Method Article

Pomiar struktury, składu i zmian środowiska podwodnego za pomocą obrazowania wielkopowierzchniowego

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

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

Ten protokół obejmuje czteroetapową metodologię badań obrazowania dużych obszarów, używaną do wyodrębniania wskaźników złożoności strukturalnej, składu społeczności i demografii populacji dla społeczności raf koralowych. Jakość zebranych zobrazowań i zintegrowany dostęp do zobrazowań źródłowych są traktowane priorytetowo na każdym etapie protokołu.

Abstract

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

Technologia obrazowania i przetwarzania cyfrowego rozwinęła się, aby ułatwić rozszerzanie badań obrazowania na dużych obszarach, co zwiększa naszą zdolność do badania stanu, trendów i dynamiki organizmów żyjących w siedliskach podpływowych. Tworząc fotorealistyczne cyfrowe bliźniaki do analiz ex situ, podejścia te umożliwiają małym zespołom terenowym zebranie znacznie większej ilości danych, niż było to możliwe wcześniej. Poniżej przedstawiamy czteroetapowy proces badań obrazowania dużego obszaru i metodologię analizy, w tym gromadzenie obrazów, budowę modelu, analizę ekologiczną i selekcję danych, która została opracowana i udoskonalona poprzez eksperymenty w ciągu ostatniej dekady. Każdy opisany krok konsekwentnie koncentruje się na unikalnej wartości oryginalnego obrazu źródłowego. Chociaż rodzaje danych uzyskanych z badań obrazowych na dużym obszarze są ogromne, zamieszczamy tutaj przepływy pracy w celu wyodrębnienia danych ekologicznych dotyczących złożoności strukturalnej, składu społeczności i analiz demograficznych cennych dla monitorowania i wysiłków opartych na hipotezach. Dodatkowo dołączamy rekomendacje dotyczące standardów metadanych, które uzupełniają gromadzenie danych obrazowych o dużym obszarze i wspierają działania archiwalne, ułatwiając przejrzystość i współpracę między grupami badawczymi.

Introduction

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

We wszystkich środowiskach lądowych badacze skorzystali ze standaryzowanego pobierania próbek na dużych obszarach społeczności ekologicznych, szczególnie w kontekście długoterminowych miejsc badań, w tym Barro Colorado Island1, Hubbard Brook experimental forest2, and others3. Dzięki zebraniu przestrzennie jednoznacznych i taksonomicznie rozwiązywanych danych dystrybucyjnych, takie próbkowanie zostało wykorzystane do zbadania fundamentalnej dynamiki ekologicznej, takiej jak wzorce dyspersji i rekrutacji3,4,5, preferencje siedliskowe i dostępność, jądra dyspersyjne, ograniczenie zasobów3,5,6,7,8, oraz space use9,10. Jednak do tej pory większość badań przestrzennych społeczności morskich opierała się na wskaźnikach względnego pokrycia, podawanych jako procent pokrycia zajmowanego przez takson lub grupę11,12,13,14,15. Zagregowane szacunki względnego pokrycia są jednak niewystarczające do ustalenia szczegółów demografii na poziomie populacji, a także dynamiki na poziomie społeczności. Badania, które dostarczyły szczegółowych analiz zbiorowisk bentosowych, opierały się na pracochłonnych protokołach monitorowania w wodzie16,17,18,19,20,21,22,23,24, 25,26,27,28,29,30,31,32, ale skala (w tym skale taksonomiczna, przestrzenna i chronologiczna) tych badań jest znacznie ograniczona ze względu na wymagania operacyjne metodologii in-water.

Obrazowanie dużego obszaru (LAI) to podejście, które łączy informacje z wielu obrazów poprzez intensywne obliczeniowo przepływy pracy w celu stworzenia fotorealistycznych reprezentacji środowisk w skalach znacznie większych niż obrazy składowe33. Przepływ pracy LAI jest szczególnie dobrze przystosowany do zastosowań w podwodnych siedliskach, biorąc pod uwagę ograniczoną widoczność spowodowaną absorpcją światła i rozpraszaniem w wodzie. Ze względu na ograniczoną widoczność, obrazy, które uwieczniają drobne szczegóły bentosu, muszą być uzyskiwane blisko obiektu; Uchwycenie krajobrazu (lub pejzażu morskiego) rozległego pasa siedlisk bentosowych przy jednoczesnym zachowaniu drobnych szczegółów poszczególnych obiektów bentosowych wymaga zatem obrazowania złożonego. Ponadto, w złożonych strukturalnie środowiskach, konieczne jest uwzględnienie trójwymiarowej (3D) struktury podczas rekonstrukcji obrazowania kompozytowego w celu uzyskania wiernych odwzorowań położenia i względnej bliskości organizmów bentosowych. Metoda fotogrametryczna Structure-from-Motion (SfM) została zastosowana do środowisk ze stosunkowo nieruchomymi organizmami bentosowymi, w tym raf koralowych34,35,36, antarktyczne ekosystemy bentosowe37, zimnowodne rafy koralowe38, zimne wycieki39 i siedlisko trawy morskiej40, generując obrazowanie kompozytowe bez stereoskopii, wykorzystywane do rekonstrukcji krajobrazu z późniejszym generowaniem ortomapy i szacowaniem chmury punktów.

W nauce o rafach koralowych, LAI oferuje możliwość wizualizacji krajobrazów rafowych w coraz większych skalach przestrzennych i udostępniania tych wizualizacji w mediach cyfrowych. LAI może być używany do oszacowania zasięgu organizmów rafowych, gęstości i rozmieszczenia kolonii koralowców, a także kształtu i kondycji poszczególnych organizmów41,42,43,44,45,46,47. Ponadto, gdy produkty LAI są zbierane z tego samego miejsca w różnych momentach w czasie, możliwe jest zarejestrowanie zmian w wielkości i kondycji poszczególnych organizmów48,49,50,51. Biorąc pod uwagę, że większość kolonii koralowców skleraktyńskich rośnie promieniście od milimetrów do centymetrów rocznie, szeregi czasowe LAI zebrane na przestrzeni lat mogą zapewnić nieoceniony strumień danych do raportowania biologii i ekologii tych gatunków52. Powtarzane i współrejestrowane dane LAI oferują unikalne spostrzeżenia, dzięki którym można badać rafy koralowe w formacie, który można udostępniać, archiwizować i wykorzystywać jako podstawę współpracy na całym świecie.

Wraz z rozwojem wykorzystania LAI wśród ekologów raf koralowych53, rośnie również różnorodność systemów kamer i metodologii badań52. Wybrany protokół LAI powinien być ukierunkowany na rozdzielczość i zakres pożądanych wskaźników ekologicznych, pozostając jednocześnie ograniczony dostępnymi zasobami. Jakość ewentualnej rekonstrukcji fotogrametrycznej będzie ostatecznie zależała od rozdzielczości zobrazowań źródłowych i pokrycia przestrzennego badanego obszaru. Jakość obrazu zależy od parametrów kamery, w tym rozdzielczości i ogniskowej matrycy, a także procedury zbierania, głównie odległości od benthos54, z których wszystkie składają się na efektywną odległość próbkowania gruntu (GSD) dla danego zestawu obrazów. Ponadto krótkie czasy otwarcia migawki, małe przysłony i niskie wartości ISO sprawią, że obrazy będą odpowiednio ostre, ostre i mają niski poziom szumów elektronicznych. Utrzymanie każdego z tych ustawień na progach, które zapewniają wystarczającą jakość obrazu, może być wyzwaniem w środowiskach podwodnych, w których poziom światła jest niski. Większe matryce, takie jak te, które można znaleźć w lustrzankach cyfrowych (DSLR) i aparatach bezlusterkowych, generują lepszą jakość obrazu, a co za tym idzie, dokładniejsze rekonstrukcje w porównaniu z mniejszymi, bardziej mobilnymi rozwiązaniami, takimi jak kamery sportowe55. Dodatkowe funkcje, których nie należy pominąć przy rozważaniu odpowiedniego modelu aparatu, obejmują wbudowany interwałometr oraz wystarczającą pojemność pamięci i baterii, aby wspierać długotrwałe gromadzenie obrazów w terenie.

Projektowanie ankiet powinno opierać się na hipotezie ekologicznej, a kandydujące metryki określają niezbędną rozdzielczość i zasięg przestrzenny. W ekologii raf koralowych LAI został użyty do scharakteryzowania złożoności strukturalnej35,36,56,57,58,59, skład społeczności i zgromadzenie60,61,62, rozkład przestrzenny45,63,64,65,66, and community trajectories48,49,50,67,68,69. Rozdzielczość jakości obrazu powinna być odpowiednia do potrzeb danych ekologicznych, z dokładniejszą rozdzielczością skali na szczegółach poniżej mm niezbędną do wspierania obserwacji konkurencji w skali polipów wzdłuż granic kolonii70 lub badań małych młodych koralowców66,71. Z kolei wyodrębnianie wskaźników siedliskowych i strukturalnych na szeroką skalę do mapowania wybrzeży 72,73,74 wymaga większego zasięgu przestrzennego przy zmniejszonej potrzebie rozdzielczości w skali cm-m. Zapotrzebowanie na rozdzielczość musi być zrównoważone zasięgiem przestrzennym wymaganym do uzyskania wystarczającego pobierania próbek i operacyjnymi limitami czasu potrzebnego do wypełnienia badania LAI33.

