Method Article

Geniş Alan Görüntüleme ile Sualtı Ortamlarının Yapısının, Bileşiminin ve Değişiminin Ölçülmesi

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

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

Bu protokol, mercan resifi toplulukları için yapısal karmaşıklık, topluluk bileşimi ve nüfus demografisi ölçümlerini çıkarmak için kullanılan dört aşamalı bir geniş alan görüntüleme anketi metodolojisini kapsar. Toplanan görüntülerin kalitesi ve kaynak görüntülere entegre erişim, protokolün her adımında önceliklendirilir.

Abstract

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

Dijital görüntüleme ve işleme teknolojisi, gelgit altı habitatlarda yaşayan organizmaların durumunu, eğilimlerini ve dinamiklerini inceleme kapasitemizi artıran geniş alanlı görüntüleme araştırmalarının genişletilmesini kolaylaştırmak için gelişmiştir. Bu yaklaşımlar, ex situ analizler için foto-gerçekçi dijital ikizler oluşturarak, küçük saha ekiplerinin daha önce mümkün olandan önemli ölçüde daha fazla veri toplamasına olanak tanır. Burada, son on yılda deneyler yoluyla geliştirilen ve rafine edilen görüntü toplama, model oluşturma, ekolojik analiz ve veri küratörlüğü dahil olmak üzere dört adımlı, geniş alanlı bir görüntüleme anket hattı ve analiz metodolojisi sunuyoruz. Açıklanan her adım, orijinal kaynak görüntünün benzersiz değerine tutarlı bir şekilde odaklanır. Geniş alanlı görüntü anketlerinden elde edilen veri türleri çok geniş olsa da, yapısal karmaşıklık, topluluk bileşimi ve izleme ve hipotez odaklı çabalar için değerli demografik analizler için ekolojik verileri çıkarmak için iş akışlarını buraya dahil ediyoruz. Ayrıca, geniş alanlı görüntüleme verilerinin toplanmasını tamamlayan ve araştırma grupları arasında şeffaflığı ve işbirliğini kolaylaştıran arşivleme çabalarını destekleyen meta veri standartları için öneriler de ekliyoruz.

Introduction

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

Karasal ortamlarda, araştırmacılar, özellikle Barro Colorado Adası1, Hubbard Brook deney ormanı2 ve diğerleri3 dahil olmak üzere uzun vadeli çalışma alanları bağlamında, ekolojik toplulukların standartlaştırılmış geniş alan örneklemesinden yararlandılar. Mekansal olarak açık ve taksonomik olarak çözülmüş dağılım verilerinin toplanması yoluyla, bu tür örnekleme, dağılım ve işe alım modelleri 3,4,5, habitat tercihi ve mevcudiyeti, dağılım çekirdekleri, kaynak sınırlaması 3,5,6,7,8 ve alan kullanımı 9,10 gibi temel ekolojik dinamikleri keşfetmek için kullanılmıştır. Bununla birlikte, bugüne kadar, deniz topluluklarının çoğu mekansal çalışması, takson veya grup 11,12,13,14,15 tarafından işgal edilen örtü yüzdesi olarak bildirilen göreceli örtü ölçümlerine dayanmıştır. Bununla birlikte, göreceli kapsamın toplu tahminleri, nüfus düzeyindeki demografinin yanı sıra topluluk düzeyindeki dinamiklerin ayrıntılarını çözmek için yetersizdir. Bentik toplulukların ayrıntılı analizlerini sağlayan çalışmalar, zahmetli su içi izleme protokollerinedayanmaktadır 16,17,18,19,20,21,22,23,24,25,26,27,28,29 ,30,31,32, ancak bu çalışmaların ölçeği (taksonomik, mekansal ve kronolojik ölçekler dahil), su içi metodolojinin operasyonel talepleri nedeniyle önemli ölçüde sınırlıdır.

Geniş alan görüntüleme (LAI), bileşen görüntülerden çok daha büyük ölçeklerde ortamların foto-gerçekçi temsillerini oluşturmak için çok sayıda görüntüden elde edilen bilgileri hesaplama açısından yoğun iş akışları aracılığıyla birleştiren bir yaklaşımdır33. LAI iş akışı, sudaki ışık emilimi ve saçılma nedeniyle sınırlı görünürlük göz önüne alındığında, su altı habitatlarındaki uygulamalar için özellikle uygundur. Sınırlı görünürlük nedeniyle, bentosların ince ayrıntılarını yakalayan görüntülerin nesneye yakın bir yerde elde edilmesi gerekir; Bu nedenle, tek tek bentik konuların ince ayrıntılarını korurken geniş bir bentik habitat alanının manzara (veya deniz manzarası) görüntüsünü yakalamak için kompozit görüntüleme gerekir. Ayrıca, yapısal olarak karmaşık ortamlarda, bentik organizmaların konumunun ve göreceli yakınlığının sadık temsillerini üretmek için kompozit görüntülemenin yeniden yapılandırılmasında üç boyutlu (3D) yapıyı hesaba katmak önemlidir. Hareketten Yapı (SfM) fotogrametrik yöntemi, mercan resifleri 34,35,36, Antarktika bentik ekosistemleri37, soğuk su mercan resifleri38, soğuk sızıntılar39 ve deniz çayırı habitatı40 dahil olmak üzere nispeten hareketsiz bentik organizmaların bulunduğu ortamlara uygulanmıştır ve takip eden orto-harita oluşturma ve nokta bulutu tahmini ile bir manzara sahnesini yeniden oluşturmak için kullanılan stereoskopi olmadan kompozit görüntüleme üretmiştir.

Mercan resifi biliminde LAI, resif manzaralarını giderek daha büyük mekansal ölçeklerde görselleştirme ve bu görselleştirmeleri dijital medyada paylaşma potansiyeli sunmuştur. LAI, resif organizmalarının kapsamını, mercan kolonilerinin yoğunluğunu ve dağılımını ve ayrıca bireysel organizmaların şeklini ve durumunu tahmin etmek için kullanılabilir 41,42,43,44,45,46,47. Ayrıca, LAI ürünleri aynı yerden zaman içinde farklı noktalarda toplandığında, bireysel organizmaların boyut ve durumundaki değişiklikleri kaydetmek mümkündür 48,49,50,51. Çoğu skleraktin mercan kolonisinin yılda radyal olarak milimetre ila santimetre mertebesinde büyüdüğü göz önüne alındığında, yıllar boyunca toplanan zaman serisi LAI, bu türlerin biyolojisi ve ekolojisi hakkında raporlama yapmak için paha biçilmez bir veri akışı sağlayabilir52. Tekrarlanan ve birlikte kaydedilen LAI verileri, mercan resiflerini paylaşılabilecek, arşivlenebilecek ve dünya çapında işbirliği için bir temel olarak kullanılabilecek bir formatta incelemek için benzersiz bilgiler sunar.

LAI'nin kullanımı mercan kayalığı ekolojistleriarasında genişledikçe 53, kamera sistemlerinin ve anket metodolojilerinin çeşitliliğide artmıştır 52. Seçilen bir LAI protokolü, mevcut kaynaklarla sınırlı kalırken istenen ekolojik ölçütlerin çözünürlüğünü ve kapsamını hedeflemelidir. Herhangi bir fotogrametrik rekonstrüksiyonun kalitesi, nihai olarak kaynak görüntünün çözünürlüğüne ve araştırma alanının uzamsal kapsamına bağlı olacaktır. Görüntü kalitesi, sensör çözünürlüğü ve odak uzaklığı dahil olmak üzere kamera parametrelerinin yanı sıra toplama prosedürünün, özellikle de benthos54'e olan mesafenin etkisiyle belirlenir ve bunların tümü belirli bir görüntü kümesinin etkili Zemin Örnekleme Mesafesine (GSD) katkıda bulunur. Ek olarak, yüksek enstantane hızları, küçük diyafram açıklıkları ve düşük ISO değerleri, sırasıyla keskin, odaklanmış ve düşük elektronik parazite sahip görüntüler üretecektir. Bu ayarların her birini yeterli kalitede görüntü üreten eşiklerde tutmak, ışık seviyelerinin düşük olduğu su altı ortamlarında zor olabilir. Dijital tek lensli refleks (DSLR) tarzı ve aynasız fotoğraf makinelerinde bulunanlar gibi daha büyük sensörler, aksiyon kameraları gibi daha küçük, daha mobil çözümlere kıyasla daha iyi görüntü kalitesi ve dolayısıyla daha doğru rekonstrüksiyonlar üretir55. Uygun bir kamera modeli düşünüldüğünde göz ardı edilmemesi gereken ek özellikler arasında yerleşik bir aralık ölçer ve sahada uzun süreli görüntü toplama çabalarını desteklemek için yeterli depolama ve pil kapasitesi yer alır.

