beschikbaar worden gesteld aan de bredere gemeenschap.

  1. Opslagplaats van gegevens
    1. Genereer een beschrijvingsbestand voor methoden met onderzoeksdetails zoals het bestreken gebied, het camerasysteem, de markeringen voor grondcontrole en het verzamelpatroon. Zie Aanvullend Bestand 9 voor een voorbeeldbeschrijving van dit protocol.
    2. Genereer een metagegevensbestand voor de afbeelding dat specifiek is voor de afbeeldingsgegevensset, inclusief velden zoals de naam van de locatie, de verzameldatum, GPS-coördinaten, plotlagers, grondcontrolediepte en schaalgegevens, en het gebruikte verzamelpatroon en camerasysteem voor de gegeven enquête.
      OPMERKING: Extra velden met een bredere geografische context en omstandigheden tijdens de enquête worden ten zeerste aanbevolen. Een voorbeeld van een metagegevensbestand met aanbevolen velden is te vinden in Aanvullend bestand 10.
    3. Combineer het beschrijvingsbestand, het metadatabestand en de afbeeldingsbestanden in een enkel zip-archief dat moet worden opgenomen in de gekozen gegevensopslagplaats.
      OPMERKING: Verzamelingen van beeldgegevens zijn beschikbaar gesteld op https://doi.org/10.6075/J0DV1HDR.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Succesvolle beeldverzameling van een groot gebied in het veld zou moeten resulteren in de creatie van een dichte puntenwolkreconstructie met volledige top-down dekking van het onderzoeksgebied, terwijl onvoldoende redundantie in de dekking kan leiden tot hiaten of volledige degradatie van de puntenwolk (Figuur 4). Voor een reeks van 43 enquêtes naar afbeeldingen met een groot gebied die in 2016 in de Hawaïaanse archipel werden uitgevoerd, werd gemiddeld 99,6% van de afbeeldingen uitgelijnd per dataset, waarbij 66% van de afbeeldingssets 100% van de afbeeldingen met succes had uitgelijnd. Afbeeldingen verzameld met de groothoeklenscamera hadden een gemiddelde GSD van 0,52 mm px-1 , terwijl afbeeldingen van de zoomlenscamera een gemiddelde GSD van 0,18 mm px-1 hadden. Deze enquêtes genereerden dichte puntenwolken met een gemiddelde grootte van 557,7 miljoen punten (15 GB).

De hier beschreven ecologische workflows zijn ontworpen om gegevens te genereren die vergelijkbaar zijn met bestaande methodologieën voor het monitoren van koraalriffen78. Ecologische gegevens die zijn geëxtraheerd uit de LAI-enquêtes in Hawaï tonen, afgezien van enkele uitschieters, metingen van lineaire ruwheid als gevolg van de workflow voor structurele complexiteit die goed aansluiten bij relatieve waarden in vergelijking met in situ metingen van complexiteit op locaties81 (Figuur 5A,B). Aanvullende analyses van de samenstelling van de gemeenschap van LAI om de procentuele dekking van de belangrijkste benthische functionele groepen te meten, laten een vergelijkbare uitlijning zien in vergelijking met traditionele fotoquadrat-onderzoeken82 (Figuur 5C,D). Quadrat-bemonstering werd hier gebruikt om de dichtheid van sessiele ongewervelde dieren te meten, waarvan de meest voorkomende zee-egels waren, die werden samengevat als categorische maten voor relatieve abundantie. LAI-methoden registreerden regelmatig hogere niveaus van abundantie in vergelijking met in situ-methoden 81 (Figuur 5E,F), wat te wijten kan zijn aan het vermogen om alle individuen binnen een bepaald gebied uitgebreid te zoeken en te onderzoeken in vergelijking met een snelle visuele telling. Het segmenteren van koraalkolonies met behulp van de 2D-orthoprojectie onthulde ook vergelijkbare grootteverdelingen van gemeenschappelijke koraaltaxa als in situ methoden83 (Figuur 5G,H).

Een groot voordeel van LAI-onderzoeken is de mogelijkheid om veranderingen in rifgebieden in de loop van de tijd te archiveren en te volgen door middel van coregistratie van de dichte puntenwolk. Koraalriffen zijn levende substraten, wat voor LAI-onderzoeken betekent dat het een uitdaging kan zijn om permanente oppervlakken te identificeren, natuurlijk of geïnstalleerd, die kunnen worden gebruikt om op betrouwbare wijze dichte puntenwolken van verschillende tijdstippen te registreren. Het voorbeeld van het Millennium-atol (Figuur 6) toont een voorbeeld met zowel hoge groei als structureel verlies waarbij de geassisteerde coregistratieworkflow werd gebruikt voor coregistratie van dichte puntenwolken, ondanks weinig tot geen stabiliteit van het rifoppervlak in de tijd.

