编辑推荐：
海草在海洋生态系统意义重大，传统监测方式存在弊端，且监督式机器学习受限于标注数据。研究人员提出两种算法估算海草覆盖度并分析深度极限。结果显示算法有效，能节省资源，为海洋生态监测助力。
在广袤的海洋世界里，海草如同神秘的水下森林，不仅是众多海洋生物的栖息地，还在全球碳储存方面发挥着重要作用。然而，对这片 “水下森林” 的监测却困难重重。以往，科研人员常用的监测手段，如借助潜水员和水下视频样带等，都需要专家手动调查评估海草状况，这一过程既繁琐又主观，不同专家的判断还可能存在偏差。而依赖卫星图像等遥感方法时，又会因水体光穿透限制、云层遮挡或水体浑浊等问题产生误差。同时，监督式机器学习在海草检测自动化进程中，也因缺乏大量标注图像而难以施展拳脚。在此背景下，为实现海草覆盖度的自动化、精准估算，丹麦技术大学的研究人员开展了深入研究，相关成果发表在《Environmental Modelling 》。
研究人员提出了两种创新算法，用于从潜水员获取的无标注水下视频中估算海草覆盖度，并探讨其不同潜力。这两种算法均基于边缘检测方法，提取海草特有的两种特征进行建模，进而实现覆盖度（0% - 100%）的估算，且能检测并纠正专家标注中可能出现的罕见错误。此外，研究人员还利用其中一种算法的估算结果，对海草生长的深度极限及其不确定性进行了分析。这一研究成果意义非凡，它不仅提高了海草监测的效率和准确性，还为海洋生态系统的有效管理提供了关键数据支持。
在研究方法上，主要涉及以下关键技术：
- 数据预处理：针对丹麦沿海生态系统中海草的尖锐边缘特征，运用线检测算法（LSD）从视频帧中提取边缘。计算每个视频帧的 “线数量”（Feature 1）和 “线总长度”（Feature 2）这两个特征，并对视频进行采样、去噪和特征平均处理。
- 方法 1：通过寻找合适的归一化因子，将特征值转化为 0 - 1 之间的数值作为覆盖度的代理值。考虑两个特征的不同特性，采用线性组合构建覆盖度指数，经网格搜索确定最佳权重，最终得到海草覆盖度的百分比估算值。
- 方法 2：运用高斯混合模型（GMM）对数据进行聚类分析。利用 Akaike 信息准则（AIC）和贝叶斯信息准则（BIC）确定最优聚类数，将视频帧分配到不同聚类，以聚类概率作为海草覆盖度的代理值。
- 深度极限估算：基于丹麦水力学研究所提供的深度数据和方法 1 的海草覆盖度估算结果，以 10% 覆盖度为阈值定义深度极限。通过添加白噪声和红噪声进行敏感性分析，评估深度极限估算的稳健性。
研究结果如下：
- 检测与量化方法对比：检测式方法（如基于 GMM 的存在 / 不存在判断和基于线数量阈值的判断）和量化方法（方法 1 和方法 2）在估算海草覆盖度时各有优劣。检测式方法在某些情况下会高估或低估海草覆盖度，而量化方法能更细致地反映覆盖度情况。例如，在不同覆盖度特征的区域对比中，存在 / 不存在法会出现误判，而量化方法能避免此类问题。
- 方法 1 与方法 2 对比：方法 1 能直接将线数量和线总长度转化为定量指数，可实现 0% - 100% 间任意值的覆盖度估算，在高覆盖区域表现良好；方法 2 基于概率映射，更适合预测覆盖度范围或离散区间，但在处理极高或极低覆盖值时存在局限。
- 深度极限分析：经筛选，14 个视频样带中有 4 个符合深度极限分析标准。通过平滑覆盖度指数与深度的关系曲线，确定深度极限。敏感性分析表明，红噪声对深度极限估算影响较小，不同覆盖度阈值下的深度极限估算结果均在合理范围内。
在结论与讨论部分，研究人员指出，海草覆盖度估算存在一定主观性，而本研究提出的两种方法具有较高的稳健性，能有效检测专家预测中的罕见错误。方法 1 适用于点估计，在高覆盖区域效果良好；方法 2 则更适合区间覆盖度估算。此外，利用方法 1 估算的覆盖度可进一步估计深度极限，其结果对噪声具有稳健性，且与独立评估的深度极限相符。该研究实现了海草覆盖度估算的自动化，节省了时间和资源，其方法还可拓展应用于其他具有尖锐边缘特征的植被检测。同时，研究结果有望为基于哨兵 - 2 卫星图像的植被测绘提供地面真值，也为训练半监督机器学习模型获取其他区域的覆盖度估计提供支持。然而，由于数据保护法规限制，难以获取全球通用模型，未来可考虑采用联邦学习等技术解决这一问题。