Anket tasarımı, gerekli çözünürlüğü ve mekansal kapsamı belirleyen aday metrikleri ile ekolojik hipotez tarafından yönlendirilmelidir. Mercan kayalığı ekolojisi içinde LAI, yapısal karmaşıklığı 35,36,56,57,58,59, topluluk bileşimi ve topluluğu 60,61,62, mekansal dağılım 45,63,64,65,66 ve topluluk yörüngelerini karakterize etmek için kullanılmıştır 48,49,50,67,68,69. Görüntü kalitesinin çözünürlüğü, koloni sınırları boyunca rekabetin polip ölçeği gözlemlerini70 veya küçük genç mercanlarınaraştırmalarını 66,71 desteklemek için gerekli olan mm altı ayrıntıda daha ince ölçekli çözünürlük ile ekolojik veri gereksinimlerine uygun olmalıdır. Buna karşılık, kıyı haritalaması 72,73,74 için geniş ölçekli habitat ve yapısal metriklerin çıkarılması, cm-m ölçeğinde daha az çözünürlük ihtiyacı ile daha büyük bir mekansal kapsam gerektirir. Çözümleme talebi, yeterli örnekleme elde etmek için gereken mekansal kapsam ve bir LAI anketini tamamlamak için gereken sürenin operasyonel sınırları ile dengelenmelidir33.

Burada, kaynak görüntülerin kalitesini, faydasını ve değerini en üst düzeye çıkarmaya odaklanan ve protokolü dört ana adıma ayıran bir LAI anketi yürütmek için uçtan uca bir protokol açıklanmaktadır: görüntü toplama, model oluşturma, ekolojik analizler ve veri iyileştirme33. Son on yılda 2.000'den fazla benzersiz resif alanından oluşan yaklaşık 3.500 LAI görüntü araştırmasının toplanması, burada sunulan her adım için metodolojinin iyileştirilmesine katkıda bulunmuştur (https://doi.org/10.6075/J0T43RN1). Ortaya çıkan protokol, yapısal karmaşıklık, topluluk bileşimi ve nüfus demografisi (örneğin, yoğunluk ve boyut yapısı) dahil olmak üzere geniş bir uygulama yelpazesinde ayrıntılı ekolojik verilerin toplanmasını sağlayan sağlam veri toplama ve doğru ve kesin model yeniden yapılandırmaları için bir yöntemdir. Ayrıca, bu dijital ikizlerin korunmasını, şeffaflığını ve işbirliği potansiyelini sağlamak için kurulması gerekli olan LAI verilerinin arşivlenmesi için meta veri standartlarını da dahil ediyoruz.

Protocol

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

1. Görüntü koleksiyonu

NOT: Aşağıdaki geniş alanlı görüntü toplama prosedürü, yaklaşık 100 m2'lik bir alanı araştırmak için bir yöntemi ana hatlarıyla belirtir, ancak 10 m2 ile 2.500 m2 arasında değişen alanlar için kolayca uyarlanabilir. Aşağıda açıklanan araştırma yöntemi, çeşitli çalışma koşullarında konuşlandırılabilir, yüksek kaliteli görüntüler üretecek ve iki kişilik bir arkadaş ekibi tarafından tek bir saatlik bir dalış çabasından birçok ekolojik uygulama için kullanılabilecek sağlam veriler sağlayacak şekilde tasarlanmıştır.