figure-results-1
Figuur 1: Diagram van gemonteerde cameraframes. Voorbeeldweergaven van de (A,B) dubbele en (C,D) enkele cameraframe-opstellingen. Ikelite camerabehuizingen worden bevestigd aan het frame op het cameramontagepaneel met behulp van een schuifplaat die aan de handgrepen van de behuizing is bevestigd. Optionele instrumenten om te helpen bij het navigeren, zoals een waterpas, kompas en duikcomputer, kunnen aan het frame worden bevestigd, zoals weergegeven in B. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-2
Figuur 2: Diagram van de opstelling van 100 m2 grote beeldplot. Schema van een volledig opgezet groot gebied beeldperceel 100 m2 in oppervlakte. Tijdelijke plotmarkeringen omvatten zes grenstegelmarkeringen, vier schaalbalken en vier referentiedrijvers. Permanente perceelmarkeringen zijn onder meer twee roestvrijstalen palen met de linker paal, wanneer u naar de wal kijkt, inclusief een borgmoer. De GPS-referentie voor de weide moet boven de linker middelste tegel of paal worden genomen. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-3
Figuur 3: Verzamelpatroon van de duiker. Voorbeeld van (A) zwempad van de duiker om te zorgen voor voldoende dekking en overlapping van het perceelgebied met een buffer inbegrepen en (B) opstelling van de duiker met het camerasysteem met de referentiedrijvers die een richtlijn vormen voor de zwemhoogte. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-4
Figuur 4: Vermindering van de overlapping van afbeeldingen. De degradatie van de dichte puntenwolk als het aantal overlappende beelden wordt verminderd door willekeurige steekproeven. Elk paneel toont de dichte puntenwolk die is gegenereerd uit (A) alle afbeeldingen, (B) 1/2, (C) 1/3, (D) 1/5 en (E) 1/10 van de originele afbeeldingen. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-5
Figuur 5: Extractie van ecologische gegevens. Kandidaatgegevens die zijn geëxtraheerd uit beeldvorming van grote gebieden voor elk van de ecologische workflows worden getoond in vergelijking met gevestigde in situ gegevensverzamelingsmethoden. Dit omvat (A,B) structurele complexiteit, (C,D) samenstelling van de gemeenschap (foutbalken geven standaardfout aan), (E,F) dichtheid van ongewervelde dieren en (G,H) demografische gegevens over de groottestructuur. Afkorting: LAI = beeldvorming met een groot gebied. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-6
Figuur 6: Coregistratie van dichte puntenwolken. Een voorbeeld van een visuele vergelijking van twee in de tijd gecoregistreerde dichte puntenwolken. Gebieden met structureel verlies, waarschijnlijk door deiningschade, zijn visueel gecodeerd in rood, zoals aangegeven door de magenta pijl. Gebieden met structurele toevoeging, meestal toegeschreven aan de groei van koraalkolonies, zijn visueel gecodeerd in blauw, zoals aangegeven door de gele pijl. De hier beschreven coregistratieworkflow kan nog steeds worden gebruikt voor rifgebieden die zo dynamisch zijn als hier te zien is, waar permanent geïnstalleerde grondcontrolepunten (GCP's) onbetrouwbaar zouden zijn vanwege overgroei of losgeraaktheid. Klik hier om een grotere versie van deze figuur te bekijken.

Camera-functieAanbevolen instelling
FocusAuto
OpnamemodusP (Programmed Auto) voor groothoeklens
A (automatische diafragmavoorkeuze), ingesteld op een diafragma van F8 voor macrolens
Release-modusS (Sluitertijdvoorkeuze Auto)
Autofocus-instellingenCentrale autofocus (AF-C), Eén centraal punt (S)
Automatische ISO-gevoeligheidsregelingOP
Maximale ISO-gevoeligheid3200
Minimale sluitertijd1/320
BeeldkwaliteitRAW + JPEG
Interval Timer1 s
WitbalansGewoonte

Tabel 1: Aanbevolen camera-instellingen. Hieronder volgt een lijst met de belangrijkste camera-instellingen die worden gebruikt om de beeldkwaliteit te optimaliseren. Deze instellingen geven prioriteit aan het vastleggen van scherpe beelden die zijn vastgelegd door een bewegende operator in onderwaterlichtomstandigheden.

Foto's uitlijnen
NauwkeurigheidHoog
Algemene voorselectieNee
Limiet voor belangrijk punt5000
Limiet voor gelijkspel0
Begeleide beeldmatchingNee
Adaptieve camera model aanpassingJa
Bouw een dichte cloud
KwaliteitHoog
Diepte filterenRedelijk
Bereken puntkleurenJa
Bereken de puntbetrouwbaarheidJa
Punten exporteren
BestandstypeStanford VOUW
Coördinaten SysteemLokale coördinaten (m)
Bron gegevensDichte wolk
Puntkleuren opslaanJa
Bewaarpunt normaalJa
Vertrouwen in punten sparenJa
Spaar puntenklassenNee
Converteer kleuren naar 8 bit RGBJa
Binaire coderingJa

Tabel 2: 3D Dichte puntenwolk constructie-instellingen. Een lijst met instellingen die in Agisoft Metashape worden gebruikt om een hoogwaardige reconstructie van dichte puntenwolken te maken en te exporteren.

Aanvullend bestand 1: Roadmap. Voorbeeld van een orthomozaïekafbeelding gemarkeerd met plotkenmerken en dieptes om te helpen bij het vinden van een plotgebied voor heronderzoek. Klik hier om dit bestand te downloaden.

Aanvullend bestand 2: Extract_meta.py. Script uitgevoerd in Agisoft Metashape om camerapose en bestandsdirectory-informatie te exporteren voor gebruik in Viscore om de originele afbeeldingen op te vragen. Klik hier om dit bestand te downloaden.

Aanvullend Dossier 3: Gids voor Viscore. Softwaregids voor Viscore, met workflows voor modelvisualisatie, coregistratie en ecologische analyses. Klik hier om dit bestand te downloaden.

Aanvullend bestand 4: Rugosity_Functions.rmd. Script dat wordt gebruikt in R met functies om ruwheidsgegevens te verwerken die zijn geëxtraheerd uit Viscore. Klik hier om dit bestand te downloaden.

Aanvullend bestand 5: Rugosity_Analysis.rmd. Script dat in R wordt gebruikt om ruigheidsmetrieken te berekenen. Klik hier om dit bestand te downloaden.

Aanvullend bestand 6: Quadrat_sampling.rpl.json. Script gebruikt in Viscore voor de workflow voor analyse van de quadratdichtheid. Klik hier om dit bestand te downloaden.

Aanvullend bestand 7: Density_taxo_lookup.json. Knop opzoekbestand voor het uitvoeren van quadrat sampling script om quadrat sampling gegevens per taxonomische groep samen te voegen. Klik hier om dit bestand te downloaden.

Aanvullend bestand 8: Density_Analysis.R Script dat in R wordt gebruikt om quadrat-steekproefgegevens samen te voegen die de dichtheid per taxonomische groep op enquêteniveau berekent. Klik hier om dit bestand te downloaden.