Opisany tutaj jest kompleksowy protokół do przeprowadzania ankiety LAI, który skupia się na maksymalizacji jakości, użyteczności i wartości zdjęć źródłowych, dzieląc protokół na cztery główne kroki: zbieranie obrazów, budowa modelu, analizy ekologiczne i selekcja danych33. Zbiór około 3500 badań obrazowych LAI ponad 2000 unikalnych miejsc rafowych w ciągu ostatniej dekady przyczynił się do udoskonalenia metodologii dla każdego z przedstawionych tutaj kroków (https://doi.org/10.6075/J0T43RN1). Powstały w ten sposób protokół jest metodą solidnego gromadzenia danych oraz dokładnych i precyzyjnych rekonstrukcji modeli, które umożliwiają gromadzenie szczegółowych danych ekologicznych w szerokim zakresie zastosowań, w tym złożoności strukturalnej, składu społeczności i demografii populacji (np. struktury gęstości i wielkości). Dodatkowo uwzględniamy standardy metadanych do archiwizacji danych LAI, których ustanowienie jest niezbędne do zapewnienia zachowania, przejrzystości i potencjału współpracy tych cyfrowych bliźniaków.

Protocol

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

1. Kolekcja obrazów

UWAGA: Poniższa procedura zbierania obrazów na dużym obszarze przedstawia metodę badania obszaru o powierzchni około 100 m2, choć można ją łatwo dostosować do obszarów od 10 m2 do 2 500 m2. Opisana poniżej metoda pomiarowa została zaprojektowana tak, aby można ją było zastosować w różnych warunkach pracy, generować wysokiej jakości obrazy i dostarczać solidnych danych, które można wykorzystać do wielu zastosowań ekologicznych dzięki wysiłkowi jednego godzinnego nurkowania przez dwuosobowy zespół partnerów.

  1. Przygotowanie sprzętu
    1. Zamontuj ramę kamery, mocując zewnętrzne panele ramy do paneli montażowych i kolumn kamery za pomocą z płaskim krzyżakowym o długości 1 1/2" (Rysunek 1).
    2. Przygotuj dwie lustrzanki cyfrowe, jedną ze stałym obiektywem szerokokątnym, a drugą z obiektywem zmiennoogniskowym. Szczegółowe ustawienia kamery znajdują się w Tabeli 1.
      UWAGA: Chociaż drugi aparat z obiektywem zmiennoogniskowym jest opcjonalny, zdecydowanie zaleca się rejestrowanie większej rozdzielczości obrazu w celu określenia szczegółów taksonomii75,76, znajdowanie i identyfikowanie małych młodych koralowców66,71 (1-5 cm średnicy) i rozróżniania granic kolonii koralowców45,48,50 podczas przyszłych analiz ekologicznych.
    3. Zamontuj obudowy kamer podwodnych, podłączając port kopułkowy i zabezpiecz dołączonymi skrzydełkowymi kopułki. Przymocuj uchwyty za pomocą z krzyżakowym o długości 1/2", a płytę montażową kamery za pomocą z gniazdowym 1 1/8". Włóż kamery do obudowy i użyj pompy próżniowej, aby ustawić ciśnienie w obudowie na 5 cali. Hg, sprawdzając integralność uszczelki o-ring.
    4. Zamontuj obudowy na ramie kamery, wsuwając płytę montażową kamery na panele ramy montażowej i zabezpiecz za pomocą skrzydełkowych.
  2. Ustawienie działki
    1. Ustal granice działki za pomocą sześciu kwadratowych płytek ze stali nierdzewnej (o długości boku 10 cm) z nadrukowanymi zakodowanymi znacznikami. Umieść dwie środkowe płytki w odległości 10 m od siebie wzdłuż docelowej izobaty, z czterema narożnymi płytkami dodanymi 5 m w głąb i na morzu od środkowych pól, aby utworzyć kwadratowy obszar działki o wymiarach 10 m na 10 m (Rysunek 2). Zapisz głębokość na każdym z sześciu kafelków, aby zapewnić orientację w lokalnym pionie i ułatwić kolejne etapy budowy modelu.
    2. Dodaj pływaki referencyjne z ~1,5 m linki przymocowanej do obciążników o wadze 0,45 kg (1 funt) około 1 m na zewnątrz każdej z czterech płytek narożnych.
      UWAGA: Te pływaki referencyjne służą jako przewodnik dla operatora kamery do oznaczania granic działki i wysokości nad bentosem, na której powinien pływać kamerą. Umieszczenie ich poza granicami działki o wymiarach 10 m x 10 m tworzy strefę buforową obrazów, pomagając w pełni zrekonstruować główny obszar obrazu.
    3. Umieść podziałkę o długości 0,5 m składającą się z dwóch zakodowanych płytek docelowych przymocowanych do polichlorku winylu (PVC) lub pręta aluminiowego w każdym kwadrancie działki, aby uzyskać łącznie cztery rozmieszczone paski podziałki.
      UWAGA: Ważne jest, aby paski skali i kafelki głębokości pozostały stabilne przez cały proces zbierania obrazów. Paski skali i kafelki głębokości mogą być również używane jako wizualne punkty orientacyjne dla operatora kamery, aby śledzić postęp w pływaniu.
    4. Aby ustanowić stałe działki, zainstaluj kołki ze stali nierdzewnej o długości 0,46 m (18 cali) (pręt gwintowany 0,95 cm lub 3/8 cala) zabezpieczone dwuczęściową żywicą epoksydową morską za pomocą młotka przylegającego do każdej środkowej płytki, aby zaznaczyć linię środkową działki. Patrząc na ląd, lewy palik zawiera nakrętkę zabezpieczającą, która pomaga w orientacji podczas przyszłych badań. Na końcu ankiety zapisz współrzędne Globalnego Systemu Pozycjonowania (GPS) bezpośrednio nad miejscem palika po lewej stronie za pomocą urządzenia GPS przechowywanego w wodoodpornej walizce przymocowanej do pływaka nurkowego.
      UWAGA: Instalacja stałych palików jest zalecana, jeśli jest to dozwolone poprzez zezwolenie, aby skrócić czas poszukiwań podczas kolejnych badań i potwierdzić ponowne zbadanie tego samego obszaru rafy. Użyj wydrukowanego 2-wymiarowego (2D) ortoobrazu lub "mapy drogowej" (plik uzupełniający 1) terenu pomiaru, aby zlokalizować niezmienne cechy i pomóc w określeniu lokalizacji tego samego obszaru działki do obrazowania. Te mapy drogowe mogą być również wykorzystywane do przemieszczania dokładnych działek pomiarowych w przypadkach, gdy pozwolenie nie pozwala na instalację stałych palików lub gdy paliki zostały przemieszczone lub usunięte.
  3. Przechwytywanie obrazu
    1. Ustaw niestandardowy balans bieli dla każdej kamery za pomocą szarej karty na docelowej głębokości wykresu.
    2. Uruchom każdą kamerę na interwałometrze ustawionym na przechwytywanie w interwale 1 s-1.
    3. Przepłyń system kamer około 1,5 m nad bentosem w układzie siatkowym, a następnie wykonaj drugi prostopadły przejazd z siatką z około 1 m między każdym przejściem, pływając z małą prędkością około 0,25 m s-1 (Rysunek 3). Upewnij się, że przejścia wystają co najmniej 2 m poza krawędzie granic działki, aby zapewnić wystarczające zachodzenie na siebie w obrębie docelowego obszaru działki.
      UWAGA: Podążanie za tym wzorcem pływania i prędkością powoduje zebranie co najmniej około 1 700 obrazów z każdej kamery w ciągu 28 minut obrazowania. Jednakże, aby uwzględnić czas realizacji między przejściami i błądzenie po stronie nadpróbkowania w celu buforowania przed niewystarczającym nakładaniem się, co skutkuje nieoptymalnymi danymi, zalecamy nurkom skupienie się na zebraniu 2500 obrazów z każdej kamery podczas około 40 minut obrazowania.
    4. Trzymaj system kamer w przybliżeniu prostopadle do powierzchni oceanu, aby zapewnić wystarczające pokrycie z góry na dół; jednak w przypadku miejsc pomiarowych o złożonej topografii, dostosuj orientację kamery w drugim przejściu, aby podążać prostopadle do bentosu i zmniejszyć okluzje w rekonstrukcji 3D. Zachowaj ostrożność podczas ustawiania aparatu pod kątem, aby zminimalizować niebieską wodę, która jest uchwycona na zdjęciach.
      UWAGA: W przypadku nieoptymalnych warunków oceanicznych, takich jak silne prądy lub strome zbocza, oba przejścia można wykonać w tym samym kierunku wzdłuż brzegu. Użycie tylko jednej kamery z obiektywem szerokokątnym może być konieczne przy silnym prądzie, aby zmniejszyć profil oporu i wysiłek nurka potrzebny do utrzymania postępu do przodu. Drugi zestaw przejść powinien być idealnie lekko obrócony w stosunku do pierwszego. Jeśli dwa przejścia są wykonywane w tym samym kierunku wzdłuż brzegu, należy dodać co najmniej jedną lub dwie prostopadłe lub ukośne "linie ściągające" przecinające początkowy zestaw przejść w celu poprawy jakości rekonstrukcji.