  1. Dişli hazırlama
    1. Dış çerçeve panellerini 1 1/2" uzunluğunda Philips düz başlı vidalar kullanarak kamera montaj panellerine ve sütunlarına takarak kamera çerçevesini birleştirin (Şekil 1).
    2. Biri sabit geniş açılı lensli ve diğeri yakınlaştırma lensli ikinci bir kamera olmak üzere iki DSLR fotoğraf makinesi hazırlayın. Ayrıntılı kamera ayarları için Tablo 1'e bakın.
      NOT: İkinci zoom lensli fotoğraf makinesi isteğe bağlı olmakla birlikte, taksonomi75,76'nın ayrıntılarını belirlemek, küçük yavru mercanları 66,71 (1-5 cm çapında) bulmak ve tanımlamak ve mercan kolonisi sınırlarınıayırt etmek için daha yüksek görüntü çözünürlüğü yakalamanız şiddetle tavsiye edilir 45,48,50 gelecekteki ekolojik analizler sırasında.
    3. Dome bağlantı noktasını takarak su altı kamera muhafazalarını monte edin ve birlikte verilen dome kelebek vidalarla sabitleyin. 1/2" uzunluğunda yıldız başlı vidaları kullanarak kolları ve 1 1/8" uzunluğunda soket başlı vida kullanarak kamera montaj plakasını takın. Kameraları muhafazaya yerleştirin ve muhafaza basıncını 5 inç'e ayarlamak için vakum pompasını kullanın. Hg, o-ring contasının bütünlüğünü kontrol eder.
    4. Kamera montaj plakasını montaj çerçevesi panellerine kaydırarak muhafazaları kamera çerçevesine takın ve kelebek vidalarla yerine sabitleyin.
  2. Arsa kurulumu
    1. Basılı kodlu işaretleyicilerle altı kare paslanmaz çelik karo (10 cm kenar uzunluğu) kullanarak arsanın sınırlarını belirleyin. Hedef izobat boyunca 10 m aralıklarla iki merkezi karo yerleştirin, 10 m'ye 10 m'lik kare bir arsa alanı oluşturmak için merkez karoların 5 m içine ve açıklarına dört köşe karosu ekleyin (Şekil 2). Yerel dikey yönlendirme sağlamak ve sonraki model yapım adımlarını kolaylaştırmak için altı döşemenin her birinin derinliğini kaydedin.
    2. Dört köşe döşemenin her birinin yaklaşık 1 m dışında 0,45 kg (1 lb) ağırlığa bağlı ~1,5 m çizgili referans şamandıraları ekleyin.
      NOT: Bu referans şamandıraları, kamera operatörünün arsanın sınırlarını ve kamerayı yüzmesi gereken bentlerin üzerindeki yüksekliği belirtmesi için bir kılavuz görevi görür. Bunları 10 m x 10 m'lik çizim sınırlarının dışına yerleştirmek, görüntüde bir tampon bölge oluşturarak görüntülenen çekirdek alanın tamamen yeniden oluşturulmasını sağlamaya yardımcı olur.
    3. Yerleştirilmiş toplam dört ölçek çubuğu için grafiğin her çeyreğine polivinil klorür (PVC) veya alüminyum çubuğa yapıştırılmış iki kodlu hedef karodan oluşan 0,5 m uzunluğunda bir ölçek çubuğu yerleştirin.
      NOT: Ölçek çubuklarının ve derinlik döşemelerinin görüntü toplama işlemi boyunca sabit kalması önemlidir. Ölçek çubukları ve derinlik döşemeleri, kamera operatörünün yüzme düzeni ilerlemesini takip etmesi için görsel yer işaretleri olarak da kullanılabilir.
    4. Kalıcı arsalar oluşturmak için, arsanın merkez çizgisini işaretlemek için her bir merkez karoya bitişik bir tokmak kullanarak iki parçalı deniz epoksisi ile sabitlenmiş 0,46 m (18 inç) paslanmaz çelik kazıklar (0,95 cm veya 3/8 dişli çubuk) takın. Karaya bakarken, sol kazık, gelecekteki araştırma çalışmaları sırasında oryantasyona yardımcı olmak için bir kilit somunu içerir. Anketin sonunda, bir dalış şamandırasına yapıştırılmış su geçirmez bir kılıf içinde saklanan bir GPS ünitesini kullanarak Küresel Konumlandırma Sistemi (GPS) koordinatını doğrudan sol merkez kazık konumunun üzerine kaydedin.
      NOT: Sonraki araştırmalarda arama süresini azaltmak ve aynı resif alanının yeniden araştırılmasını onaylamak için izin verildiğinde kalıcı kazıkların kurulması önerilir. Değişmez özellikleri bulmak ve görüntüleme için aynı arsa alanının konumunu belirlemeye yardımcı olmak için araştırma sahasının basılı 2 Boyutlu (2D) orto-görüntüsünü veya "yol haritasını" (Ek Dosya 1) kullanın. Bu yol haritaları, iznin kalıcı kazıkların kurulmasına izin vermediği veya kazıkların yerinden çıkarıldığı veya kaldırıldığı durumlarda, kesin araştırma arazilerinin yerini değiştirmek için de kullanılabilir.
  3. Görüntü yakalama
    1. Grafiğin hedeflenen derinliğinde gri bir kart kullanarak her kameranın özel beyaz dengesini ayarlayın.
    2. Her kamerayı 1 s-1 aralığında çekim yapacak şekilde ayarlanmış bir aralık ölçerde başlatın.
    3. Kamera sistemini ızgaralı bir düzende bentosun yaklaşık 1,5 m üzerinde yüzün, ardından her geçiş arasında yaklaşık 1 m olacak şekilde ikinci bir dikey ızgaralı geçiş yapın ve yaklaşık 0,25 m s-1'lik yavaş bir hızda yüzün (Şekil 3). Hedef çizim alanı içinde yeterli örtüşmeyi sağlamak için geçişlerin çizim sınırlarının kenarlarının en az 2 m ötesine uzandığından emin olun.
      NOT: Bu yüzme düzenini ve hızını takip etmek, 28 dakikalık görüntüleme sırasında her kameradan minimum yaklaşık 1.700 görüntü toplanmasına neden olur. Bununla birlikte, geçişler arasındaki geri dönüş süresini ve yetersiz verilerle sonuçlanan yetersiz örtüşmeye karşı tampon oluşturmak için aşırı örnekleme tarafındaki hatayı hesaba katmak için, dalgıçların yaklaşık 40 dakikalık görüntüleme sırasında her kameradan 2.500 görüntü toplamayı hedeflemesini öneririz.
    4. Yukarıdan aşağıya yeterli kapsama alanı sağlamak için kamera sistemini okyanus yüzeyine yaklaşık olarak dik tutun; bununla birlikte, karmaşık topografyaya sahip araştırma alanları için, ikinci geçişteki kamera yönünü, bentoslara dik olarak takip edecek ve 3D rekonstrüksiyondaki tıkanıklıkları azaltacak şekilde ayarlayın. Görüntüde yakalanan mavi suyu en aza indirmek için kamerayı açılandırırken dikkatli olun.
      NOT: Güçlü akıntılar veya dik eğimler gibi optimal olmayan okyanus koşulları durumlarında, her iki geçiş de aynı kıyı yönünde yapılabilir. Güçlü akımda yalnızca tek bir geniş açılı lensli kameranın kullanılması, dalgıcın ilerlemeyi sürdürmek için gereken sürtünme profilini ve çabasını azaltmak için gerekli olabilir. İkinci geçiş seti ideal olarak birinciye göre biraz döndürülmelidir. Aynı kıyı yönünde iki geçiş yapılırsa, yeniden yapılandırma kalitesini artırmak için ilk geçiş setini kesen en az bir veya iki dikey veya çapraz "bağlantı çizgisi" eklenmelidir.

2. Model yapımı

NOT: Model oluşturma adımı, yüksek çözünürlüklü kaynak görüntülere erişimin sürdürülmesine ve türetilmiş yoğun nokta bulutunun oluşturulmasına odaklanır. Yoğun nokta bulutunun referanslanması, merkezi görselleştirme ve analitik yazılım içinde gerçekleşir (bkz. Malzeme Tablosu)77, kullanıcının anında giriş yapmasına ve değiştirmesine olanak tanır. Bu, yeni bilgiler ortaya çıktığında, özellikle zaman içinde ek anketlerle, bir veri kümesi için veri ürünlerini yeniden işleme ve yeniden dışa aktarma ihtiyacını ortadan kaldırır. Burada ortoprojeksiyonlar olarak adlandırılan 2B ortoharitalar, projeksiyon açısı yerçekimi yönüne ortogonal olacak şekilde, yoğun nokta bulutunun ortorektifiye edilmiş bir projeksiyon görünümü kullanılarak oluşturulur.