Aanvullend bestand 9: README.txt Voorbeeld van een tekstbestand dat moet worden opgenomen bij originele afbeeldingen voor gegevensarchivering waarin de methodologie voor het vastleggen van afbeeldingen wordt beschreven. Klik hier om dit bestand te downloaden.

Aanvullend dossier 10: METADATA_KAH_2016-07_03.txt Voorbeeld van een tekstbestand dat moet worden opgenomen bij de originele afbeeldingen voor gegevensarchivering die metagegevensvelden voor LAI-enquête bevatten. Dit omvat velden voor de schaal en dieptegegevens van de enquête om naar te verwijzen, evenals algemene metagegevens van de site voor de geografische context. Afkorting: LAI = beeldvorming met een groot gebied. Klik hier om dit bestand te downloaden.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Beeldvorming van grote gebieden is een hulpmiddel waarmee domeinwetenschappers kenmerken van de omgeving digitaal kunnen visualiseren en analyseren op een schaal die groter is dan die van de individuele verzamelde afbeeldingen. Door meerdere beelden van de omgeving vanuit meerdere perspectieven vast te leggen, helpen LAI-protocollen om representaties van relatief brede landschappen te creëren (ten opzichte van de ruimtelijke dekking van individuele afbeeldingen) met behoud van de details die uit de originele beelden zijn verzameld. De unieke waarde van LAI ligt in de mogelijkheid om milieugegevens op verschillende schalen te verkennen, van de grootste schaal (gedefinieerd door de oppervlakteomvang van het onderzoek) tot de fijnste schaal (gedefinieerd door de gerealiseerde resolutie van de originele beelden). Om te profiteren van deze schaaloverschrijdende kracht, is het echter van cruciaal belang om te zorgen voor regelmatige en vloeiende toegang tot alle niveaus van de vastgelegde gegevens, met name om gemakkelijke toegang tot zowel de originele beelden als het afgeleide 3D-model te garanderen. In elke stap van het protocol dat hier wordt gepresenteerd, benadrukken we deze unieke kracht van LAI door er consequent voor te zorgen dat de originele beelden toegankelijk, bruikbaar en veilig gearchiveerd zijn naast de afgeleide LAI-modellen.

De LAI-methode levert producten die rechtstreeks verband houden met het originele verzamelde beeldmateriaal. Door details van beeldacquisitie te verschuiven, kunnen gebruikers gegevensproducten van verschillende kwaliteit en dekking produceren. Bij het onderzoeken van structureel complexe koraalrifomgevingen, kan een gebruiker met een beperkte onderzoekstijd onder water (of een constant aantal beelden dat beschikbaar is om te worden vastgelegd) prioriteit geven aan het vergroten van de oppervlaktedekking van het onderzoeksgebied of het verhogen van het detailniveau van elk deel van het bemonsterde gebied. Er zal noodzakelijkerwijs een afweging zijn, waarbij het grote oppervlaktemodel minder details (en misschien meer occlusies) per oppervlakte-eenheid heeft en het gedetailleerde model minder totale oppervlakte beslaat (met waarschijnlijk minder occlusies). In dit protocol nemen we het gebruik van twee camera's op, elk met verschillende lenzen, waardoor een gebruiker een groter gebied kan bemonsteren (voldoende overlap met de groothoeklens om aan de SfM-vereisten te voldoen) en tegelijkertijd meer gedetailleerde originele beelden kan verzamelen (meer detail van de zoomlens die minder overlap van foto naar foto heeft). Door pose-schatting van beelden van beide camera's op te nemen, bevatten de downstream-visualisatie- en analyseprotocollen weergaven met een hogere resolutie van een groot deel van het bemonsterde gebied. Hoewel het protocol tot doel heeft het bereik van de levensvatbaarheid van het onderzoek uit te breiden, kunnen gebruikers merken dat de afgeleide producten onvoldoende oppervlaktedekking of voldoende detail van originele afbeeldingen missen om de gewenste analytische routines te voltooien. Gebruikers worden aangemoedigd om de originele beelden en de afgeleide modellen te bekijken om ervoor te zorgen dat het milieuonderzoeksprotocol voldoet aan de programmabehoeften en om de onderzoeksbenadering in het water aan te passen (bijv. het verschuiven van de bemonsteringsafstand op de grond, het wijzigen van de onderzoeksduur of het aantal verzamelde afbeeldingen) om te komen tot de gewenste balans tussen oppervlaktedekking en resolutie per oppervlakte-eenheid.

LAI-methoden bieden waarde aan de onderwaterwetenschap door informatierijke, breed dekkende 'snapshots' van benthische omgevingen vast te leggen die tijdbesparend kunnen zijn en beperkte domeinspecifieke expertise vereisen voor verzameling. De waarde van deze dataproducten kan worden beschouwd met verwijzing naar bestaande datastromen en voor nieuwe en versnelde domeinspecifieke toepassingen. Rekening houdend met de vergelijking met bestaande gegevensstromen, kunnen analyseproducten van LAI ecologische gegevens opleveren die direct vergelijkbaar zijn met gegevens die ter plaatse zijn verzameld door onderwaterwaarnemers 84,85,86,87. We bieden hier een kwantitatieve analyse van ecologische gegevensoutput afgeleid van elke, klassieke in situ monitoringactiviteiten en van gestandaardiseerde analyse van LAI-producten, volgens dit protocol. Door zich te concentreren op vier gemeenschappelijke maatstaven bij het monitoren van koraalriffen (structurele complexiteit, samenstelling van de benthische gemeenschap, dichtheid van mobiele ongewervelde dieren en structuur van koraalgrootte; Figuur 5), tonen we een sterke kwantitatieve concordantie aan in data-outputs. Met name voor de gegevensstromen die fijnschalige waarnemingen vereisen (bijv. taxonomische identificaties, nauwkeurige definities van biologische grenzen), bieden LAI-workflows die regelmatige en betrouwbare toegang tot originele beelden omvatten, een unieke kracht om parallel te lopen met de observatiemogelijkheden die historisch gezien alleen beperkt waren tot meeslepende, in situ bemonstering. De vooruitgang in gegevensverwerking en visualisatie die door Viscore wordt geleverd en in dit protocol wordt beschreven, biedt een unieke waarde bij het waarborgen van de vergelijkbaarheid van van LAI-afgeleide ecologische gegevens en in-situ monitoringproducten, waardoor onbevooroordeeld onderhoud van gegevensstromen op lange termijn mogelijk is met de integratie van digitaal verbeterde workflows van LAI.