2. Budowa modelu

UWAGA: Krok budowy modelu skupia się na utrzymaniu dostępu do obrazów źródłowych o wysokiej rozdzielczości i wygenerowaniu uzyskanej gęstej chmury punktów. Odniesienie do gęstej chmury punktów odbywa się w scentralizowanym oprogramowaniu do wizualizacji i analizy (patrz Tabela materiałów)77, co pozwala użytkownikowi na wprowadzanie i modyfikowanie w locie. Eliminuje to konieczność ponownego przetwarzania i ponownego eksportowania produktów danych dla zestawu danych w przypadku pojawienia się nowych informacji, szczególnie w przypadku dodatkowych ankiet w czasie. Ortomapy 2D, zwane tutaj ortorzutami, są generowane przy użyciu ortorektyfikowanego rzutu rzutowego gęstej chmury punktów, z kątem rzutowania prostopadłym do kierunku grawitacji.

  1. Wyrównanie kamery i konstrukcja gęstej chmury punktów 3D
    1. Korzystając z komputera o wysokiej wydajności, załaduj wszystkie obrazy, w tym te z aparatów szerokokątnych i makroobiektywów, do projektu Agisoft Metashape, wybierając Przepływ pracy | Dodaj folder. Po załadowaniu plików wybierz układ danych jako Pojedyncze kamery, Dodaj wszystkie obrazy dojednego fragmentu. Usuń z projektu obrazy z nadmiarem niebieskiej wody w scenie.
      UWAGA: Przed dodaniem do projektu, obrazy z każdej kamery powinny być zorganizowane w osobnych folderach, które będą oddzielać pliki obrazów w porcji jako odrębne grupy kamer.
    2. Wyrównaj wszystkie obrazy, wybierając opcję Obieg pracy | Wyrównaj zdjęcia. Patrz Tabela 2, aby zapoznać się z ustawieniami przetwarzania dla wyrównania.
    3. Po zakończeniu wyrównywania sprawdź, czy zestaw obrazów został pomyślnie wyrównany na podstawie procentu wyrównanych kamer i inspekcji wygenerowanej rzadkiej chmury punktów pod kątem luk w pokryciu lub niewspółosiowości. Przed kontynuowaniem upewnij się, że ramka ograniczenia obejmuje całą rozrzedzoną chmurę punktów. W razie potrzeby zmodyfikuj go za pomocą opcji Zmień rozmiar lub Obróć region.
      UWAGA: Możliwe jest, że 100% obrazów jest wyrównanych i nadal ma przerwy w częściach modelu i odwrotnie, 80-90% obrazów jest wyrównanych, ale ma kompletny model docelowego obszaru badania. W związku z tym do podjęcia świadomej decyzji dotyczącej użyteczności, w części, lub w całości, wygenerowanego zbioru danych należy wykorzystać zarówno procentowe wyrównanie, jak i pokrycie powierzchniowe, lub czy potrzebne są dodatkowe wysiłki w celu poprawy jakości akwizycji obrazu lub dostosowania ustawień przetwarzania wyrównania.
    4. Wyłącz grupę kamer zawierającą obrazy obiektywów zmiennoogniskowych. Zbuduj gęstą chmurę punktów, wybierając punkt menu Workflow | Zbuduj gęstą chmurę. Zobacz Tabela 2, aby zapoznać się z ustawieniami przetwarzania dla Build Dense Cloud.
      UWAGA: Podczas gdy obrazy z obu kamer powinny być używane do wyrównywania, aby ułatwić wyszukiwanie wszystkich obrazów o wysokiej rozdzielczości podczas analiz ekologicznych, obrazy z obiektywów zmiennoogniskowych nie powinny być używane podczas tworzenia gęstej chmury punktów, ponieważ subtelne różnice w balansie bieli i ekspozycji między dwiema kamerami dodadzą szumu wizualnego do gęstej chmury punktów.
    5. Eksportuj szacunkowe ułożenie kamery, wybierając Narzędzia | Uruchamianie skryptu | Extract_meta.py skrypt (Plik uzupełniający 2). Wyeksportuj gęstą chmurę punktów, wybierając punkt menu Plik | Eksport | Punkty eksportowe. Zobacz Tabelę 2, aby zapoznać się z ustawieniami eksportu.
    6. Przeciągnij i upuść wyeksportowany plik gęstej chmury punktów do pliku vc5prep-confidence.bat znajdującego się w plikach programu do wizualizacji.
    7. Skompiluj wyeksportowane pliki danych, w tym pliki pozycji kamery (*.cams.xml i *.meta.json) wraz z wygenerowanymi plikami programów (*.vml i folder zawierający pliki *ptdata, *.xml, *.kdm) w jednym katalogu do wykorzystania w oprogramowaniu do wizualizacji.
  2. Skala i orientacja
    1. W oprogramowaniu do wizualizacji użyj narzędzia do skalowania, aby umieścić pary znaczników na obiektach podziałki liniowej i wprowadź znaną odległość.
      UWAGA: Więcej informacji na temat narzędzia skalera można znaleźć w sekcji 4.2 pliku uzupełniającego 3.
    2. Umieść znaczniki na każdym kafelku głębokości i użyj narzędzia Orientuj, aby dostosować wartości głębokości dla każdego kafelka, aby zdefiniować najlepszą płaszczyznę dopasowania do lokalnego pionu.
      UWAGA: Więcej szczegółów na temat narzędzia do orientacji można znaleźć w sekcji 4.4 pliku uzupełniającego 3.
      UWAGA: Sprawdź, czy promienie głębokości są skierowane do góry, kończąc się na szacowanej powierzchni wody. W przypadku promieni skierowanych w dół należy sprawdzić, czy na kafelkach głębokości nie ma śladów ruchu, które prowadziłyby do błędów w wartości głębokości w stosunku do jej ostatecznego zrekonstruowanego położenia lub błędów w metadanych głębokości.
  3. Współrejestracja czasowa
    1. Utwórz plik projektu organizacyjnego w oprogramowaniu w celu zebrania danych zgodnie z sekcją 10.0 pliku uzupełniającego 3. Dołączanie wielu witryn z ankietami w czasie w jednym projekcie organizacyjnym.
    2. Dodaj gęste pliki chmur punktów do projektu organizacji jako warstwy i zmodyfikuj strukturę organizacyjną na poziomie witryny zgodnie z potrzebami, aby połączyć gęste chmury punktów danego terenu w czasie.
      UWAGA: Użyj spójnego schematu nazewnictwa plików [Region]_[Data]_[Witryna], aby zautomatyzować organizację warstw.
    3. Wybierz punkt czasowy lokacji, który będzie służył jako warstwa odniesienia dla skali i orientacji szeregów czasowych.
      UWAGA: Do ustawienia skali można użyć wielu warstw; Jednak jako odniesienie do orientacji należy wybrać jedną warstwę punktu czasowego, ponieważ zmiany pływów i duża wysokość falowania prowadzą do błędów w precyzji i spójności pomiarów głębokości w czasie.
    4. Użyj narzędzia do wspomaganej korejestracji, aby wyrównać warstwy w czasie.
      UWAGA: Więcej szczegółów można znaleźć w sekcji 11.0 pliku uzupełniającego 3. W przypadku dużych zmian strukturalnych spowodowanych dużym wzrostem lub dużymi falowaniami preferowane może być zastosowanie ręcznego przepływu pracy korejestracji przy użyciu niezmiennych cech kandydujących. W przypadku dłuższych szeregów czasowych lub gdy zachodzą znaczne zmiany w czasie, ogólnie zaleca się współrejestrację danego modelu do następnego wcześniejszego punktu czasowego.
  4. Ortorektyfikacja 2D
    1. Korzystając z narzędzia ramek w oprogramowaniu, ustaw widok z kąta powierzchni (g: 0°) z granicami obejmującymi ogniskowy obszar analizy (10 m x 10 m) wraz z buforem o długości co najmniej 2 m (minimalny szer.: 14 m, minimalny wys.: 14 m) rozciągający się od każdej krawędzi.
      UWAGA: Szczegółowe informacje na temat korzystania z narzędzia ramek można znaleźć w sekcji 6.0 pliku uzupełniającego 3.
    2. W narzędziu ramek włącz eksport mapy, aby utworzyć plik obrazu ortoprojekcji. Ustaw rozdzielczość eksportu na 1 mm px-1 i wybierz opcję przechwytywania, aby wygenerować podgląd. Przewiń do kafelka podglądu zawierającego cały przekrój gęstej chmury punktów i zwiększ wartość rozmiaru punktu, aby wypełnić odstępy między punktami.
    3. Wybierz opcję przechwytywania, aby wyeksportować ortoprojekcję jako plik ppm. Po zakończeniu przechwytywania przekonwertuj wyeksportowany plik na tif, przeciągając i upuszczając wygenerowany plik .ppm na plik convert-to-tif-flip.cmd znajdujący się w plikach programu.
    4. W przypadku współrejestrowanych gęstych chmur punktów szeregów czasowych powtórz kroki od 2.4.2 do 2.4.3 dla obszaru, zmieniając warstwę czasu podczas korzystania z tego samego pola.