  1. Kamera hizalama ve 3D yoğun nokta bulutu yapısı
    1. Yüksek performanslı bir bilgisayar kullanarak, geniş açılı ve makro lensli kameralardan gelenler de dahil olmak üzere tüm görüntüleri İş Akışı | Klasör Ekle'yi tıklayın. Dosyalar yüklendikten sonra, veri düzenini şu şekilde seçin: Tek kameralar, Tüm görüntüleri tek bir parçaya ekle. Sahnede aşırı mavi su bulunan görüntüleri projeden kaldırın.
      NOT: Projeye eklemeden önce, her kameradan gelen görüntüler, yığın içindeki görüntü dosyalarını ayrı kamera grupları olarak ayıracak ayrı klasörler halinde düzenlenmelidir.
    2. İş Akışı | öğesini seçerek tüm görüntüleri hizalayın Fotoğrafları hizalayın. Hizalama ayarlarını işlemek için Tablo 2'ye bakın.
    3. Hizalama tamamlandıktan sonra, hizalanan kameraların yüzdesine ve oluşturulan seyrek nokta bulutunun kapsama alanındaki boşluklar veya yanlış hizalamalar için incelenmesine bağlı olarak görüntü setinin başarıyla hizalandığını doğrulayın. Devam etmeden önce sınırlayıcı kutunun tüm seyrek nokta bulutunu kapsadığından emin olun. Gerekirse, Bölgeyi Yeniden Boyutlandır veya Döndür seçeneklerini kullanarak değiştirin.
      NOT: Görüntülerin %100'ünün hizalanması ve modelin bazı bölümlerinde hala boşluklar olması ve bunun tersine görüntülerin %80-90'ının hizalanması, ancak hedef anket alanının tam bir modeline sahip olması mümkündür. Bu nedenle, oluşturulan veri setinin kısmen veya tamamen kullanılabilirliği veya görüntü yakalama kalitesini artırmak için ek çabaların mı yoksa hizalama işleme ayarlarının ayarlanması gerekip gerekmediği konusunda bilinçli bir karar vermek için hem hizalama yüzdesi hem de alan kapsamı kullanılmalıdır.
    4. Yakınlaştırma lensi görüntülerini içeren kamera grubunu devre dışı bırakın. İş Akışı | Yoğun bulut oluşturun. Yoğun Bulut Oluştur için işleme ayarları için Tablo 2'ye bakın.
      NOT: Ekolojik analizler sırasında tüm yüksek çözünürlüklü görüntülerin sorgulanmasını kolaylaştırmak için hizalama için her iki kameradan alınan görüntülerin kullanılması gerekirken, iki kamera arasındaki beyaz dengesi ve pozlamadaki ince farklılıklar yoğun nokta bulutuna görsel gürültü ekleyeceğinden, yoğun nokta bulutunun oluşturulması sırasında yakınlaştırma lensi görüntüleri kullanılmamalıdır.
    5. Araçlar | öğesini seçerek kamera pozu tahminlerini dışa aktarın Komut Dosyasını Çalıştır | Extract_meta.py komut dosyası (Ek Dosya 2). Dosya | İhracat | İhracat noktaları. Dışa aktarma ayarları için Tablo 2'ye bakın.
    6. Dışa aktarılan yoğun nokta bulutu dosyasını, görselleştirme yazılımının program dosyalarında bulunan vc5prep-confidence.bat dosyasına sürükleyip bırakın.
    7. Kamera poz dosyaları (*.cams.xml ve *.meta.json) dahil olmak üzere dışa aktarılan veri dosyalarını, oluşturulan program dosyalarıyla (*.vml ve *ptdata, *.xml, *.kdm dosyalarını içeren klasör) görselleştirme yazılımında kullanmak üzere tek bir dizinde derleyin.
  2. Ölçek ve oryantasyon
    1. Görselleştirme yazılımında, işaretçi çiftlerini ölçek çubuğu hedeflerine yerleştirmek ve bilinen mesafeyi girmek için ölçekleyici aracını kullanın.
      NOT: Ölçekleyici aracıyla ilgili daha fazla ayrıntı, Ek Dosya 3'ün 4.2 bölümünde bulunabilir.
    2. Her derinlik döşemesine işaretçiler yerleştirin ve yerel dikeye en uygun düzlemi tanımlamak üzere her döşemenin derinlik değerlerini ayarlamak için yönlendirme aracını kullanın.
      NOT: Orient aracıyla ilgili daha fazla ayrıntı, Ek Dosya 3'ün 4.4 bölümünde bulunabilir.
      NOT: Derinlik ışınlarının yukarı doğru baktığını ve tahmini su yüzeyinde sona erdiğini doğrulayın. Aşağı bakan ışınlar olması durumunda, yeniden oluşturulan son konumuna göre derinlik değerinde hatalara veya derinlik meta verilerinde hatalara yol açacak derinlik döşemelerinde hareket kanıtı olup olmadığını kontrol edin.
  3. Zamansal eş kayıt
    1. Ek Dosya 3'ün 10.0 bölümünü izleyen bir veri koleksiyonu için yazılımda bir kuruluş proje dosyası oluşturun. Tek bir kuruluş projesinde zaman içinde anketler içeren birden çok siteyi dahil edin.
    2. Kuruluş projesine yoğun nokta bulutu dosyalarını katmanlar halinde ekleyin ve belirli bir sitenin yoğun nokta bulutlarını zaman içinde bağlamak için site düzeyinde organizasyon yapısını gerektiği gibi değiştirin.
      NOT: Katman organizasyonunu otomatikleştirmek için [Bölge]_[Tarih]_[Site] şeklinde tutarlı bir dosya adlandırma şeması kullanın.
    3. Bir sitenin, zaman serisinin ölçeği ve yönlendirmesi için referans katmanı görevi görmesi için bir zaman noktası seçin.
      NOT: Ölçeği ayarlamak için birden fazla katman kullanılabilir; Bununla birlikte, gelgit kaymaları ve büyük kabarma yüksekliği, zaman boyunca derinlik ölçümlerinin hassasiyetinde ve tutarlılığında hataya yol açtığından, yönlendirme için referans olarak bir zaman noktası katmanı seçilmelidir.
    4. Katmanları zaman içinde hizalamak için yardımlı ortak kayıt aracını kullanın.
      NOT: Daha fazla ayrıntı, Ek Dosya 3'ün 11.0 bölümünde bulunabilir. Yüksek büyüme veya büyük kabarma olaylarından kaynaklanan büyük yapısal değişiklik durumlarında, aday değişmez özelliklerini kullanarak manuel ortak kayıt iş akışının kullanılması tercih edilebilir. Daha uzun zaman serileri için veya zaman içinde önemli bir değişiklik olduğunda, genellikle belirli bir modelin bir sonraki önceki zaman noktasına birlikte kaydedilmesi önerilir.
  4. 2D Ortorektifikasyon
    1. Yazılımdaki kutular aracını kullanarak, odak analiz alanını (10 m x 10 m) kapsayan sınırlara ve her kenardan uzanan minimum 2 m'lik bir tampona (minimum g: 14 m: 14 m) sahip bir yüzey açısından (g: 0°) bir görünüm ayarlayın.
      NOT: Kutular aracının kullanımıyla ilgili ayrıntılar, Ek Dosya 3'ün 6.0 bölümünde bulunabilir.
    2. Kutular aracında, bir ortoprojeksiyon görüntü dosyası oluşturmak için harita dışa aktarmayı açın. Dışa aktarma çözünürlüğünü 1 mm px-1 olarak ayarlayın ve bir önizleme oluşturmak için yakalamayı seçin. Yoğun nokta bulutunun tam bir bölümünü içeren bir önizleme kutucuğuna kaydırın ve noktalar arasındaki boşlukları doldurmak için pt boyutu değerini artırın.
    3. Ortoprojeksiyonu ppm dosyası olarak dışa aktarmak için yakalamayı seçin. Yakalama tamamlandıktan sonra, oluşturulan .ppm dosyasını program dosyalarında bulunan convert-to-tif-flip.cmd dosyasına sürükleyip bırakarak dışa aktarılan dosyayı bir tif'e dönüştürün.
    4. Bir zaman serisinin birlikte kaydedilmiş yoğun nokta bulutları için, site için 2.4.2 ile 2.4.3 arasındaki adımları yineleyin ve aynı kutuyu kullanırken zaman katmanını değiştirin.

3. Ekolojik analiz

NOT: Ekolojik veri çıkarma için sayısız seçenek vardır ve bunlardan bir seçimini burada sunuyoruz. Bu temel iş akışları, uzun vadeli izleme için yerleşik metriklereodaklanır 78,79, ancak gözleme dayalı bilimsel araştırma için yeterli veri üretmek için kullanılabilir ve uyarlanabilir. Kullanıcılar, iş akışlarını bireysel veri ihtiyaçlarına ve analitik hedeflerine göre seçmeli ve uyarlamalıdır. Aşağıda açıklanan iş akışları, organizasyonel bir çerçeve olarak 3B yoğun nokta bulutu veya 2B ortoprojeksiyon gibi türetilmiş ürünleri kullanarak biyolojik verilerin açıklamasına yardımcı olmak için kaynak görüntülere doğrudan erişimi entegre etmek üzere tasarlanmıştır.