Voor onderwaterwetenschappers biedt LAI de mogelijkheid om gebruik te maken van nieuwe en versnelde workflows bij het verzamelen en verkennen van gegevens. LAI heeft unieke sterke punten als een karteringstool met hoge resolutie die niet alleen informatie bevat die de relatieve samenstelling van de benthische omgeving beschrijft, maar ook ruimtelijke kenmerken. Expliciet voor het maken van een 3D-model op basis van de SfM-workflow, bevatten LAI-producten informatie over de structurele complexiteit die op meerdere schalen kan worden onderzocht56. Als hulpmiddelen voor het vastleggen van zeegezichten met een groter gebied, kunnen LAI-producten de mogelijkheid bieden om patronen van ruimtelijke verspreiding en buurtkenmerken voor benthische organismen in overweging te nemen45,66. Door benthische landschappen op grotere schaal te kunnen visualiseren, wordt het bovendien mogelijk om kenmerken te detecteren die niet direct zichtbaar zijn in onderwaterhabitats vanwege de beperkingen van zichtbaarheid op lange afstand onder water, bijvoorbeeld grootschalige (3-4 m) veelhoekige patronen van een gewone macroalg op een koraalrif in de Stille Oceaan64.

Hoewel LAI mogelijkheden biedt voor grootschalige analyse, zijn er zorgen geuit over de uitdagingen in verband met efficiënte verzameling in het water en nabewerking van beelden. Het vergroten van de ruimtelijke omvang van beeldacquisitie onder water vereist technologische vooruitgang, weg van door duikers ingezette beeldvorming, tot het gebruik van geassisteerde karteringssystemen88, en uiteindelijk het gebruik van ROV's38 en AUV's67,89. Robuuste onderzoeksmethodologieën met betrekking tot het acquisitiepatroon en camerasystemen zullen zorgen voor een soepele overgang en consistentie in de gegevens die op deze verschillende platforms worden gegenereerd. Gezien de computationele eisen en het grote dataformaat van LAI-producten, hebben sommige mariene wetenschappers hun bezorgdheid geuit over de technologische toegankelijkheid van de workflow90 en de grote tijdseisen die gepaard gaan met ecologische data-extractie84,86. Er wordt echter een groeiend aantal tools gepresenteerd die gebruikmaken van creatieve oplossingen voor de technische hindernissen van gegevensextractie 80,91,92,93. Belangrijk is dat het gebruik van AI-verbeterde workflows van LAI-analyse wordt beperkt door de kwaliteit van het geleverde invoersignaal. Als zodanig blijft er een constante vraag naar het handhaven van normen en kwaliteit van beeldacquisitie en gegevensbeheer in LAI-protocollen, ongeacht of de gegevensextractie wordt uitgevoerd door een menselijke waarnemer, door een getraind AI-algoritme of (idealiter) door een AI-versnelde, human-in-the-loop-workflow. Door een consistente focus te houden op het primaire belang van de originele beelden in de LAI-protocollen, zoals hier beschreven, ontstaan er unieke mogelijkheden om onderwaterhabitats robuust, transparant en consistent te verkennen.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben geen belangenconflicten te onthullen.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit werk wordt ondersteund door de inspanningen van de 100 Island Challenge bij Scripps Institution of Oceanography. We danken Schmidt Marine Technology Partners, Ed en Christy Scripps en de Moore Family Foundation voor hun financiële steun aan het bijbehorende onderzoek en de trainingsinspanningen op het gebied van beeldvorming op grote gebieden, die hebben bijgedragen aan het verfijnen van de methodologie. Daarnaast bedanken we de bemanning van onderzoeksschepen Hi'ialiki, Hanse Explorer en Plan B, die ondersteuning boden voor veldinspanningen. We danken in het bijzonder het team van de Ecosystem Sciences Division van het Pacific Islands Fisheries Sciences Center bij NOAA, dat heeft geholpen bij het verzamelen van de hier gepresenteerde gegevens.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
1" x 4 1/4" x 3 1/4" custom machined acetalN/AN/A1.1 Gear Preparation; For construction of camera slides and mounts
1/2" marine grade high density polyethyleneKing StarboardN/A1.1 Gear Preparation; For construction of camera outer frame and camera mounting panels
18-8 Flathead Stainless Steel Phillips Flat Head Screws, 3/8"-16 Thread Size, 1-1/2" LongMcMaster-Carr91771A6281.1 Gear Preparation; For camera frame assembly
18-8 Stainless Steel Socket Head Screw, 10-24 Thread Size, 1-1/8" LongMcMaster-Carr92196A2481.1 Gear Preparation; Used to secure mounting plate to handles
1 lb dive weightsHouse of ScubaWBELT24 1LB1.2 Plot Setup; Used for reference floats