3. Analiza ekologiczna

UWAGA: Istnieje niezliczona ilość opcji ekstrakcji danych ekologicznych, z których wybrane prezentujemy tutaj. Te podstawowe przepływy pracy koncentrują się na ustalonych wskaźnikach do długoterminowego monitorowania78,79, ale mogą być używane i dostosowywane do generowania danych wystarczających do badań naukowych opartych na obserwacji. Użytkownicy powinni wybierać i dostosowywać przepływy pracy w oparciu o swoje indywidualne potrzeby w zakresie danych i cele analityczne. Opisane poniżej procedury wykonywania zadań mają na celu zintegrowanie bezpośredniego dostępu do zobrazowań źródłowych, aby pomóc w adnotacji danych biologicznych, przy użyciu produktów pochodnych, takich jak gęsta chmura punktów 3D lub ortoprojekcja 2D jako ramy organizacyjne.

  1. Złożoność strukturalna
    1. Za pomocą narzędzia rugo wykonaj pole o wymiarach 10 m x 10 m na gęstej chmurze punktów, ustawiając maksymalny wymiar 10 m (rugo-dim: 10.0 m) i współczynnik proporcji 1.0 (quad-aset: 1.000), aby wyznaczyć obszar docelowy 100 m2 do ekstrakcji danych.
      UWAGA: Więcej szczegółów na temat korzystania z narzędzia rugo można znaleźć w sekcji 7.0 pliku uzupełniającego 3.
    2. Ustaw liczbę linii transektu do próbkowania (linie) oraz liczbę punktów wzdłuż każdego transektu (próbek) w oparciu o żądane odstępy między próbkami. Wybierz opcję Przygotuj, aby wyeksportować plik csv zawierający współrzędne x, y i z każdego próbkowanego punktu, który może być używany do różnych analiz złożoności konstrukcji.
    3. Uruchom skrypt znajdujący się w pliku uzupełniającym 4, aby wygenerować funkcje używane do analiz złożoności konstrukcji. Następnie postępuj zgodnie ze skryptami znajdującymi się w pliku uzupełniającym 5 w oparciu o żądane metryki, aby określić ilościowo złożoność strukturalną.
      UWAGA: Sugeruje się, aby wybrać skalę odstępów o najwyższej rozdzielczości (zalecany odstęp 1 cm), do której użytkownicy mogą kierować swoje zainteresowania, z której różne skale, takie jak te przedstawione tutaj (odstęp między wierszami 0,5 m i odstęp punktowy 10 cm), mogą być podobnie oceniane za pomocą downsampling56.
  2. Skład Wspólnoty
    1. Korzystając z narzędzia Virtual Point Intercept (VPI), wykonaj pole o wymiarach 10 m x 10 m na gęstej chmurze punktów, ustawiając maksymalny wymiar 10 m (poczwórne przyciemnienie: 10,0 m) i współczynnik proporcji 1 (poczwórny kąt: 1,000), aby wyznaczyć obszar docelowy 100 m2 do ekstrakcji danych.
      UWAGA: Szczegółowe informacje na temat korzystania z narzędzia Virtual Point Intercept można znaleźć w sekcji 5.0 pliku uzupełniającego 3.
    2. Ustaw punkty, które mają być próbkowane z gęstej chmury punktów w warstwowym rozkładzie losowym, z liczbą punktów docelowych dla wybranej gęstości. Wybierz pozycję przygotuj do rozpoczęcia pobierania próbek.
      UWAGA: Gęstość próbkowania 25 m-2 (2 500 punktów) jest zalecana do analiz na poziomie taksonomicznym. W przedstawionych tutaj wynikach wykorzystano niższą gęstość próbkowania (10 m-2) w szerszym badaniu porównawczym składu społeczności skoncentrowanym na poziomie funkcjonalnym.
    3. Użyj narzędzia krzywki, aby połączyć obrazy źródłowe z gęstą chmurą punktów i umożliwić przestrzenne wyszukiwanie wielu obrazów widoków punktów na modelu.
      UWAGA: Więcej informacji na temat narzędzia krzywek można znaleźć w sekcji 4.5 pliku uzupełniającego 3.
    4. Aplet internetowy przeglądarki VPI służy przede wszystkim do oznaczania każdego punktu oznaczeniem taksonomicznym o najwyższej rozdzielczości bezpośrednio przy użyciu wielu widoków zobrazowań źródłowych. Dodaj dwa opcjonalne zestawy etykiet drugorzędnych dla każdego punktu, z przykładami etykiet koralowców, w tym bleaching stress75 i morphology.
      UWAGA: Podstawowe i pomocnicze zestawy etykiet można modyfikować, edytując plik qclasses.json znajdujący się w folderze *.pq.
    5. Wyeksportuj podsumowanie procentowego pokrycia dla każdej etykiety jako plik .csv za pomocą apletu internetowego.
  3. Pomiar zagęszczenia
    1. Upewnij się, że obrazy zostały już połączone w oprogramowaniu, wykonując krok 3.2.3. Ustaw widok pseudomapy gęstej chmury punktów, zmieniając ogniskową widoku perspektywicznego na 100 mm i pomniejszając do pełnego widoku modelu z góry na dół. Użyj pliku próbkowania quadrat w pliku uzupełniającym 6, aby przechwycić widok za pomocą apletu internetowego, klikając eval dla komórki c1, a następnie wybierz przycisk grab.
      UWAGA: Więcej szczegółów można znaleźć w sekcji 8.0 pliku uzupełniającego 3.
    2. Włącz krzywki, a następnie połącz obrazy w przepływie pracy próbkowania kwarat, klikając eval dla komórek c2 i c3 w skrypcie próbkowania kwarat.
    3. Upewnij się, że w kroku 3.1.1 wykonano już pole rugo, aby wyznaczyć docelowy obszar ekstrakcji danych o powierzchni 100 m2. W aplecie internetowym przeanalizuj sekcję komórek przygotowawczych c4, aby pobrać próbkę 100 czworokątów o długości 1 m2.
    4. W adresie internetowym Quadrat Sampling użyj obrazów źródłowych, aby przeszukać kwadrat i oznaczyć organizmy docelowe. Kliknij dwukrotnie lewym przyciskiem myszy lokalizację, aby ponownie skierować się na lokalizację próbkowania. Kliknij przycisk taksonomiczny, aby wyznaczyć punkt docelowy jako próbkę. Aby usunąć zaznaczony punkt, kliknij go dwukrotnie lewym przyciskiem myszy i wybierz NIC.
      UWAGA: Kwadraty są prezentowane w z góry ustalonej kolejności losowej, co pozwala na losowe pobieranie próbek podzbioru kwadratów do badań zagęszczenia.
    5. Skompiluj wszystkie pliki próbkowania znajdujące się w folderze *aux/recruits/test1 w jednym katalogu, zmieniając nazwę każdego pliku tak, aby zawierała nazwę witryny. Dodaj plik wyszukiwania przycisku (Plik uzupełniający 7) do tego samego katalogu, w którym znajdują się pliki próbkowania. Uruchom skrypt w pliku uzupełniającym 8, postępując zgodnie z instrukcjami w wierszu, aby zagregować dane próbki w gęstości według lokalizacji i grupy taksonomicznej.
      UWAGA: Tutaj pobieramy próbki bezkręgowców siedzących, ale to samo narzędzie można wykorzystać do badania różnych organizmów, w tym zagęszczenia młodych i dorosłych koralowców.
  4. demografia
    1. Załaduj plik ortoprojekcji do segmentacji kolonii w oprogramowaniu do analizy segmentacji (patrz Tabela materiałów)80. Wczytywanie współzarejestrowanych plików ortoprojekcji dla wielu punktów czasowych jako nowych map w tym samym pliku projektu, aby segmentować i śledzić wielkość kolonii w czasie.
    2. Wykorzystaj zdjęcia źródłowe za pośrednictwem apletu internetowego dla iView, które znajdują się w sekcji 17.1 pliku uzupełniającego 3 podczas segmentacji kolonii jako odniesienia do identyfikacji taksonomicznej i granicznej. Upewnij się, że obrazy zostały już połączone w oprogramowaniu do wizualizacji, wykonując krok 3.2.3. Umieść znacznik na gęstej chmurze punktów dla kolonii ogniskowej i przewijaj obrazy źródłowe dla lokalizacji znacznika, aby uzyskać różne widoki perspektywiczne.
    3. Użyj narzędzia adnotacji dodatnich/ujemnych kliknięć, aby podzielić poszczególne kolonie koralowców na segmenty. Modyfikowanie obwiedni za pomocą ręcznej regulacji obwiedni opartej na kliknięciu.

