结构运动恢复（Structure-from-Motion）平台在海洋监测中的可互换性

《Ecological Indicators》：Interchangeability of structure-from-motion platforms in marine monitoring

　　

摘要：运动恢复结构（Structure-from-Motion, SfM）摄影测量已彻底改变了海洋监测，但软件的快速演进对长期数据连续性构成挑战。在纵向数据集中，更换重建软件可能会在生态相关指标中引入人为变异性。建立三维（3D）结构复杂性指标的一致性对于检测生态系统崩溃前的细微变化至关重要，尤其是在全球罕见的北海（英国）白垩礁中，那里的栖息地丧失是不可逆的。本研究评估了两种主流SfM平台——Agisoft Metashape和3DF Zephyr——的方法学可互换性、指标重现性和计算效率，使用了来自Cromer Shoal白垩层的遥控潜水器（Remotely Operated Vehicle, ROV）影像。研究人员比较了五种软件配置（代表计算工作量的梯度）下的三个复杂性指标（粗糙度、起伏度和向量分散度）。宏观地形指标（如粗糙度）在各平台间保持统计一致性（广义线性混合模型（Generalised Linear Mixed Model, GLMM），p > 0.05），而微观纹理输出（如向量分散度）对软件特定算法显著更敏感。高分辨率配置在截然不同的计算成本下收敛于统计相似的生态值。3DF Zephyr的网格生成效率高于Agisoft Metashape（F_4,50 = 4.83，p = 0.002），而Agisoft Metashape在高设置下生成的密集点云显著多于Zephyr Advanced（F_4,50 = 31.27，p < 0.001），平均多出3.8 × 10⁷个点（Tukey Honest Significant Difference（HSD）检验：p < 0.001）。这些发现表明，大尺度结构指标对软件和流程变化保持稳健，确保了长期数据连续性。尽管如此，观察到的微观纹理指标变化可能反映的是软件伪影而非真实生态衰退，这凸显了在多年监测目标中实施严格参数标准化的必要性。对于保护项目，这种方法学一致性使得在不同软件平台间进行实际转换成为可能，从而优化现场时间和处理预算。

**论文解读：SfM平台在海洋监测中的可互换性——以白垩礁为例**

**研究背景与问题**

海洋底栖生态系统的地形复杂性是驱动生物多样性和生态系统功能的关键结构特征。准确量化诸如粗糙度、起伏度等指标，对于理解从微观到生态系统的过程至关重要，特别是在珊瑚礁等高复杂度环境中。运动恢复结构（Structure-from-Motion, SfM）摄影测量技术已彻底改变了海洋监测，使研究人员能够以前所未有的分辨率和空间尺度可视化水下栖息地。然而，随着海洋监测项目进入十年期时间序列，SfM软件的快速演进对长期数据连续性构成重大挑战。更换重建软件或版本可能在生态指标中引入人为变异性，从而掩盖真实的生态退化或错误地指示恢复。因此，建立SfM平台间的可互换性，对于确保全球礁监测的完整性至关重要。本研究聚焦于北海（英国）的Cromer Shoal白垩层（CSCB），这是一类罕见的浅海环境，其地形主要由侵蚀形成，结构损失不可逆。传统指标（如粗糙度）可能无法准确捕捉温带岩石海底的宏观地形变化，因此需要验证SfM平台在该类栖息地中的一致性。

**研究内容与结论**

研究人员评估了两种主流SfM平台——Agisoft Metashape和3DF Zephyr——的方法学可互换性、指标重现性和计算效率，使用了来自Cromer Shoal白垩床的遥控潜水器（ROV）影像。研究设置了五种软件配置（代表计算工作量梯度），并比较了三个地形复杂性指标：粗糙度、起伏度和向量分散度。结果表明，宏观地形指标（如粗糙度）在各平台间保持统计一致性，而微观纹理指标（如向量分散度）对软件算法显著更敏感，但高分辨率配置下两者收敛。此外，3DF Zephyr在网格生成效率上显著优于Agisoft Metashape，而Agisoft Metashape在密集点云生成上密度更高。这些发现为保护项目在软件选择和工作流程优化上提供了定量基准，确保数字重建能够可靠地监测生态变化。该论文发表在《Ecological Indicators》。