200DL Underwater Housing for Nikon D780 DSLR CameraIkelite710191.1 Gear Preparation; Underwater housing for digital camera
24mm fixed lens (AF-S NIKKOR 24mm f/1.8G ED)Nikkor200571.1 Gear Preparation; Wide-angle lens for greater image overlap
250# gray longline poly softContinental Western5030861.2 Plot Setup; To build scale bars. Ground control markers for determining model scale
3 lb drilling hammerEstwingB3-3LB1.2 Plot Setup; Used to install stainless steel stakes at survey site
3/8-16 X 18" THRD ROD W/60 DEGREE POINT 316 S/SAbaba Bolt37C1800ROD6/60DEG1.2 Plot Setup; For permanent installation to mark survey site
316 Stainless Steel Nylon-Insert Locknut Super-Corrosion-Resistant, 1/4"-20 Thread SizeMcMaster-Carr90715a1251.2 Plot Setup; For scale bars and frame assembly.
316 Stainless Steel Nylon-Insert Locknut Super-Corrosion-Resistant, 3/8"-16 Thread SizeMcMaster-Carr90715A1451.2 Plot Setup; Affixed to left stainless steel stake for orientation of the plot
316 Stainless Steel Phillips Flat Head Screws, 10-32 Thread Size, 3/8" LongMcMaster-Carr91500a8271.1 Gear Preparation; For camera frame assembly
4"x4" Agisoft marker printed on waterproof paperAgisoftN/A1.2 Plot Setup; To build corner tiles. Ground control markers for determining model orientation
4"x4"x1/4" Stainless steel tileN/AN/A1.2 Plot Setup; To build corner tiles. Ground control markers for determining model orientation
4"x4"x3/4" custom printed plastic agisoft marker high density polyethylene color coreN/AN/A1.2 Plot Setup; To build scale bars. Ground control markers for determining model scale
512 GB Extreme PRO SDXC UHS-I Card - C10, U3, V30, 4K UHD, SD CardSanDiskSDSDXXY-512G-GN4IN1.1 Gear Preparation; High speed, large capacity storage card. Up to 2 used per camera for image storage
5TB Elements Portable External Hard Drive HDD, USB 3.0Western DigitalWDBU6Y0050BBK-WESN1.3 Image Capture; Large volume external hard drive for image storage and image backup
60 mm fixed lens (AF-S Micro NIKKOR 60mm F2.8G ED)Nikkor21771.1 Gear Preparation; Macro zoom lens, optional for dual-camera setup
Acetal machined and tapped for 1"x12" 3/8" 16 thread support bracesN/AN/A1.1 Gear Preparation; Camera frame support columns
AquaMend Epoxy Putty StickJD Industrial Supply4705501.2 Plot Setup; Used to install stainless steel stakes at survey site
Architectural 6063 Aluminum U-Channel, 1/8" Wall Thickness, 1/2" High x 3/4" Wide OutsideMcMaster-Carr9001k461.2 Plot Setup; To build scale bars. Ground control markers for determining model scale
Black-Oxide 18-8 Stainless Steel Pan Head Phillips Screws, 1/4"-20 Thread, 1/2" LongMcMaster-Carr91249a5371.1 Gear Preparation; To attach ikelite handle to housing
Black-Oxide 18-8 Stainless Steel Pan Head Phillips Screws, 1/4"-20 Thread, 5/8" LongMcMaster-Carr91249A5391.2 Plot Setup; To build scale bars. Ground control markers for determining model scale
Blue Steel RopeContinental Western4020201.2 Plot Setup; Used to secure dive float to the benthos during surveys
D780 camera bodyNikon16181.1 Gear Preparation; Camera body model
DGX Tech Compass w/Bungee Mount and CordDive Gear ExpressDX-9050x1.2 Plot Setup; For collection of plot bearings and as an addition to the camera frame as a navigational aid
Dive computer - Suunto Zoop NovoSuunto N/A1.2 Plot Setup; To record depth at reference tiles
Dive slateTexWipeTX58351.2 Plot Setup; Used to record plot metadata such as tile depth, and coded target numbers
DL 8 inch Dome PortIkelite753401.1 Gear Preparation; Dome port for underwater housing
FLOAT, PVC SPONGE, 5-3/4" DIA. BY 3/4", RUSTMemphis Net & TwineSB11.2 Plot Setup; Used as a visual reference to determine plot boundaries and swim height of camera operator
Garmin 78s GPSGarmin010-00864-011.2 Plot Setup; Used to record location of survey site
High performance computerN/AN/A2.0 Model Construction; For 3D dense point cloud processing, recommended specifications to include a high speed 10+ core CPU, 128GB RAM (64 GB minimum), 1TB solid state drive, and a dedicated NVIDIA or AMD GPU. 
Inflatable surface dive floatOmerAtol 62461.2 Plot Setup; Dual purpose surface marker buoy and 
JOHNSON Cross Check Level: Nonmagnetic, 2 1/4 in x 1 7/16 in x 3/16 in, Plastic, Hanging Hole, 1mm/mGrainger6C2251.1 Gear Preparation; Optional addition to the camera frame as a navigational aid
Long Tape Measure,1/2 In x 30m,PumpkinGrainger3LJW91.2 Plot Setup; Used to set up plot area
Manta reel SR. ReelManta IndustriesN/A1.2 Plot Setup; Attached to dive float for use during surveys
Metashape Professional LicenseAgisoftN/A2