4. Selekcja danych

UWAGA: Wysiłki archiwalne powinny priorytetowo traktować zachowanie obrazów źródłowych, ponieważ wszystkie późniejsze produkty pochodne są odtwarzalne. Chociaż repozytoria dostępne dla danego użytkownika będą się różnić, należy dołożyć starań, aby ustandaryzować powiązane metadane ankietowe zawarte w zbiorze danych obrazu źródłowego, aby zmaksymalizować ich użyteczność po udostępnieniu szerszej społeczności.

  1. Repozytorium danych
    1. Wygeneruj plik opisu metod, który zawiera szczegóły pomiaru, takie jak pokryty obszar, system kamer, znaczniki kontroli naziemnej i wzór zbierania. Przykładowy opis tego protokołu znajduje się w pliku uzupełniającym 9.
    2. Wygeneruj plik metadanych pomiarowych specyficzny dla zestawu danych obrazu, w tym pola, takie jak nazwa terenu, data zbioru, współrzędne GPS, namiary na działkę, dane dotyczące głębokości i skali kontroli gruntu oraz użyty wzór zbierania danych i system kamer dla danej ankiety.
      UWAGA: Zdecydowanie zaleca się dodanie dodatkowych pól, które obejmują szerszy kontekst geograficzny i warunki panujące podczas ankiety. Przykładowy plik metadanych z zalecanymi polami można znaleźć w pliku uzupełniającym 10.
    3. Połącz plik opisu, plik metadanych i pliki obrazów w jedno archiwum zip, które zostanie pozyskane do wybranego repozytorium danych.
      UWAGA: Kolekcje danych obrazowych zostały udostępnione na stronie https://doi.org/10.6075/J0DV1HDR.

Results

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

Udane zebranie obrazów na dużym obszarze w terenie powinno skutkować utworzeniem gęstej rekonstrukcji chmury punktów z pełnym pokryciem obszaru pomiarów od góry do dołu, podczas gdy niewystarczająca redundancja w pokryciu może spowodować luki lub pełną degradację chmury punktów (Rysunek 4). W przypadku zestawu 43 wielkoobszarowych przeglądów obrazów przeprowadzonych na całym archipelagu hawajskim w 2016 r. średnio 99,6% obrazów zostało wyrównanych na zestaw danych, przy czym 66% zestawów obrazów miało 100% pomyślnie wyrównanych obrazów. Obrazy zebrane z aparatu z obiektywem szerokokątnym miały średni GSD 0,52 mm px-1, podczas gdy obrazy z aparatu z obiektywem zmiennoogniskowym miały średni GSD 0,18 mm px-1. Pomiary te wygenerowały gęste chmury punktów o średniej wielkości 557,7 miliona punktów (15 GB).

Opisane tutaj ekologiczne przepływy pracy zostały zaprojektowane tak, aby generować dane porównywalne z istniejącymi metodologiami monitorowania raf koralowych78. Dane ekologiczne uzyskane z badań LAI na Hawajach pokazują, poza kilkoma wartościami odstającymi, miary liniowej chropowatości wynikające z przepływu pracy złożoności strukturalnej, które dobrze pokrywają się z wartościami względnymi w porównaniu z pomiarami złożoności in situ w różnych lokalizacjach81 (Rysunek 5A,B). Dodatkowe analizy składu społeczności przeprowadzone przez LAI w celu zmierzenia procentowego pokrycia głównych grup funkcyjnych bentosu wykazują podobne wyrównanie w porównaniu z tradycyjnymi badaniami fotokwaratów82 (Rysunek 5C,D). Próbkowanie kwadratowe zostało tutaj wykorzystane do pomiaru gęstości bezkręgowców siedzących, z których najczęstszymi są jeżowce, które podsumowano jako kategoryczne miary względnej liczebności. Metody LAI regularnie odnotowywały wyższe poziomy liczebności w porównaniu z metodami in situ81 (Rysunek 5E,F), co może wynikać z możliwości kompleksowego wyszukiwania i badania wszystkich osób na danym obszarze w porównaniu z szybkim spisem wizualnym. Segmentacja kolonii koralowców za pomocą ortoprojekcji 2D ujawniła również podobny rozkład wielkości taksonów koralowców pospolitych do metod in situ83 (Rysunek 5G,H).

Główną zaletą badań LAI jest możliwość archiwizowania i śledzenia zmian w obszarach rafy w czasie poprzez korejestrację gęstej chmury punktów. Rafy koralowe są żywymi podłożami, co w przypadku badań LAI oznacza, że identyfikacja trwałych powierzchni, zarówno naturalnych, jak i zainstalowanych, które można wykorzystać do niezawodnej rejestracji gęstych chmur punktów z różnych punktów czasowych, może być trudna. Przykład z atolu Millennium (Rysunek 6) pokazuje przykład zarówno z wysokim wzrostem, jak i stratami strukturalnymi, w którym proces wspomaganej korejestracji został wykorzystany do gęstej korejestracji chmur punktów pomimo niewielkiej lub zerowej stabilności powierzchni rafy w czasie.

figure-results-1
Rysunek 1: Schemat zmontowanych ram kamer. Przykładowe widoki konfiguracji z podwójną kamerą (A,B) i (C,D) z pojedynczą klatką. Obudowy kamer Ikelite mocowane są do ramy na panelu montażowym kamery za pomocą płytki suwakowej przymocowanej do uchwytów obudowy. Opcjonalne przyrządy wspomagające nawigację, takie jak poziomica, kompas i komputer nurkowy, można przymocować do ramy, jak pokazano w B. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 2: Schemat przedstawiający wydruk obrazu o dużej powierzchni 100 m2. Schemat w pełni wyposażonej działki obrazowej o dużej powierzchni 100 m2 w kroku. Tymczasowe znaczniki działki zawierają sześć znaczników kafelków obwiedni, cztery paski skali i cztery liczby zmiennoprzecinkowe odniesienia. Stałe znaczniki działki zawierają dwa kołki ze stali nierdzewnej z lewym kołkiem, patrząc od strony lądu, w tym nakrętkę zabezpieczającą. Odniesienie GPS dla działki powinno znajdować się powyżej lewej środkowej płytki lub palika. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
Rysunek 3: Wzorzec kolekcji nurków. Przykład (A) ścieżki pływania nurka w celu zapewnienia wystarczającego pokrycia i nakładania się obszaru powierzchni z dołączonym buforem oraz (B) rozmieszczenia nurka z systemem kamer z pływakami referencyjnymi stanowiącymi wskazówkę dla wysokości pływania. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-4
Rysunek 4: Zmniejszenie nakładania się obrazów. Degradacja gęstej chmury punktów w miarę zmniejszania liczby nakładających się obrazów jest zmniejszana poprzez losowe próbkowanie. Każdy panel pokazuje gęstą chmurę punktów wygenerowaną z (A) wszystkich obrazów, (B) 1/2, (C) 1/3, (D) 1/5 i (E) 1/10 oryginalnych obrazów. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-5
Rysunek 5: Ekstrakcja danych ekologicznych. Dane kandydujące uzyskane z obrazowania wielkopowierzchniowego dla każdego z ekologicznych procesów roboczych przedstawiono w porównaniu z ustalonymi metodami gromadzenia danych in situ. Obejmuje to (A,B) złożoność strukturalną, (C,D) skład zbiorowiska (słupki błędów wskazują błąd standardowy), (E,F) zagęszczenie bezkręgowców i (G,H) demografię struktury wielkości. Skrót: LAI = obrazowanie wielkopowierzchniowe. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-6
Rysunek 6: Gęsta korejestracja chmury punktów. Przykładowe wizualne porównanie dwóch współrejestrowanych czasowo gęstych chmur punktów. Obszary ubytków strukturalnych, prawdopodobnie spowodowanych uszkodzeniem przez falowanie, są wizualnie oznaczone kolorem czerwonym, zgodnie z oznaczeniem magentowej strzałki. Obszary przyrostu strukturalnego, zwykle przypisywane wzrostowi kolonii koralowców, są wizualnie oznaczone kolorem niebieskim, jak wskazuje żółta strzałka. Opisany tutaj przepływ pracy korejestracji może być nadal stosowany w przypadku obszarów rafowych tak dynamicznych, jak pokazano tutaj, gdzie zainstalowane na stałe naziemne punkty kontrolne (GCP) byłyby zawodne z powodu nadmiernego zarastania lub przemieszczania się. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

