编辑推荐：
在海洋生态研究中，冷水珊瑚礁（CWC）的健康评估至关重要。研究人员开展 ECO (VI)2SE 相关研究，结合专家知识、深度学习与可视化技术分析 ROV 视频。结果显示，该方法分割精度良好，且结果与专家评估相关。其意义在于推动珊瑚礁研究及相关规划发展。
在海洋的神秘深处，冷水珊瑚礁宛如一座 “海底城市”，孕育着丰富的生物多样性，对海洋生态系统的平衡起着举足轻重的作用。然而，随着人类活动的加剧，气候变化、海洋污染等问题接踵而至，冷水珊瑚礁正面临着前所未有的生存危机。就像《昆明 - 蒙特利尔全球生物多样性框架》中所强调的，保护生物多样性迫在眉睫，而准确评估冷水珊瑚礁的健康状况则是守护它们的关键一步。
以往，评估冷水珊瑚礁的方法存在诸多问题。传统的手动处理方式不仅耗时费力，而且容易受到人为因素的影响，导致结果缺乏一致性和可重复性。想象一下，研究人员需要花费大量时间观看冗长的 ROV（遥控潜水器）视频，在疲劳和注意力不集中的情况下，很容易遗漏重要信息。此外，现有的一些基于机器学习的工具，如用于浅水珊瑚研究的 CoralNet 和 ReefCloud 项目，并不适用于深水冷水珊瑚礁的视频分析，因为深水环境更为复杂，视频采集条件差异巨大。
为了解决这些难题，来自国外研究机构的研究人员开展了一项极具创新性的研究。他们提出了 ECO (VI)2SE（Expert - computer vision integration for visual coral status exploration）这一全新的计算方法，旨在实现对冷水珊瑚礁健康状况的高效评估。研究成果发表在《Ecological Informatics》上，为该领域带来了新的曙光。
在研究过程中，研究人员主要运用了以下关键技术方法：
- 图像采集与处理：收集 2018 - 2022 年挪威海域 Haltenbanken 地区的 ROV 视频数据，这些视频由配备三个摄像头的 ROV 采集，涵盖多个潜在的冷水珊瑚礁探索站点。
- 深度学习图像分割：利用 BIIGLE 2.0 在线图像注释软件，结合 “magic SAM” 工具（基于 Segment Anything Model）对少量图像进行手动注释，然后使用 SegFormer - B3 模型进行训练，实现对视频图像中Desmophyllum pertusum、Paragorgia arborea等生物类别的自动分割。
- 数据可视化与分析：开发了一个基于网络的可视化工具 ECO (VI)2SE，通过地理信息展示、数据驱动的图标以及交互式操作，方便用户探索和分析珊瑚礁相关数据。
下面来看看具体的研究结果：
- 分割精度评估：深度学习分割网络在测试集中对Desmophyllum pertusum、Paragorgia arborea、其他柳珊瑚（gorgonians）和海绵的分割，交并比（IoU）值分别达到 81.77%、85.64%、63.64%、40.5%，背景分割的 IoU 值为 96.13%。这表明该方法在识别主要目标生物方面具有较高的准确性。
- 结果一致性分析：通过与现场人员手动评估的 ROV 视频结果进行比较，发现计算方法得到的结果与专家评估具有相关性。研究人员利用 ECO (VI)2SE 工具对所有探索站点进行分析，发现大部分情况下（35/53），计算得到的空间覆盖数据的中位数与原始操作中评估的区间相符。在部分不一致的案例中，经过重新评估，发现部分原始报告存在问题，进一步证明了该计算方法的可靠性。
在研究结论和讨论部分，ECO (VI)2SE 展现出了显著的优势和潜力。与其他专注于机器学习分类和量化的海洋图像分析研究不同，它涵盖了图像分析、数据探索和质量评估的全过程，将其作为决策过程的一部分。该方法利用 BIIGLE 中的 “magic SAM” 工具提高了注释效率，并且手动准确性评估显示其分割精度足够。对于其他柳珊瑚和海绵 IoU 值较低的情况，研究人员也进行了合理的解释，这并不影响整体对珊瑚礁健康状况的评估。此外，SegFormer - B3 模型在与其他模型的比较中脱颖而出，更适合本研究的应用场景。
从更长远的角度来看，ECO (VI)2SE 为环境文档数字化、健康状况评估和报告的全面数字化发展提供了可能。通过将海洋图像和视频数据映射到与冷水珊瑚礁相关的环境变量，这些数据可以在配备可视化界面的数据库中进行探索，也可以以 JSON 格式导出，与其他数据源集成。未来，将该工具集成到 GIS 系统中，能够使其更好地服务于运营规划，遵循 FAIR 数据原则，为更广泛的用户群体提供有价值的信息，推动海洋生态保护和可持续发展的进程。这一研究成果无疑为冷水珊瑚礁的保护和管理提供了强有力的支持，让我们在守护这片神秘海底世界的道路上迈出了坚实的一步。