  1. Yapısal karmaşıklık
    1. Rugo aracını kullanarak, yoğun nokta bulutu üzerinde 10 m x 10 m'lik bir kutu yapın, maksimum boyutu 10 m (rugo-dim: 10,0 m) ve en boy oranını 1,0 (dörtlü en-en-en: 1.000) ayarlayarak veri çıkarma için 100m2 hedef alanı belirleyin.
      NOT: rugo aracının kullanımıyla ilgili daha fazla ayrıntı, Ek Dosya 3'ün 7.0 bölümünde bulunabilir.
    2. İstenen numune aralığına bağlı olarak örneklenecek kesit çizgilerinin sayısını (çizgiler) ve her bir kesit (numuneler) boyunca nokta sayısını ayarlayın. Çeşitli yapısal karmaşıklık analizleri için kullanılabilen, örneklenen her noktanın x, y ve z koordinatlarını içeren bir csv dosyasını dışa aktarmak için hazırla'yı seçin.
    3. Yapısal karmaşıklık analizleri için kullanılan işlevleri oluşturmak için Ek Dosya 4'te bulunan komut dosyasını çalıştırın. Ardından, yapısal karmaşıklığı ölçmek için istenen metriklere dayalı olarak Ek Dosya 5'te bulunan komut dosyalarını izleyin.
      NOT: Kullanıcıların, burada sunulanlar (0,5 m satır aralığı ve 10 cm punto aralığı) gibi çeşitli ölçeklerin benzer şekilde altörnekleme56 yoluyla değerlendirilebileceği, ilgilendikleri ölçeği ele almak için hedefleyebilecekleri en yüksek çözünürlükte (1 cm aralık önerilir) bir aralık ölçeği seçmeleri önerilir.
  2. Topluluk bileşimi
    1. Sanal Nokta Kesişim Noktası (VPI) aracını kullanarak, yoğun nokta bulutu üzerinde 10 m x 10 m'lik bir kutu yapın, maksimum boyutu 10 m (dörtlü karartma: 10,0 m) ve en boy oranı 1 (dörtlü en-en-boy oranı: 1.000) ayarlayarak veri çıkarma için hedef 100m2 alanını belirleyin.
      NOT: Virtual Point Intercept aracının kullanımıyla ilgili ayrıntılar, Ek Dosya 3'ün 5.0 bölümünde bulunabilir.
    2. Yoğun nokta bulutundan örneklenecek noktaları, seçilen bir yoğunluğu hedefleyen nokta sayısı ile tabakalı bir rastgele dağılımda ayarlayın. Örnekleme noktalarını başlatmak için hazırla'yı seçin.
      NOT: Taksonomik düzeydeki analizler için 25 m-2 (2.500 puan) örnekleme yoğunluğu önerilir. Burada sunulan sonuçlar, işlevsel bir düzeye odaklanan daha geniş bir topluluk kompozisyonu karşılaştırma anketi için daha düşük bir örnekleme yoğunluğu (10 m-2) kullanmıştır.
    3. Kaynak görüntüleri yoğun nokta bulutuna bağlamak ve model üzerindeki noktaların uzamsal olarak sorgulanan çoklu görüntü görünümlerine izin vermek için kamera aracını kullanın.
      NOT: Kameralar aracıyla ilgili daha fazla ayrıntı, Ek Dosya 3'ün 4.5 bölümünde bulunabilir.
    4. Kaynak görüntünün birden çok görünümünü kullanarak her noktayı öncelikli olarak en yüksek çözünürlüklü taksonomik tanımıyla etiketlemek için VPI tarayıcı web uygulamasını kullanın. Ağartma gerilimi75 ve morfoloji dahil olmak üzere mercan etiketleri için örneklerle birlikte, her nokta için isteğe bağlı iki ikincil etiket seti ekleyin.
      NOT: Birincil ve ikincil etiket setleri, *.pq klasöründe bulunan qclasses.json dosyası düzenlenerek değiştirilebilir.
    5. Web uygulamasını kullanarak her etiket için yüzde kapağının bir özetini .csv dosyası olarak dışa aktarın.
  3. Yoğunluk araştırması
    1. Adım 3.2.3'ü izleyerek görüntülerin yazılımda zaten bağlantılı olduğundan emin olun. Perspektif görünümünün odak uzaklığını 100 mm olarak değiştirerek ve modelin yukarıdan aşağıya, tam görünümüne uzaklaştırarak yoğun nokta bulutunun sahte harita görünümünü ayarlayın. c1 hücresi için değerlendirme'ye tıklayarak web uygulamasını kullanarak görünümü yakalamak için Ek Dosya 6'daki dörtlü örnekleme dosyasını kullanın, ardından yakala düğmesini seçin.
      NOT: Daha fazla ayrıntı, Ek Dosya 3'ün 8.0 bölümünde bulunabilir.
    2. Kameraları açın, ardından kuadrat örnekleme komut dosyasında c2 ve c3 hücreleri için değerlendirme'yi tıklayarak kuadrat örnekleme iş akışındaki görüntüleri bağlayın.
    3. Hedef 100m2 veri çıkarma alanını belirlemek için adım 3.1.1'i izleyerek bir rugo kutusunun zaten yapıldığından emin olun. Web uygulamasında, 100 1 m2 kuadratı örneklemek için c4 hazırlık hücreleri bölümünü değerlendirin.
    4. Quadrat Sampling web adresinde, bir kuadratta arama yapmak ve hedef organizmaları etiketlemek için kaynak görüntüleri kullanın. Örnekleme konumunu yeniden hedeflemek için bir konuma çift sol tıklayın. Hedeflenen noktayı örnek olarak belirlemek için bir taksonomik düğmeyi tıklayın. İşaretli bir noktayı kaldırmak için, o noktayı çift sol tıklayın ve HİÇBİR'i seçin.
      NOT: Kuadratlar önceden belirlenmiş rastgele bir sırayla sunulur ve bir kuadrat alt kümesinin yoğunluk araştırmaları için rastgele örneklenmesine izin verir.
    5. *aux/recruits/test1 altında bulunan tüm örnekleme dosyalarını tek bir dizinde derleyin ve her dosyayı site adını içerecek şekilde yeniden adlandırın. Düğme arama dosyasını (Ek Dosya 7) örnekleme dosyalarıyla aynı dizine ekleyin. Örnek verileri siteye ve taksonomik gruba göre yoğunlukta toplamak için satır içi yönergeleri izleyerek komut dosyasını Ek Dosya 8'de çalıştırın.
      NOT: Burada, sapsız omurgasızları örnekliyoruz, ancak aynı araç, genç ve yetişkin mercan yoğunlukları da dahil olmak üzere çeşitli organizmaları araştırmak için kullanılabilir.
  4. Demografi
    1. Segmentasyon analiz yazılımında koloni segmentasyonu için ortoprojeksiyon dosyasını yükleyin (bkz. Malzeme Tablosu)80. Kolonilerin zaman içindeki boyutunu segmentlere ayırmak ve izlemek için birden çok zaman noktası için ortak kayıtlı ortoprojeksiyon dosyalarını aynı proje dosyası içinde yeni haritalar olarak yükleyin.
    2. Ek Dosya 3'ün 17.1 bölümünde bulunan iView için web uygulaması aracılığıyla kaynak görüntüleri kullanırken, kolonileri taksonomik ve sınır tanımlama için bir referans olarak kullanın. Adım 3.2.3'ü izleyerek görüntülerin görselleştirme yazılımına zaten bağlandığından emin olun. Odak kolonisi için yoğun nokta bulutu üzerine bir işaretleyici yerleştirin ve farklı perspektif görünümleri için işaretleyici konumu için kaynak görüntüler arasında kaydırın.
    3. Tek tek mercan kolonilerini segmentlere ayırmak için pozitif/negatif tıklama açıklama aracını kullanın. Tıklama tabanlı veya manuel sınır ayarlaması kullanarak sınırları değiştirin.

4. Veri iyileştirme

NOT: Arşivleme çabaları, sonraki tüm türetilmiş ürünler yeniden üretilebilir olduğundan, kaynak görüntülerin korunmasına öncelik vermelidir. Belirli bir kullanıcının kullanabileceği depolar değişiklik gösterse de, daha geniş bir topluluğa sunulduğunda faydalarını en üst düzeye çıkarmak için kaynak görüntü veri kümesine dahil edilen ilişkili anket meta verilerini standartlaştırmak için çaba gösterilmelidir.