szt.
Funkcja aparatuZalecane ustawienie
ogniskoAutomatycznie
Tryb fotografowaniaP (automatyka programowa) dla obiektywu szerokokątnego
A (automatyka z preselekcją przysłony), ustawiona na przysłonę F8 dla obiektywu makro
Tryb wyzwalania migawkiS (automatyka z preselekcją czasu)
Ustawienia autofokusaCentralny autofokus (AF-C), pojedynczy punkt centralny (S)
Automatyczna kontrola czułości ISOna
Maksymalna czułość ISO3200
Minimalny czas otwarcia migawki1/320
Jakość obrazuRAW + JPEG
Interwałowy1 sekundy
Balans bielizwyczaj

Tabela 1: Zalecane ustawienia kamery. Poniżej znajduje się lista najważniejszych ustawień aparatu używanych do optymalizacji jakości obrazu. Te ustawienia nadają priorytet przechwytywaniu ostrych obrazów zarejestrowanych przez poruszającego się operatora w podwodnych warunkach oświetleniowych.

szt.
Wyrównaj zdjęcia
dokładnośćwysoki
Wstępna selekcja ogólnaNie
Limit punktów kluczowych5000
Limit punktów wiązania0
Dopasowywanie obrazów z asystąNie
Dopasowanie modelu kamery adaptacyjnejtak
Zbuduj gęstą chmurę
jakośćwysoki
Filtrowanie wgłębneŁagodny
Obliczanie kolorów punktówtak
Obliczanie ufności punktówtak
Eksportuj punkty
Typ plikuStanforda PLY
Układ współrzędnychWspółrzędne lokalne (m)
Dane źródłoweGęsta chmura
Zapisywanie kolorów punktówtak
Normalny punkt zapisutak
Zachowaj pewność punktówtak
Zapisywanie klas punktówNie
Konwertuj kolory na 8-bitowe RGBtak
Kodowanie binarnetak

Tabela 2: Ustawienia gęstej budowy chmury punktów 3D. Lista ustawień używanych w Agisoft Metashape do tworzenia i eksportowania wysokiej jakości rekonstrukcji gęstej chmury punktów.

Plik uzupełniający 1: Mapa drogowa. Przykładowy obraz ortomozaiki z zaznaczonymi cechami i głębokościami działki, aby pomóc w znalezieniu obszaru działki do ponownego zbadania. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 2: Extract_meta.py. Skrypt uruchamiany w Agisoft Metashape w celu wyeksportowania informacji o pozie kamery i katalogu plików do wykorzystania w Viscore do wyszukiwania oryginalnych obrazów. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 3: Przewodnik po Viscore. Przewodnik po oprogramowaniu Viscore, który zawiera procesy pracy do wizualizacji modeli, korejestracji i analiz ekologicznych. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 4: Rugosity_Functions.Rmd. Skrypt używany w R zawierający funkcje do przetwarzania danych o chropowatości wyodrębnionych z Viscore. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 5: Rugosity_Analysis.Rmd. Skrypt używany w języku R do obliczania metryk chropowatości. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 6: Quadrat_sampling.rpl.json. Skrypt używany w Viscore do przepływu pracy analizy gęstości kwadratowej. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 7: Density_taxo_lookup.json. Plik wyszukiwania przycisku do uruchamiania skryptu próbkowania quadrat w celu agregowania danych próbkowania quadrat według grupy taksonomicznej. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 8: Density_Analysis.R Skrypt używany w R do agregacji danych próbkowania kwadratowego, który oblicza gęstość według grupy taksonomicznej na poziomie ankiety. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 9: README.txt Przykładowy plik tekstowy, który ma być dołączony do oryginalnych obrazów do archiwizacji danych, opisujący metodologię przechwytywania obrazów. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 10: METADATA_KAH_2016-07_03.txt Przykładowy plik tekstowy, który ma być dołączony do oryginalnych zdjęć do archiwizacji danych, który zawiera pola metadanych dla badania LAI. Obejmuje to pola dla danych dotyczących skali i głębokości badania do odniesienia, a także ogólne metadane lokalizacji dla kontekstu geograficznego. Skrót: LAI = obrazowanie wielkopowierzchniowe. Kliknij tutaj, aby pobrać ten plik.

Discussion

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

Obrazowanie wielkoobszarowe jest narzędziem umożliwiającym naukowcom cyfrowym wizualizację i analizę cech środowiska w skalach większych niż pojedyncze zebrane obrazy. Rejestrując wiele obrazów otoczenia z wielu perspektyw, protokoły LAI pomagają tworzyć reprezentacje stosunkowo szerokich krajobrazów (w stosunku do zasięgu przestrzennego poszczególnych obrazów) przy jednoczesnym zachowaniu szczegółów zebranych z oryginalnych obrazów. Unikalna wartość LAI polega na możliwości eksploracji danych środowiskowych w różnych skalach, od największej skali (zdefiniowanej przez powierzchniowy zasięg badania) do najdrobniejszej skali (zdefiniowanej przez zrealizowaną rozdzielczość oryginalnych obrazów). Jednak, aby wykorzystać tę siłę w różnych skalach, konieczne jest zapewnienie regularnego i płynnego dostępu do wszystkich poziomów przechwytywanych danych, w szczególności w celu zapewnienia łatwego dostępu zarówno do oryginalnych obrazów, jak i pochodnego modelu 3D. Na każdym etapie przedstawionego tutaj protokołu podkreślamy tę wyjątkową siłę LAI, konsekwentnie zapewniając, że oryginalne obrazy są dostępne, użyteczne i bezpiecznie archiwizowane wraz z pochodnymi modelami LAI.

Metoda LAI dostarczy produkty, które są bezpośrednio powiązane z oryginalnymi zebranymi obrazami. Przesuwając szczegóły pozyskiwania obrazów, użytkownicy mogą tworzyć produkty danych o różnej jakości i zasięgu. Podczas badania strukturalnie złożonych środowisk rafy koralowej, użytkownik dysponujący ograniczonym czasem badań pod wodą (lub stałą liczbą dostępnych do wykonania zdjęć) może priorytetowo traktować zwiększenie pokrycia powierzchniowego badanego obszaru lub zwiększenie poziomu szczegółowości każdej sekcji badanego obszaru. Z pewnością będzie to kompromis, przy czym duży model powierzchniowy ma mniej szczegółów (i być może więcej okluzji) na jednostkę powierzchni, a szczegółowy model obejmuje mniejszą powierzchnię całkowitą (z prawdopodobnie mniejszą liczbą okluzji). W tym protokole uwzględniamy użycie dwóch kamer, każda z innymi obiektywami, co umożliwia użytkownikowi próbkowanie większego obszaru (wystarczające nakładanie się obiektywu szerokokątnego, aby spełnić wymagania SfM), jednocześnie zbierając bardziej szczegółowe oryginalne obrazy (więcej szczegółów z obiektywu zmiennoogniskowego, który ma mniejsze nakładanie się zdjęć na zdjęcia). Dzięki uwzględnieniu oszacowania pozy obrazów z obu kamer, protokoły dalszej wizualizacji i analizy obejmują widoki o wyższej rozdzielczości z dużej części próbkowanego obszaru. Chociaż protokół ma na celu rozszerzenie zakresu wykonalności badań, użytkownicy mogą uznać, że produkty pochodne nie mają wystarczającego pokrycia powierzchniowego lub wystarczającej szczegółowości oryginalnych obrazów, aby ukończyć preferowane procedury analityczne. Zachęca się użytkowników do zapoznania się z oryginalnymi obrazami i modelami pochodnymi w celu upewnienia się, że protokół badania środowiskowego spełnia potrzeby programu oraz do modyfikacji podejścia do badań w wodzie (np. przesunięcie odległości pobierania próbek gruntu, zmiana czasu trwania badania lub liczby zebranych obrazów) w celu uzyskania preferowanej równowagi między pokryciem powierzchni a rozdzielczością na jednostkę powierzchni.