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Hubbell, S. P., Foster, R. B. Short-term dynamics of a neotropical forest: Why ecological research matters to tropical conservation and management. Oikos. 63, 48-61 (1992).
  2. Fahey, T. J., et al. The promise and peril of intensive-site-based ecological research: Insights from the Hubbard Brook ecosystem study. Ecology. 96 (4), 885-901 (2015).
  3. Condit, R., et al. Spatial patterns in the distribution of tropical tree species. Science. 288 (5470), 1414-1418 (2000).
  4. Lieberman, D., Lieberman, M., Peralta, R., Hartshorn, G. Mortality patterns and stand turnover rates in a wet tropical forest in Costa Rica. J Ecol. 73 (3), 915-924 (1985).
  5. Hubbell, S. P. Tree dispersion, abundance, and diversity in a tropical dry forest: That tropical trees are clumped, not spaced, alters conceptions of the organization and dynamics. Science. 203 (4387), 1299-1309 (1979).
  6. Connell, J. H. The consequences of variation in initial settlement vs. Post-settlement mortality in rocky intertidal communities. J Exp Mar Biol Ecol. 93 (1-2), 11-45 (1985).
  7. Turner, M. G. Landscape ecology: The effect of pattern on process. Annu Rev Ecol Syst. 20, 171-197 (1989).
  8. Rietkerk, M., Van De Koppel, J. Regular pattern formation in real ecosystems. Trends Ecol Evol. 23 (3), 169-175 (2008).
  9. Harms, K. E., Wright, S. J., Calderón, O., Hernandez, A., Herre, E. A. Pervasive density-dependent recruitment enhances seedling diversity in a tropical forest. Nature. 404 (6777), 493-495 (2000).
  10. Marhaver, K., Vermeij, M., Rohwer, F., Sandin, S. Janzen-connell effects in a broadcast-spawning caribbean coral: Distance-dependent survival of larvae and settlers. Ecology. 94 (1), 146-160 (2013).
  11. Kenyon, J. C., Maragos, J. E., Cooper, S. Characterization of coral communities at rose atoll, american samoa. Atoll Res Bull. 586, 1-28 (2010).
  12. Goreau, T. F. The ecology of jamaican coral reefs i. Species composition and zonation. Ecology. 40 (1), 67-90 (1959).
  13. Sandin, S. A., et al. Baselines and degradation of coral reefs in the northern line islands. PLoS One. 3 (2), e1548(2008).
  14. Newman, M. J. H., Paredes, G. A., Sala, E., Jackson, J. B. C. Structure of Caribbean coral reef communities across a large gradient of fish biomass. Ecol Lett. 9 (11), 1216-1227 (2006).
  15. Smith, J. E., et al. Re-evaluating the health of coral reef communities: Baselines and evidence for human impacts across the central pacific. P Roy Soc B: Biol Sci. 283 (1822), 20151985(2016).
  16. Lewis, J. B. Spatial distribution and pattern of some Atlantic reef corals. Nature. 227 (5263), 1158-1159 (1970).
  17. Bradbury, R. H., Young, P. C. The effects of a major forcing function, wave energy, on a coral reef ecosystem. Mar Ecol Prog Ser. 5, 229-241 (1981).
  18. Bak, R. P. M., Nieuwland, G. Long-term change in coral communities along depth gradients over leeward reefs in the Netherlands Antilles. Bull Mar Sci. 56 (2), 609-619 (1995).
  19. Connell, J. H., Hughes, T. P., Wallace, C. C. A 30-year study of coral abundance, recruitment, and disturbance at several scales in space and time. Ecol Monogr. 67 (4), 461-488 (1997).
  20. Hughes, T. P. Population dynamics based on individual size rather than age: A general model with a reef coral example. Am Nat. 123 (6), 778-795 (1984).
  21. Hughes, T. P., Tanner, J. E. Recruitment failure, life histories, and long-term decline in Caribbean corals. Ecology. 81 (8), 2250-2263 (2000).
  22. Fong, P., Glynn, P. A dynamic size-structured population model: Does disturbance control size structure of a population of the massive coral Gardineroseris planulata in the Eastern Pacific. Mar Biol. 130 (4), 663-674 (1998).
  23. Vardi, T., Williams, D. E., Sandin, S. A. Population dynamics of threatened elkhorn coral in the Northern Florida Keys, USA. Endanger Species Res. 19 (2), 157-169 (2012).
  24. Doropoulos, C., Ward, S., Roff, G., González-Rivero, M., Mumby, P. J. Linking demographic processes of juvenile corals to benthic recovery trajectories in two common reef habitats. PLoS One. 10 (5), e0128535(2015).
  25. Edmunds, P. A quarter-century demographic analysis of the Caribbean coral, Orbicella annularis, and projections of population size over the next century. Limnol Oceanogr. 60 (3), 840-855 (2015).
  26. Deignan, L. K., Pawlik, J. R. Perilous proximity: Does the Janzen-Connell hypothesis explain the distribution of giant barrel sponges on a Florida coral reef. Coral Reefs. 34, 561-567 (2015).
  27. Zvuloni, A., et al. Spatio-temporal transmission patterns of black-band disease in a coral community. PLoS One. 4 (4), e4993(2009).
  28. Karlson, R. H., Cornell, H. V., Hughes, T. P. Aggregation influences coral species richness at multiple spatial scales. Ecology. 88 (1), 170-177 (2007).
  29. Jolles, A. E., Sullivan, P., Alker, A. P., Harvell, C. D. Disease transmission of aspergillosis in sea fans: Inferring process from spatial pattern. Ecology. 83 (9), 2373-2378 (2002).
  30. Carlon, D. B., Olson, R. R. Larval dispersal distance as an explanation for adult spatial pattern in two Caribbean reef corals. J Exp Mar Biol Ecol. 173 (2), 247-263 (1993).
  31. Bak, R., Termaat, R., Dekker, R. Complexity of coral interactions: Influence of time, location of interaction and epifauna. Mar Biol. 69, 215-222 (1982).
  32. Stimson, J. An analysis of the pattern of dispersion of the hermatypic coral Pocillopora meandrina var. Nobilis verril. Ecology. 55 (2), 445-449 (1974).
  33. Edwards, C., et al. Large-area imaging in tropical shallow water coral reef monitoring, research and restoration: A practical guide to survey planning, execution, and data extraction. NOAA Technical Memorandum NOS NCCOS. (313), (2023).