  1. Veri deposu
    1. Kapsanan alan, kamera sistemi, yer kontrol işaretçileri ve toplama modeli gibi anket ayrıntılarını içeren bir yöntem açıklama dosyası oluşturun. Bu protokol için örnek bir açıklama için Ek Dosya 9'a bakın.
    2. Saha adı, toplama tarihi, GPS koordinatları, çizim yönleri, yer kontrol derinliği ve ölçek verileri ve verilen anket için kullanılan toplama modeli ve kamera sistemi gibi alanlar dahil olmak üzere görüntü veri kümesine özel bir anket meta veri dosyası oluşturun.
      NOT: Anket sırasında daha geniş coğrafi bağlam ve koşulları içeren ek alanlar önemle tavsiye edilir. Önerilen alanlara sahip örnek bir meta veri dosyası Ek Dosya 10'da bulunabilir.
    3. Açıklama dosyasını, meta veri dosyasını ve görüntü dosyalarını, seçilen veri deposuna alınmak üzere tek bir zip arşivinde birleştirin.
      NOT: Görüntü verisi koleksiyonları https://doi.org/10.6075/J0DV1HDR adresinde kullanıma sunulmuştur.

Results

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

Sahada başarılı bir geniş alan görüntüsü toplama, araştırma alanının yukarıdan aşağıya tam kapsama alanına sahip yoğun bir nokta bulutu rekonstrüksiyonunun oluşturulmasıyla sonuçlanmalıdır, kapsama alanındaki yetersiz yedeklilik ise nokta bulutunun boşluklara veya tam olarak bozulmasına neden olabilir (Şekil 4

figure-results-1

figure-results-2

figure-results-3

figure-results-4

figure-results-5

figure-results-6

Discussion

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

Geniş alan görüntüleme, alan bilimcilerinin çevrenin özelliklerini toplanan tek tek görüntülerden daha büyük ölçeklerde dijital olarak görselleştirmelerini ve analiz etmelerini sağlayan bir araçtır. LAI protokolleri, ortamın birden çok görüntüsünü birden çok perspektiften yakalayarak, orijinal görüntülerden toplanan ayrıntıları korurken nispeten geniş manzaraların (tek tek görüntülerin uzamsal kapsamına göre) temsillerini oluşturmaya yardımcı olur. LAI'nin benzersiz değeri, en büyük ölçekten (anketin alansal kapsamı ile tanımlanır) en ince ölçeğe (orijinal görüntünün gerçekleşen çözünürlüğü ile tanımlanır) kadar ölçekler arasında çevresel verileri keşfetme yeteneğinde yatmaktadır. Bununla birlikte, bu ölçekler arası güçten yararlanmak için, özellikle hem orijinal görüntülere hem de türetilmiş 3B modele kolay erişim sağlamak için, yakalanan verilerin tüm düzeylerine düzenli ve akıcı erişim sağlamak çok önemlidir. Burada sunulan protokolün her adımında, orijinal görüntülerin erişilebilir, kullanılabilir ve türetilmiş LAI modelleriyle birlikte güvenli bir şekilde arşivlenmesini tutarlı bir şekilde sağlayarak LAI'nin bu benzersiz gücünü vurguluyoruz.

LAI yöntemi, toplanan orijinal görüntülerle doğrudan bağlantılı ürünler sunar. Kullanıcılar, görüntü elde etmenin ayrıntılarını değiştirerek, farklı kalite ve kapsama sahip veri ürünleri üretebilir. Yapısal olarak karmaşık mercan kayalığı ortamlarını incelerken, su altında sınırlı araştırma süresine (veya yakalanabilecek sabit sayıda görüntüye) sahip bir kullanıcı, araştırma alanının alansal kapsamını artırmaya veya örneklenen alanın her bir bölümünün ayrıntı düzeyini artırmaya öncelik verebilir. Büyük alansal modelin birim alan başına daha az ayrıntıya (ve belki de daha fazla oklüzyona) sahip olması ve ayrıntılı modelin daha az toplam alanı kapsaması (muhtemelen daha az oklüzyon ile) ile mutlaka bir değiş tokuş olacaktır. Bu protokolde, her biri farklı lenslere sahip iki kameranın kullanımını dahil ediyoruz, bu da kullanıcının daha geniş bir alanı örneklemesine (SfM gereksinimlerini karşılamak için geniş açılı lensle yeterli örtüşme) sağlarken aynı anda daha ayrıntılı orijinal görüntüler toplamasına olanak tanır (fotoğraftan fotoğrafa daha az örtüşen yakınlaştırma lensinden daha yüksek ayrıntı). Her iki kameradan alınan görüntülerin poz tahminini dahil ederek, aşağı akış görselleştirme ve analiz protokolleri, örneklenen alanın çoğundan daha yüksek çözünürlüklü görünümler içerir. Protokol, anket uygulanabilirliği aralığını genişletmeyi amaçlasa da, kullanıcılar, türetilmiş ürünlerin tercih edilen analitik rutinleri tamamlamak için yeterli alan kapsamına veya orijinal görüntülerin yeterli ayrıntısına sahip olmadığını görebilir. Kullanıcıların, çevresel araştırma protokolünün program ihtiyaçlarını karşıladığından emin olmak için orijinal görüntüleri ve türetilmiş modelleri gözden geçirmeleri ve birim alan başına tercih edilen alan kapsamı ve çözünürlük dengesine ulaşmak için su içi araştırma yaklaşımını değiştirmeleri (örneğin, zemin örnekleme mesafesini değiştirme, anket süresini veya toplanan görüntü sayısını değiştirme) teşvik edilir.

LAI yöntemleri, zaman açısından verimli olabilen ve toplama için alana özgü sınırlı uzmanlık gerektiren bentik ortamların bilgi açısından zengin, geniş kapsamlı 'anlık görüntülerini' yakalayarak su altı bilimine değer sağlar. Bu veri ürünlerinin değeri, mevcut veri akışlarının yanı sıra yeni ve hızlandırılmış etki alanına özgü uygulamalar için de dikkate alınabilir. Mevcut veri akışlarıyla karşılaştırma göz önüne alındığında, LAI'nin analiz ürünleri, su altı gözlemcileri tarafından yerinde toplanan verilerle doğrudan karşılaştırılabilir ekolojik veriler sağlayabilir 84,85,86,87. Burada, bu protokolü takiben, klasik yerinde izleme faaliyetlerinin her birinden ve LAI ürünlerinin standartlaştırılmış analizinden elde edilen ekolojik veri çıktılarının nicel bir analizini sunuyoruz. Mercan resifi izleme çabalarında dört ortak ölçüte odaklanarak (yapısal karmaşıklık, bentik topluluk bileşimi, mobil omurgasızların yoğunluğu ve mercan boyutu yapısı; Şekil 5), veri çıktılarında güçlü nicel uyum gösteriyoruz. Özellikle, ince ölçekli gözlemler gerektiren veri akışları için (örneğin, taksonomik tanımlamalar, biyolojik sınırların kesin tanımları), orijinal görüntülere düzenli ve güvenilir erişim içeren LAI iş akışları, tarihsel olarak yalnızca sürükleyici, yerinde örnekleme ile sınırlı olan gözlem fırsatlarına paralel olarak benzersiz bir güç sağlar. Viscore tarafından sağlanan ve bu protokolde açıklanan veri işleme ve görselleştirmedeki ilerlemeler, LAI'den türetilen ekolojik verilerin ve yerinde izleme ürünlerinin karşılaştırılabilirliğini sağlamada benzersiz bir değer sunarak, LAI'nin dijital olarak geliştirilmiş iş akışlarının dahil edilmesiyle uzun vadeli veri akışlarının tarafsız bir şekilde sürdürülmesine olanak tanır.