Metody LAI stanowią wartość dla nauk podwodnych poprzez przechwytywanie bogatych w informacje, szeroko zakrojonych "migawek" środowisk bentosowych, które mogą być efektywne czasowo i wymagają ograniczonej wiedzy specjalistycznej w danej dziedzinie do gromadzenia. Wartość tych produktów danych można rozpatrywać w odniesieniu do istniejących strumieni danych, a także do nowatorskich i przyspieszonych aplikacji specyficznych dla danej dziedziny. Biorąc pod uwagę porównanie z istniejącymi strumieniami danych, produkty analityczne LAI mogą dostarczyć danych ekologicznych, które są bezpośrednio porównywalne z danymi zebranymi in situ przez podwodnych obserwatorów 84,85,86,87. Przedstawiamy tutaj analizę ilościową danych ekologicznych pochodzących z każdego klasycznego monitorowania in situ oraz ze standaryzowanej analizy produktów LAI, zgodnie z niniejszym protokołem. Koncentrując się na czterech wspólnych wskaźnikach w wysiłkach związanych z monitorowaniem raf koralowych (złożoność strukturalna, skład zbiorowisk bentosowych, gęstość ruchomych bezkręgowców i struktura wielkości koralowców; Rysunek 5) wykazujemy silną zgodność ilościową w wynikach danych. Warto zauważyć, że w przypadku strumieni danych, które wymagają precyzyjnych obserwacji (np. identyfikacja taksonomiczna, precyzyjne definicje granic biologicznych), przepływy pracy LAI, które obejmują regularny i niezawodny dostęp do oryginalnych obrazów, zapewniają wyjątkową siłę równoległą do możliwości obserwacyjnych, które historycznie były ograniczone tylko do immersyjnego próbkowania in situ. Postępy w obsłudze i wizualizacji danych dostarczone przez Viscore i opisane w tym protokole oferują unikalną wartość w zapewnieniu porównywalności danych ekologicznych pochodzących z LAI i produktów do monitorowania in situ, umożliwiając bezstronne utrzymanie długoterminowych strumieni danych z włączeniem cyfrowo ulepszonych przepływów pracy LAI.

Dla naukowców zajmujących się badaniami podwodnymi LAI oferuje możliwość wykorzystania nowatorskich i przyspieszonych procesów pracy w zakresie pozyskiwania i eksploracji danych. LAI ma wyjątkowe atuty jako narzędzie do mapowania o wysokiej rozdzielczości, które zawiera informacje nie tylko opisujące względny skład środowiska bentosowego, ale także charakterystykę przestrzenną. Wyraźnie wskazując na tworzenie modelu 3D na podstawie przepływu pracy SfM, produkty LAI zawierają informacje o złożoności strukturalnej, które można badać w wielu skalach56. Jako narzędzia do rejestrowania krajobrazów morskich o większych obszarach, produkty LAI mogą stanowić okazję do rozważenia wzorców rozmieszczenia przestrzennego i cech sąsiedztwa organizmów bentosowych45,66. Co więcej, dzięki możliwości wizualizacji krajobrazów bentosowych w większych skalach, możliwe staje się wykrycie cech, które nie są łatwo widoczne w podwodnych siedliskach ze względu na ograniczenia widoczności pod wodą z dużej odległości, na przykład wielkoskalowy (3-4 m) wielokątny wzór pospolitej makroalgi na rafie koralowej Pacyfiku64.

Chociaż LAI stwarza możliwości analizy na dużą skalę, pojawiły się obawy dotyczące wyzwań związanych z wydajnym gromadzeniem w wodzie i przetwarzaniem obrazu. Rozszerzenie przestrzennego zasięgu akwizycji obrazów pod wodą będzie wymagało postępu technologicznego, który odejdzie od obrazowania wykorzystywanego przez nurków, do wykorzystania systemów mapowania wspomaganego88, a ostatecznie do wykorzystania ROV38 i AUV67,89. Solidne metodologie badań w odniesieniu do wzorca pozyskiwania i systemów kamer zapewnią płynne przejście i spójność danych generowanych na tych różnych platformach. Biorąc pod uwagę wymagania obliczeniowe, jak również duży format danych produktów LAI, niektórzy naukowcy zajmujący się morzem wyrazili obawy dotyczące dostępności technologicznej przepływu pracy90 oraz dużego zapotrzebowania czasowego związanego z ekstrakcją danych ekologicznych84,86. Pojawia się jednak coraz więcej narzędzi, które wykorzystują kreatywne rozwiązania do technicznych przeszkód związanych z ekstrakcją danych 80,91,92,93. Co ważne, wykorzystanie usprawnionych przez sztuczną inteligencję przepływów pracy w analizie LAI jest ograniczone jakością dostarczanego sygnału wejściowego. W związku z tym utrzymuje się stałe zapotrzebowanie na utrzymanie standardów i jakości pozyskiwania obrazów i zarządzania danymi w protokołach LAI, niezależnie od tego, czy ekstrakcja danych jest przeprowadzana przez ludzkiego obserwatora, przez wyszkolony algorytm sztucznej inteligencji, czy (idealnie) przez przyspieszony przez sztuczną inteligencję przepływ pracy typu human-in-the-loop. Poprzez konsekwentne skupianie się na podstawowym znaczeniu oryginalnych obrazów w protokołach LAI, jak opisano tutaj, pojawiają się unikalne możliwości solidnej, przejrzystej i konsekwentnej eksploracji podwodnych siedlisk.

Disclosures

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

Autorzy nie mają do ujawnienia żadnych konfliktów interesów.