**主要关键技术方法**

本研究使用来自Cromer Shoal白垩礁（英国诺福克北部）的ROV（BlueROV2）视频影像，采集于2023年9月15日。五摄像头阵列以1米高度、约0.5节速度拍摄约250米测线，视频以10帧/秒提取为图像。11个重复样本（每个约10×4米）分别通过Agisoft Metashape（v1.7.5.13）和3DF Zephyr（v7.51）的五个配置（Metashape低/中/高，Zephyr默认/高级）进行SfM重建。然后从3D模型中提取粗糙度、起伏度和向量分散度这三个指标，并使用广义线性混合模型（GLMM）和方差分析（ANOVA）进行统计比较。

**研究结果**

**3.1 生态指标一致性与软件可互换性**
通过比较不同软件配置下的地形复杂性指标，发现粗糙度是最稳健的指标，所有软件和设置间均无显著差异（GLMM Tukey校正后检验，p > 0.05）。起伏度在Metashape High和Zephyr Advanced之间保持一致，均显著优于低设置（p < 0.05）。向量分散度对处理参数最敏感，低设置显著低估表面复杂性（p < 0.01），但高分辨率设置（Metashape High和Zephyr Advanced）收敛于统计相似值，表明在10帧/秒的ROV采样率下，两个软件能可靠重建精细纹理。

**3.2 计算效率与处理应用**
尽管地形复杂性输出保持稳定，但计算成本差异巨大。Metashape Medium的配准时间最长（1325±475秒），约为Zephyr Advanced的4.4倍（F_4,50 = 7.35，p < 0.05），但生成了25.7倍多的连接点。Metashape High的密集点云密度最高（4.06×10⁷±9.95×10⁶），比Zephyr Default多100倍以上。效率计算显示，Metashape High在点生成阶段效率最高（每秒315±158个连接点，每秒超过41,000个密集点），而Zephyr Advanced在网格处理效率上最高（每秒8570±907个三角面），显著优于其他配置（Tukey HSD，p < 0.001），是Metashape High的1.8倍，是Metashape Low的339倍。

**3.3 软件内部变异性**
回归分析显示，Metashape High的配准时间与连接点产量之间几乎没有关系（R2 = 0.001），表明较长的配准时间不会带来更多点。相反，Zephyr Advanced在配准（R2 = 0.46）和网格生成（R2 = 0.92）上保持更可预测的线性关系。这表明，尽管最终生态指标稳健，但SfM软件内部算法（尤其是Metashape）在重复间表现出高变异性，且不随计算工作量成比例缩放。

**讨论与结论**

讨论部分指出，SfM平台的快速演进对长期监测构成挑战，但本研究通过优化视频帧提取率（10帧/秒）并比较两个平台，证明软件参数配置可以部分补偿ROV视频数据集的局限性。指标依赖性可互换性表明，对于大尺度地形监测，粗糙度和起伏度在平台间功能可互换，但向量分散度对软件算法敏感，软件切换可能影响高分辨率表面分析。计算优化方面，高分辨率设置下向量分散度的收敛表明，只要提供足够的计算资源和高重叠影像，平台差异变得不显著。然而，效率差异成为大规模监测的决定因素：若目标为网格指标（如粗糙度/起伏度），Zephyr的网格处理效率优势显著降低计算开销。研究方法学意义强调，ROV采集的标准化流程（如10帧/秒）即使系统性低估绝对复杂性，但相对趋势仍可用于十年期时间序列的生态变化检测。研究局限性包括仅评估两款商业软件、数据局限于单一温带白垩礁栖息地、以及依赖固定高度的高速视频采集。未来应测试更多环境和采集配置。

结论部分翻译如下：为确保长期监测项目中的数据连续性，并防止软件伪影掩盖真实生态变化，建议在切换SfM平台或软件版本时遵循特定操作协议。首先，必须维护全面的版本和参数文档，记录软件平台、版本以及所有工作流程阶段（配准、密集点云、网格生成）的确切配置和参数设置。其次，用户在研究中途必须实行严格的层级匹配，避免混合不同分辨率层级（如将低层级模型与高层级模型比较），以确保网格分辨率与计算工作量对应，并防止微观指标（如向量分散度）的人为变化。最后，应进行转换前验证，通过已建立和拟用的工作流程处理一部分存档原始数据重复样本，量化平台特异性差异，确保相对趋势仍具有生态有效性，并区分软件诱导噪声与真实地形退化。