Sualtı bilimcileri için LAI, veri toplama ve araştırmada yeni ve hızlandırılmış iş akışlarından yararlanma fırsatı sunar. LAI, yalnızca bentik ortamın göreceli bileşimini değil, aynı zamanda mekansal özellikleri de tanımlayan bilgileri içeren yüksek çözünürlüklü bir haritalama aracı olarak benzersiz güçlü yönlere sahiptir. SfM iş akışından bir 3D model oluşturulmasına açık olan LAI ürünleri, birden fazla ölçekte keşfedilebilecek yapısal karmaşıklık hakkında bilgiler içerir56. Daha geniş alanlı deniz manzaralarını yakalayan araçlar olarak LAI ürünleri, bentik organizmalar için mekansal dağılım modellerini ve komşuluk özelliklerini dikkate alma fırsatı sağlayabilir45,66. Ayrıca, bentik manzaraları daha büyük ölçeklerde görselleştirebilerek, su altında uzun mesafeli görünürlüğün sınırlamaları nedeniyle su altı habitatlarında kolayca görülemeyen özellikleri tespit etmek mümkün hale gelir, örneğin Pasifik mercan resifi64 üzerindeki ortak bir makroalgin büyük ölçekli (3-4 m) poligonal modellemesi.

LAI, büyük ölçekli analizler için fırsatlar sunarken, verimli su içi toplama ve görüntü işleme sonrası ile bağlantılı zorluklarla ilgili endişeler dile getirilmiştir. Su altında görüntü elde etmenin mekansal kapsamının genişletilmesi, dalgıç tarafından konuşlandırılan görüntülemeden uzaklaştırılarak, destekli haritalama sistemlerinin88 kullanımına ve nihayetinde ROV'ların38 ve AUV'lerin67,89 kullanımına kadar teknolojik ilerlemeler gerektirecektir. Edinme modeli ve kamera sistemleriyle ilgili sağlam anket metodolojileri, bu farklı platformlarda oluşturulan verilerde sorunsuz bir geçiş ve tutarlılık sağlayacaktır. LAI ürünlerinin geniş veri formatının yanı sıra hesaplama talepleri de göz önüne alındığında, bazı deniz bilimcileri, iş akışının teknolojik erişilebilirliği90 ve ekolojik veri çıkarma ile bağlantılı büyük zaman talepleri84,86 ile ilgili endişelerini dile getirdiler. Bununla birlikte, veri çıkarmanın teknik engellerine yaratıcı çözümlerden yararlanan giderek artan sayıda araç sunulmaktadır80,91,92,93. Daha da önemlisi, LAI analizinin yapay zeka ile geliştirilmiş iş akışlarının kullanımı, sağlanan giriş sinyalinin kalitesi ile sınırlıdır. Bu nedenle, veri çıkarma işleminin bir insan gözlemci tarafından mı, eğitimli bir yapay zeka algoritması tarafından mı yoksa (ideal olarak) yapay zeka ile hızlandırılmış, döngüde insan iş akışı tarafından mı gerçekleştirildiğine bakılmaksızın, LAI protokollerinde görüntü elde etme ve veri yönetimi standartlarının ve kalitesinin korunmasında tutarlı bir talep devam etmektedir. Burada açıklandığı gibi, LAI protokollerindeki orijinal görüntülerin birincil önemine tutarlı bir şekilde odaklanmayı sürdürerek, su altı habitatlarını sağlam, şeffaf ve tutarlı bir şekilde keşfetmek için benzersiz fırsatlar ortaya çıkar.

Disclosures

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

Yazarların açıklanacak herhangi bir çıkar çatışması yoktur.

