基于计算机视觉的鱼类社区和生物量自动高频量化

量化鱼类社区结构是理解生物多样性和生态系统在变化环境下的响应的关键任务，但现有调查方法提供的高频、定量观测有限。传统方法，包括基于捕获的方法、 underwater 目视 census以及环境DNA metabarcoding，要么需要大量人力，要么缺乏对丰度和生物量的可靠估计。本文开发了一个从underwater视频中对鱼类社区进行量化的自动框架。该框架集成了基于深度学习的鱼类识别、多目标跟踪和3D重建，以估计种级丰度和生物量。我们将该方法应用于20天的海底鱼类社区，进行小时级白天观察，揭示了随着种群组成变化而导致的种类丰度、丰度和生物量的动态波动。通过将从目视 census和环境DNA调查中估计的鱼类社区进行比较，我们证明了该方法为持续、非侵入性和定量的持续观察种类提供了互补优势。该方法为长期监测提供了可扩展的基础，推动了解决鱼类社区细尺度时间动态能力的提升。