Acknowledgements

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

Ta praca jest wspierana przez wysiłki 100 Island Challenge w Scripps Institution of Oceanography. Dziękujemy Schmidt Marine Technology Partners, Edowi i Christy Scripps oraz Fundacji Rodziny Moore za wsparcie finansowe związanych z badaniami i szkoleniami z zakresu obrazowania na dużych obszarach, które pomogły udoskonalić metodologię. Ponadto dziękujemy załodze statków badawczych Hi'ialiki, Hanse Explorer i Plan B, którzy udzielili wsparcia dla prac terenowych. Szczególne podziękowania kierujemy do zespołu z Wydziału Nauk o Ekosystemie Centrum Nauk o Rybołówstwie Wysp Pacyfiku w NOAA, który pomógł w zebraniu prezentowanych tu danych w terenie.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
1" x 4 1/4" x 3 1/4" niestandardowo obrabiany acetalN/AN/A1.1 Przygotowanie przekładni; Do budowy prowadnic i mocowań kamer
1/2" polietylen o wysokiej gęstości klasy morskiejKing StarboardN/A1.1 Przygotowanie przekładni; Do budowy zewnętrznej ramy kamery i paneli montażowych kamery
18-8 Phillips z płaskim ze stali nierdzewnej z płaskim, 3/8 "-16 Rozmiar gwintu, 1-1 / 2" LongMcMaster-Carr91771A6281.1 Przygotowanie biegu; Do montażu ramy kamery
18-8 Śruba z gniazdowym ze stali nierdzewnej, 10-24 Rozmiar gwintu, 1-1/8" LongMcMaster-Carr92196A2481.1 Przygotowanie biegu; Służy do mocowania płyty montażowej do obsługi ciężarków
nurkowych 1 lbHouse of ScubaWBELT24 1LB1.2 Plot Setup; Używany do pływaków referencyjnych
Obudowa podwodna 200DL do aparatu Nikon D780 DSLR Ikelite710191.1 Przygotowanie sprzętu; Obudowa podwodna do aparatu cyfrowego
Obiektyw stałoogniskowy 24mm (AF-S NIKKOR 24mm f/1.8G ED)Nikkor200571.1 Przygotowanie do biegu; Obiektyw szerokokątny zapewniający większe nakładanie się obrazu
250 # szary longline poly softContinental Western5030861.2 Konfiguracja działki; Do budowania podziałek liniowych. Znaczniki kontroli gruntu do wyznaczania skali modelu
3 lb młot wiertniczyEstwingB3-3LB1.2 Plot Setup; Służy do montażu kołków ze stali nierdzewnej w miejscu pomiarów
3/8-16 X 18 "THRD ROD W/60 DEGREE POINT 316 S / SAbaba Bolt37C1800ROD6/60DEG1.2 Konfiguracja działki; Do stałej instalacji w celu oznaczenia miejsca pomiarów
316 Nakrętka zabezpieczająca ze stali nierdzewnej z wkładką nylonową Super odporna na korozję, rozmiar gwintu 1/4 "-20McMaster-Carr90715a1251.2 Konfiguracja działki; Do montażu podziałek liniowych i ram.
316 Nakrętka zabezpieczająca ze stali nierdzewnej z nylonową wkładką super odporna na korozję, rozmiar gwintu 3/8"-16McMaster-Carr90715A1451.2 Konfiguracja działki; Przymocowany do lewego kołka ze stali nierdzewnej w celu orientacji działki
316 z płaskim Phillips ze stali nierdzewnej, rozmiar gwintu 10-32, 3/8 "DługośćMcMaster-Carr91500a8271.1 Przygotowanie przekładni; Do montażu ramy kamery
4"x4" marker Agisoft wydrukowany na wodoodpornym papierzeAgisoftN/A1.2 Plot Setup; Do budowy płytek narożnych. Znaczniki kontroli gruntu do określania orientacji modelu
4"x4"x1/4" Dachówka ze stali nierdzewnejN/AN/A1.2 Konfiguracja działki; Do budowy płytek narożnych. Znaczniki kontroli gruntu do określania orientacji modelu
4 "x4" x3/4 "niestandardowy drukowany plastikowy marker agisoft rdzeń z polietylenu o wysokiej gęstościnie1.2 Konfiguracja działki; Do budowania podziałek liniowych. Znaczniki kontroli naziemnej do wyznaczania skali modelu
512 GB Karta Extreme PRO SDXC UHS-I - C10, U3, V30, 4K UHD, Karta SDSanDiskSDSDXXY-512G-GN4IN1.1 Przygotowanie sprzętu; Szybka karta pamięci o dużej pojemności. Do 2 używanych na kamerę do przechowywania zdjęć
Przenośny zewnętrzny dysk twardy 5 TB Elements, dysk twardy, USB 3.0Western DigitalWDBU6Y0050BBK-WESN1.3 do przechwytywania obrazu; Zewnętrzny dysk twardy o dużej pojemności do przechowywania zdjęć i tworzenia kopii zapasowych zdjęć
Obiektyw stałoogniskowy 60 mm (AF-S Micro NIKKOR 60mm F2.8G ED)Nikkor21771.1 Przygotowanie do sprzętu; Obiektyw makro zmiennoogniskowy, opcjonalny do konfiguracji z dwoma aparatami
Acetal obrabiany i gwintowany do 1 "x12" 3/8 " 16 gwintów wspornikowychN/AN/A1.1 Przygotowanie biegu; Kolumny nośne ramy kamery:
AquaMend Epoxy Putty StickJD Industrial Supply4705501.2 Konfiguracja działki; Służy do montażu kołków ze stali nierdzewnej w miejscu pomiarów
Architectural 6063 Aluminiowy kanał w kształcie litery U, grubość ścianki 1/8 cala, wysokość 1/2 cala x szerokość 3/4 cala na zewnątrzMcMaster-Carr9001k461.2 Konfiguracja działki; Do budowania podziałek liniowych. Znaczniki kontroli gruntu do określania skali modelu
krzyżakowe z stożkowym ze stali nierdzewnej z czarnego tlenku 18-8, gwint 1/4"-20, 1/2" LongMcMaster-Carr91249a5371.1 Przygotowanie przekładni; Do mocowania uchwytu ikelite do obudowy
krzyżakowe z stożkowym stożkowym ze stali nierdzewnej oksydowane na czarno 18-8, gwint 1/4"-20, 5/8" długiMcMaster-Carr91249A5391.2 Konfiguracja działki; Do budowania podziałek liniowych. Znaczniki kontroli naziemnej do określania skali modelu
Blue Steel RopeContinental Western4020201.2 Plot Setup; Służy do zabezpieczania pływaka nurkowego do bentosu podczas przeglądów
Korpus aparatu D780Nikon16181.1 Przygotowanie sprzętu; Model korpusu kamery
: DGX Tech Compass z mocowaniem na bungee i przewodemDive Gear ExpressDX-9050x1.2 Konfiguracja działki; Do zbierania namiarów na działkę oraz jako dodatek do ramy kamery jako pomoc nawigacyjna
Komputer nurkowy - Suunto Zoop NovoSuunto Nie dotyczy1.2 Konfiguracja działki; Aby rejestrować głębokość na płytkach referencyjnych:
Dive slateTexWipeTX58351.2 Plot Setup; Służy do rejestrowania metadanych wykresu, takich jak głębokość kafelka i zakodowane numery docelowe
DL 8-calowy port kopułowyIkelite753401.1 Przygotowanie sprzętu; Port kopułkowy do obudowy podwodnej
FLOAT, GĄBKA PCV, 5-3/4" ŚR. NA 3/4", RUSTMemphis Net & SznurekSB11.2 Konfiguracja działki; Służy jako odniesienie wizualne do określania granic działki i wysokości pływania operatora kamery
Garmin 78s GPSGarmin010-00864-011.2 Konfiguracja działki; Służy do rejestrowania lokalizacji miejsca pomiarów Wysokowydajny
komputerN/AN/A2.0 Model Construction; Do przetwarzania gęstej chmury punktów 3D zalecane specyfikacje obejmują szybki 10+ rdzeniowy procesor, 128 GB pamięci RAM (minimum 64 GB), dysk SSD o pojemności 1 TB oraz dedykowany procesor graficzny NVIDIA lub AMD.
Nadmuchiwany pływak do nurkowania powierzchniowegoOmerAtol 62461.2 Konfiguracja działki; Dwufunkcyjna powierzchniowa boja znakowa i 
Poziom kontroli krzyżowej JOHNSON: Niemagnetyczny, 2 1/4 cala x 1 7/16 cala x 3/16 cala, plastikowy, otwór do zawieszania, 1mm/mGrainger6C2251.1 Przygotowanie przekładni; Opcjonalny dodatek do ramy kamery jako pomoc nawigacyjna
Długa taśma miernicza, 1/2 cala x 30 m, PumpkinGrainger3LJW91.2 Plot Setup; Służy do ustawiania obszaru działki
Kołowrotek Manta SR. KołowrotekManta IndustriesN/A1.2 Konfiguracja działki; Dołączany do pływaka nurkowego do użytku podczas przeglądów:
Licencja Profesjonalna MetashapeAgisoftN/A2.0 Model Construction; Oprogramowanie do przetwarzania gęstej chmury punktów
Nieoślepiający przezroczysty akrylN/AN/A1.2 Konfiguracja wykresu; Do budowy płytek narożnych. Znaczniki kontroli naziemnej do określania orientacji modelu
O-ring 0132.45 do systemu portów DL, obudowy ULTRAcompactIkelite132.451.1 Przygotowanie przekładni; O-ring do obudowy podwodnej
O-ring 0132.59 do lustrzanek cyfrowych i Obudowy bezlusterkowe (Typ 1)Ikelite132.591.1 Przygotowanie biegu; O-ring do obudowy podwodnej
Paracord lub Dacron LineN/AN/A1.2 Plot Setup; Służy do mocowania pływaków referencyjnych do odważników nurkowych
Pasywowana śruba Phillips z płaskim ze stali nierdzewnej 18-8, pogłębiacz stożkowy 82 stopnie, gwint 1/4"-20, 1" długiMcMaster-Carr91771a5421.1 Przygotowanie sprzętu; Panel suwaka ramy
Pasywowana śruba z płaskim Phillips ze stali nierdzewnej 18-8, pogłębiacz stożkowy 82 stopni, gwint 1/4 "-20, 1-3/4" długiMcMaster-Carr91771a5481.1 Przygotowanie biegu; Panel suwaka ramy
Pasywowana śruba z płaskim Phillips ze stali nierdzewnej 18-8, pogłębiacz stożkowy 82 stopni, gwint 10-32, 3/8" długaMcMaster-Carr91771A8271.2 Konfiguracja działki; Do budowy płytek narożnych. Znaczniki kontroli gruntu do określania orientacji modelu
Pelican 1060 micro casePelican1060-025-1001.2 Konfiguracja działki; Obudowa jednostki GPS, która jest przymocowana do nadmuchiwanego pływaka nurkowego
Śruba skrzydełkowa z plastikowym 1/4"-20 x 2"McMaster-Carr91185A8191.1 Przygotowanie sprzętu; Służy do mocowania obudowy kamery do ramy
Prawy uchwyt szybkiego zwalniania z przedłużeniemIkelite4077.021.1 Przygotowanie biegu; Uchwyt do obudowy podwodnej
RN/AN/A3.0 Analiza ekologiczna; Oprogramowanie do uruchamiania skryptów złożoności strukturalnej
Taglab N/AN/A3.0 Ecological Analysis; Oprogramowanie do analizy segmentacji
Trigger Extension v2 do ustawiania ostrości za pomocą migawki lub przycisku Back Ikelite4077.951.1 Przygotowanie biegu; Rozszerzenie spustu do obudowy podwodnej sterowanie przyciskiem migawki
Pompa próżniowa z manometremIkelite470111.1 Przygotowanie biegu; Do badania integralności uszczelek typu o-ring do obudów kamer podwodnych
ViscoreN/AN/A2.0 Model Construction; 3.0 Analiza ekologiczna; Oprogramowanie do analiz ekologicznych
dotyczy

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