  34. Pizarro, O., Eustice, R. M., Singh, H. Large area 3-d reconstructions from underwater optical surveys. IEEE J Oceanic Eng. 34 (2), 150-169 (2009).
  35. Figueira, W., et al. Accuracy and precision of habitat structural complexity metrics derived from underwater photogrammetry. Remote Sens. 7 (12), 16883-16900 (2015).
  36. Burns, J., Delparte, D., Gates, R., Takabayashi, M. Integrating structure-from-motion photogrammetry with geospatial software as a novel technique for quantifying 3d ecological characteristics of coral reefs. PeerJ. 3, e1077(2015).
  37. Piazza, P., et al. Underwater photogrammetry in Antarctica: Long-term observations in benthic ecosystems and legacy data rescue. Polar Biol. 42, 1061-1079 (2019).
  38. Price, D. M., et al. Using 3d photogrammetry from rov video to quantify cold-water coral reef structural complexity and investigate its influence on biodiversity and community assemblage. Coral Reefs. 38, 1007-1021 (2019).
  39. Fallati, L., et al. Characterizing Håkon Mosby Mud Volcano (Barents Sea) cold seep systems by combining ROV-based acoustic data and underwater photogrammetry. Front Mar Sci. 10, 1269197(2023).
  40. Ventura, D., et al. Seagrass restoration monitoring and shallow-water benthic habitat mapping through a photogrammetry-based protocol. J Environ Manage. 304, 114262(2022).
  41. Combs, I. R., Studivan, M. S., Eckert, R. J., Voss, J. D. Quantifying impacts of stony coral tissue loss disease on corals in Southeast Florida through surveys and 3D photogrammetry. PLoS One. 16 (6), e0252593(2021).
  42. Bongaerts, P., et al. Reefscape genomics: Leveraging advances in 3D imaging to assess fine-scale patterns of genomic variation on coral reefs. Front Mar Sci. 8, 638979(2021).
  43. Raoult, V., Reid-Anderson, S., Ferri, A., Williamson, J. E. How reliable is Structure from Motion (sfm) over time and between observers? A case study using coral reef bommies. Remote Sens. 9 (7), 740(2017).
  44. Weinberg, S. A comparison of coral reef survey methods. Bijdr Dierkd. 51 (2), 199-218 (1981).
  45. Edwards, C. B., et al. Large-area imaging reveals biologically driven non-random spatial patterns of corals at a remote reef. Coral Reefs. 36 (4), 1291-1305 (2017).
  46. Gracias, N., Santos-Victor, J. Underwater video mosaics as visual navigation maps. Comput Vis Image Und. 79 (1), 66-91 (2000).
  47. Lirman, D., et al. Development and application of a video-mosaic survey technology to document the status of coral reef communities. Environ Monit Assess. 125 (1-3), 59-73 (2007).
  48. Kodera, S. M., et al. Quantifying life history demographics of the scleractinian coral genus Pocillopora at Palmyra Atoll. Coral Reefs. 39 (4), 1091-1105 (2020).
  49. Ferrari, R., et al. 3D photogrammetry quantifies growth and external erosion of individual coral colonies and skeletons. Sci Rep. 7 (1), 16737(2017).
  50. Sandin, S. A., et al. Considering the rates of growth in two taxa of coral across Pacific Islands. Adv Mar Biol. 87 (1), 167-191 (2020).
  51. Ventura, D., et al. Integration of close-range underwater photogrammetry with inspection and mesh processing software: A novel approach for quantifying ecological dynamics of temperate biogenic reefs. Remote Sens Ecol Conserv. 7 (2), 169-186 (2021).
  52. Ferrari, R., et al. Photogrammetry as a tool to improve ecosystem restoration. Trends Ecol Evol. 36 (12), 1093-1101 (2021).
  53. Remmers, T., et al. Close-range underwater photogrammetry for coral reef ecology: A systematic literature review. Coral Reefs. 43 (1), 35-52 (2024).
  54. Marre, G., Holon, F., Luque, S., Boissery, P., Deter, J. Monitoring marine habitats with photogrammetry: A cost-effective, accurate, precise and high-resolution reconstruction method. Front Mar Sci. 6, 276(2019).
  55. Nocerino, E., et al. Comparison of diver-operated underwater photogrammetric systems for coral reef monitoring. Int Arch Photogramm Remote Sens Spat Inf Sci. 42 (2/W10), 143-150 (2019).
  56. Mccarthy, O. S., Smith, J. E., Petrovic, V., Sandin, S. A. Identifying the drivers of structural complexity on Hawaiian coral reefs. Mar Ecol Prog Ser. 702, 71-86 (2022).
  57. Pascoe, K. H., Fukunaga, A., Kosaki, R. K., Burns, J. H. 3D assessment of a coral reef at Lalo Atoll reveals varying responses of habitat metrics following a catastrophic hurricane. Sci Rep. 11 (1), 12050(2021).
  58. Torres-Pulliza, D., et al. A geometric basis for surface habitat complexity and biodiversity. Nat Ecol Evol. 4 (11), 1495-1501 (2020).
  59. Friedman, A., Pizarro, O., Williams, S. B., Johnson-Roberson, M. Multi-scale measures of rugosity, slope and aspect from benthic stereo image reconstructions. PloS One. 7 (12), e50440(2012).
  60. Hernández-Landa, R. C., Barrera-Falcon, E., Rioja-Nieto, R. Size-frequency distribution of coral assemblages in insular shallow reefs of the Mexican Caribbean using underwater photogrammetry. PeerJ. 8, e8957(2020).
  61. Fukunaga, A., Burns, J. H., Pascoe, K. H., Kosaki, R. K. Associations between benthic cover and habitat complexity metrics obtained from 3D reconstruction of coral reefs at different resolutions. Remote Sens. 12 (6), 1011(2020).
  62. Ferrari, R., et al. Quantifying multiscale habitat structural complexity: A cost-effective framework for underwater 3D modelling. Remote Sens. 8 (2), 113(2016).
  63. Kopecky, K. L., et al. Quantifying the loss of coral from a bleaching event using underwater photogrammetry and ai-assisted image segmentation. Remote Sens. 15 (16), 4077(2023).
  64. Sandin, S. A., et al. Evidence of biological self-organization in spatial patterns of a common tropical alga. Am Nat. 200 (5), 722-729 (2022).
  65. Burns, J. H. R., Alexandrov, T., Ovchinnikova, K., Gates, R. D., Takabayashi, M. Data for spatial analysis of growth anomaly lesions on Montipora capitata coral colonies using 3D reconstruction techniques. Data Br. 9, 460-462 (2016).