Acknowledgements

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

Bu çalışma, Scripps Oşinografi Enstitüsü'ndeki 100 Ada Yarışması'nın çabalarıyla desteklenmektedir. Schmidt Marine Technology Partners'a, Ed ve Christy Scripps'e ve Moore Family Foundation'a, metodolojinin iyileştirilmesine yardımcı olan ilgili araştırma ve geniş alan görüntüleme eğitimi çabalarına verdikleri finansal destek için teşekkür ederiz. Ayrıca, saha çalışmalarına destek sağlayan Hi'ialiki, Hanse Explorer ve Plan B araştırma gemilerinin mürettebatına da teşekkür ederiz. NOAA'daki Pasifik Adaları Balıkçılık Bilimleri Merkezi'nin Ekosistem Bilimleri Bölümü'ndeki ekibe, burada sunulan verilerin sahada toplanmasına yardımcı olan ekibe özellikle teşekkür ederiz.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
1 "x 4 1/4" x 3 1/4 "özel işlenmiş asetalN/AN/A1.1 Dişli Hazırlama; Kamera kızaklarının ve montajlarının inşası için
1/2" deniz sınıfı yüksek yoğunluklu polietilenKing SancakN/A1.1 Dişli Hazırlama; Kamera dış çerçevesi ve kamera montaj panellerinin yapımı için
18-8 Düz Başlı Paslanmaz Çelik Phillips Düz Başlı Vidalar, 3/8 "-16 Diş Boyutu, 1-1 / 2" UzunMcMaster-Carr91771A6281.1 Dişli Hazırlığı; Kamera çerçevesi montajı için
18-8 Paslanmaz Çelik Soket Başlı Vida, 10-24 Diş Boyutu, 1-1 / 8 "UzunMcMaster-Carr92196A2481.1 Dişli Hazırlığı;
1 lb dalış ağırlıklarıHouse of ScubaWBELT24 1LB1.2 Arsa Kurulumu'nu tutamaklara montaj plakasını sabitlemek için kullanılır; Referans şamandıralar için kullanılır
Nikon D780 DSLR Fotoğraf Makinesi için 200DL Sualtı MuhafazasıIkelite710191.1 Dişli Hazırlama; Dijital fotoğraf makinesi için su altı muhafazası
24 mm sabit objektif (AF-S NIKKOR 24mm f/1.8G ED)Nikkor200571.1 Vites Hazırlama; Daha fazla görüntü örtüşmesi için geniş açılı lens
250 # gri parakete poli yumuşakContinental Western5030861.2 Arsa Kurulumu; Ölçek çubukları oluşturmak için. Model ölçeğini belirlemek için zemin kontrol işaretleri
3 lb delme çekiciEstwingB3-3LB1.2 Arsa Kurulumu; Araştırma sahasına paslanmaz çelik kazıklar monte etmek için kullanılır
3/8-16 X 18" THRD ÇUBUK W/60 DERECE NOKTA 316 S/SAbaba Cıvata37C1800ROD6/60DEG1.2 Arsa Kurulumu; Araştırma sahasını işaretlemek için kalıcı kurulum için
, 316 Paslanmaz Çelik Naylon Geçmeli Kilit Somunu, Süper Korozyona Dayanıklı, 1/4"-20 Diş BoyutuMcMaster-Carr90715a1251.2 Arsa Kurulumu; Ölçek çubukları ve çerçeve montajı için.
316 Paslanmaz Çelik Naylon Uçlu Kilit Somunu Süper Korozyona Dayanıklı, 3/8"-16 Diş BoyutuMcMaster-Carr90715A1451.2 Arsa Kurulumu; Arsanın yönlendirilmesi için sol paslanmaz çelik kazığa yapıştırılmış
316 Paslanmaz Çelik Phillips Düz Başlı Vidalar, 10-32 Diş Boyutu, 3/8 "UzunMcMaster-Carr91500a8271.1 Dişli Hazırlama; Kamera çerçevesi montajı için
Su geçirmez kağıda basılmış 4"x4" Agisoft işaretleyiciAgisoftN/A1.2 Arsa Kurulumu; Köşe fayansları oluşturmak için. Model yönünü belirlemek için zemin kontrol işaretleri
4 "x4" x1 / 4 " Paslanmaz çelik karoN/AN/A1.2 Arsa Kurulumu; Köşe fayansları oluşturmak için. Model yönünü belirlemek için yer kontrol işaretleri
4 "x4" x3 / 4 "özel baskılı plastik agisoft işaretleyici yüksek yoğunluklu polietilen renkli çekirdekN/AN/A1.2 Arsa Kurulumu; Ölçek çubukları oluşturmak için. Model ölçeğini belirlemek için yer kontrol işaretleri
512 GB Extreme PRO SDXC UHS-I Kartı - C10, U3, V30, 4K UHD, SD KartıSanDiskSDSDXXY-512G-GN4IN1.1 Dişli Hazırlama; Yüksek hızlı, büyük kapasiteli depolama kartı. Görüntü depolama için kamera başına en fazla 2 adet kullanılır
: 5 TB Elements Taşınabilir Harici Sabit Sürücü, HDD, USB 3.0Western DigitalWDBU6Y0050BBK-WESN1.3 Görüntü Yakalama; Görüntü depolama ve görüntü yedekleme için büyük hacimli harici sabit sürücü
60 mm sabit objektif (AF-S Micro NIKKOR 60mm F2.8G ED)Nikkor21771.1 Vites Hazırlama; Makro yakınlaştırma lensi, çift kamera kurulumu için isteğe bağlı
1 "x12" 3/8 "16 diş destek destekleri için işlenmiş ve diş açılmış ASETALN/AN/A1.1 Dişli Hazırlığı; Kamera çerçevesi destek sütunları
AquaMend Epoksi Macun ÇubuğuJD Endüstriyel Tedarik4705501.2 Arsa Kurulumu; Araştırma sahasında paslanmaz çelik kazıklar kurmak için kullanılır
Mimari 6063 Alüminyum U-Kanal, 1/8" Duvar Kalınlığı, 1/2" Yüksek x 3/4" Geniş DışMcMaster-Carr9001k461.2 Arsa Kurulumu; Ölçek çubukları oluşturmak için. Model ölçeğini belirlemek için zemin kontrol işaretleri
Siyah Oksit 18-8 Paslanmaz Çelik Tava Başı Yıldız Vidalar, 1/4"-20 Dişli, 1/2" UzunMcMaster-Carr91249a5371.1 Dişli Hazırlama; İkelit sapı muhafazaya takmak için
Siyah Oksit 18-8 Paslanmaz Çelik Tava Başlı Yıldız Vidalar, 1/4"-20 Dişli, 5/8" UzunMcMaster-Carr91249A5391.2 Arsa Kurulumu; Ölçek çubukları oluşturmak için. Model ölçeğini belirlemek için yer kontrol işaretleri
Blue Steel RopeContinental Western4020201.2 Arsa Kurulumu; Araştırmalar sırasında dalış şamandırasını benthoslara sabitlemek için kullanılır
D780 kamera gövdesiNikon16181.1 Dişli Hazırlama; Kamera gövdesi modeli:
DGX Tech Compass, Bungee Montajlı ve Kordonlu DalışDişlisi ExpressDX-9050x1.2 Arsa Kurulumu; Arsa yataklarının toplanması ve seyir yardımcısı olarak kamera çerçevesine ek olarak
Dalış bilgisayarı - Suunto Zoop NovoSuunto Yok1.2 Arsa Kurulumu; Referans karolarında derinlik kaydetmek için
Dalış tahtasıTexWipeTX58351.2 Arsa Kurulumu; Döşeme derinliği ve kodlanmış hedef numaraları gibi çizim meta verilerini kaydetmek için kullanılır
DL 8 inç Dome PortIkelite753401.1 Dişli Hazırlama; Sualtı muhafazası için kubbe portu
FLOAT, PVC SÜNGER, 5-3 / 4 "ÇAP 3/4", RUSTMemphis Net & SicimSB11.2 Arsa Kurulumu; Kamera operatörü Garmin 78s GPS'in çizim sınırlarını ve yüzme yüksekliğini belirlemek için görsel bir referans olarak kullanılır
Garmin010-00864-011.2 Arsa Kurulumu; Araştırma sahasının konumunu kaydetmek için kullanılır
Yüksek performanslı bilgisayarN/AN/A2.0 Model Yapımı; 3D yoğun nokta bulutu işleme için, yüksek hızlı 10+ çekirdekli CPU, 128 GB RAM (minimum 64 GB), 1 TB katı hal sürücüsü ve özel bir NVIDIA veya AMD GPU içermesi önerilen özelliklerdir.
Şişirilebilir yüzey dalış şamandırasıÖmerAtol 62461.2 Arsa Kurulumu; Çift amaçlı yüzey işaretleyici şamandıra ve 
JOHNSON Çapraz Kontrol Seviyesi: Manyetik olmayan, 2 1/4 inç x 1 7/16 inç x 3/16 inç, Plastik, Asma Deliği, 1 mm/mGrainger6C2251.1 Dişli Hazırlama; Seyir yardımcısı olarak kamera çerçevesine isteğe bağlı ekleme
Uzun Şerit Metre, 1/2 In x 30m, PumpkinGrainger3LJW91.2 Arsa Kurulumu; Arsa alanı Manta reel SR'yi kurmak için kullanılır
. ReelManta IndustriesN/A1.2 Arsa Kurulumu; Anketler sırasında kullanılmak üzere dalış şamandırasına bağlı
Metashape ProfessionalLicense AgisoftN/A2.0 Model Yapısı; Yoğun nokta bulutu işleme yazılımı
Parlamayan şeffaf akrilikN/AN/A1.2 Arsa Kurulumu; Köşe fayansları oluşturmak için. Model yönünü belirlemek için yer kontrol işaretleri
DL Bağlantı Noktası Sistemi için O-Ring 0132.45, ULTRAcompact MuhafazalarIkelite132.451.1 Dişli Hazırlama; Sualtı muhafazası için O-ring
DSLR ve DSLR için O-Ring 0132.59 aynasız muhafazalar (tip 1)Ikelite132.591.1 Dişli Hazırlama; Su altı muhafazası için O-ring
Paracord veya Dacron HattıN/AN/A1.2 Arsa Kurulumu; Dalış ağırlıklarına referans şamandıraları takmak için kullanılır
Pasifleştirilmiş 18-8 Paslanmaz Çelik Phillips Düz Başlı Vida, 82 Derece Havşa, 1/4 "-20 Dişli, 1" UzunMcMaster-Carr91771a5421.1 Dişli Hazırlama; Çerçeve kaydırma paneli
Pasifleştirilmiş 18-8 Paslanmaz Çelik Phillips Düz Başlı Vida, 82 Derece Havşa, 1/4 "-20 Dişli, 1-3 / 4" UzunMcMaster-Carr91771A5481.1 Dişli Hazırlama; Çerçeve kaydırma paneli
Pasifleştirilmiş 18-8 Paslanmaz Çelik Phillips Düz Başlı Vida, 82 Derece Havşa, 10-32 Dişli, 3/8" UzunMcMaster-Carr91771A8271.2 Arsa Kurulumu; Köşe fayansları oluşturmak için. Model oryantasyonunu belirlemek için yer kontrol işaretleri
Pelican 1060 mikro kasaPelican1060-025-1001.2 Arsa Kurulumu; Şişirilebilir dalış şamandırasına takılan GPS ünitesi için muhafaza
Plastik Başlı Kelebek vida 1/4 "-20 x 2"McMaster-Carr91185A8191.1 Dişli Hazırlama; Kamera muhafazasını çerçeveye sabitlemek için kullanın
Uzatmalı Sağ El Hızlı Serbest Bırakma KoluIkelite4077.021.1 Dişli Hazırlama; Su altı muhafazası için tutamak
RN / AN / A3.0 Ekolojik Analiz; Yapısal karmaşıklık komut dosyalarını çalıştırmak için yazılım
TaglabN/AN/A3.0 Ekolojik Analiz; Segmentasyon analizi için yazılım
Deklanşör veya Geri Düğmesi Odağı için Tetik Uzantısı v2Ikelite4077.951.1 Vites Hazırlama; Su altı muhafazası için tetik uzatma deklanşör düğmesi kontrolü
Göstergeli vakum pompasıIkelite470111.1 Dişli Hazırlama; Sualtı kamera muhafazaları için o-ring contaların bütünlüğünü test etmek için
ViscoreN/AN/A2.0 Model Yapısı; 3.0 Ekolojik Analiz; Ekolojik analiz için yazılım
, , : , , , ,

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