  66. Pedersen, N. E., et al. The influence of habitat and adults on the spatial distribution of juvenile corals. Ecography. 42, 1-11 (2019).
  67. Ferrari, R., et al. Quantifying the response of structural complexity and community composition to environmental change in marine communities. Glob Chang Biol. 22 (5), 1965-1975 (2016).
  68. Cresswell, A. K., et al. Structure-from-motion reveals coral growth is influenced by colony size and wave energy on the reef slope at Ningaloo Reef, Western Australia. J Exp Mar Biol Ecol. 530, 151438(2020).
  69. Lange, I. D., Perry, C. T. A quick, easy and non-invasive method to quantify coral growth rates using photogrammetry and 3D model comparisons. Methods Ecol Evol. 11 (6), 714-726 (2020).
  70. George, E. E., et al. Space-filling and benthic competition on coral reefs. PeerJ. 9, e11213(2021).
  71. Sarribouette, L., Pedersen, N. E., Edwards, C. B., Sandin, S. A. Post-settlement demographics of reef building corals suggest prolonged recruitment bottlenecks. Oecologia. 199 (2), 387-396 (2022).
  72. Lyons, M. B., et al. Mapping the world's coral reefs using a global multiscale earth observation framework. Remote Sens Ecol Conserv. 6 (4), 557-568 (2020).
  73. Ventura, D., et al. Coastal benthic habitat mapping and monitoring by integrating aerial and water surface low-cost drones. Front Mar Sci. 9, 1096594(2023).
  74. Castellanos-Galindo, G. A., Casella, E., Mejía-Rentería, J. C., Rovere, A. Habitat mapping of remote coasts: Evaluating the usefulness of lightweight unmanned aerial vehicles for conservation and monitoring. Biol Conserv. 239, 108282(2019).
  75. Fox, M. D., et al. Limited coral mortality following acute thermal stress and widespread bleaching on palmyra atoll, central pacific. Coral Reefs. 38, 701-712 (2019).
  76. Charendoff, J. A., et al. Variability in composition of parrotfish bite scars across space and over time on a central pacific atoll. Coral Reefs. 42 (4), 905-918 (2023).
  77. Petrovic, V., Vanoni, D. J., Richter, A. M., Levy, T. E., Kuester, F. Visualizing high resolution three-dimensional and two-dimensional data of cultural heritage sites. Mediterr Archaeol Ar. 20 (10), 93-100 (2014).
  78. Noaa Coral Program. National coral reef monitoring plan. NOAA Coral Reef Conservation Program. , (2021).
  79. Goergen, E. A., et al. Coral reef restoration monitoring guide: Methods to evaluate restoration success from local to ecosystem scales. NOAA Technical Memorandum NOS NCCOS. 279, (2020).
  80. Pavoni, G., et al. Taglab: Ai-assisted annotation for the fast and accurate semantic segmentation of coral reef orthoimages. J Field Robot. 39 (3), 246-262 (2022).
  81. Coral Reef Ecosystem Program Pacific Islands Fisheries Science Center. National coral reef monitoring program: Benthic complexity and urchin abundance at climate stations of the hawaiian archipelago since 2013. , NOAA's National Center for Environmental Information. (2016).
  82. Coral Reef Ecosystem Program Pacific Islands Fisheries Science Center. National Coral Reef monitoring program: Benthic percent cover derived from analysis of benthic images collected for climate stations across the hawaiian archipelago since 2013. , NOAA's National Center for Environmental Information. (2021).
  83. Coral Reef Ecosystem Program Pacific Islands Fisheries Science Center. National Coral Reef monitoring program: Stratified random surveys (strs) of coral demography (adult and juvenile corals) across the Hawaiian archipelago since 2013. , NOAA's National Center for Environmental Information. (2022).
  84. Couch, C. S., et al. Comparing coral colony surveys from in-water observations and structure-from-motion imagery shows low methodological bias. Front Mar Sci. 8, 647943(2021).
  85. Barrera-Falcon, E., Rioja-Nieto, R., Hernández-Landa, R. C., Torres-Irineo, E. Comparison of standard Caribbean coral reef monitoring protocols and underwater digital photogrammetry to characterize hard coral species composition, abundance and cover. Front Mar Sci. 8, 722569(2021).
  86. Carneiro, I. M., et al. Precision and accuracy of common coral reef sampling protocols revisited with photogrammetry. Mar Environ Res. 194, 106304(2024).
  87. Curtis, J. S., Galvan, J. W., Primo, A., Osenberg, C. W., Stier, A. C. 3D photogrammetry improves measurement of growth and biodiversity patterns in branching corals. Coral Reefs. 42 (3), 623-627 (2023).
  88. Menna, F., Battisti, R., Nocerino, E., Remondino, F. Frog: A portable underwater mobile mapping system. Int Arch Photogramm Remote Sens Spat Inf Sci. 48, 295-302 (2023).
  89. Zhang, Y., Wang, Q., Shen, Y., He, B. An online path planning algorithm for autonomous marine geomorphological surveys based on AUV. Eng Appl Artif Intel. 118, 105548(2023).
  90. Mccarthy, O. S., et al. Closing the gap between existing large-area imaging research and marine conservation needs. Conserv Biol. 38 (1), e14145(2024).
  91. Pierce, J., Butler Iv, M. J., Rzhanov, Y., Lowell, K., Dijkstra, J. A. Classifying 3-D models of coral reefs using structure-from-motion and multi-view semantic segmentation. Front Mar Sci. 8, 706674(2021).
  92. Runyan, H., et al. Automated 2D, 2.5 D, and 3D segmentation of coral reef pointclouds and orthoprojections. Front Robot AI. 9, 884317(2022).
  93. Pavoni, G., Corsini, M., Pedersen, N., Petrovic, V., Cignoni, P. Challenges in the deep learning-based semantic segmentation of benthic communities from ortho-images. Appl Geomat. 13 (1), 131-146 (2021).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Large Area ImagingUnderwater ImagingBenthic EcosystemsStructural ComplexityCommunity CompositionDense Point CloudDigital Twin AnalysisEcological Change MonitoringImage Processing WorkflowMetadata Standards

Related Articles