优化利用远程水下视频在潮间礁上采样鱼群的采样
Katherine R Erickson1,2, Ana B Bugnot2,3, Will F Figueira2,4
1Centre for Marine Science and Innovation, University of New South Wales, Sydney, NSW, Australia.
PeerJ
|May 30, 2023
概括
这项研究优化了远程水下视频 (RUV) 方法,用于评估礁上的鱼类. 系统采样和实时记录物种丰富性和MaxNT提供了最准确的鱼类组合数据.
科学领域:
- 海洋生态海洋生态学
- 渔业 科学 渔业 科学
- 保护生物学 保护生物学
背景情况:
- 在复杂的潮间息地评估鱼群是非常具有挑战性的.
- 传统的方法,如陷,是破坏性的和昂贵的.
- 远程水下视频 (RUV) 提供了一个不那么侵入性的替代方案,但需要优化数据处理.
研究的目的:
- 通过使用RUV录像确定最佳的分样采集方法,以分析潮间礁上的鱼群.
- 评估亚抽样努力和方法 (系统性与随机) 对鱼类组装指标的影响.
- 为了确定计算物种丰富性的最佳方法,使用MaxNT和MeanCountT.
主要方法:
- 使用了来自潮间礁的RUV录像.
- 应用启动技术来确定最佳的亚抽样策略.
- 系统与随机采样方法的量化准确性和精度.
- 评估了三种鱼类组装指标:物种丰富度,MaxN和MeanCount.
主要成果:
- 系统采样比随机采样更准确和精确,用于评估鱼群.
- MaxNT和物种丰富性应实时记录以获得最佳准确性.
- 对于MeanCountT度量来说,确定了60秒的最佳采样间隔.
结论:
- 提供了使用RUV有效评估浅海潮间息地鱼群的方法建议.
- 强调系统抽样优于随机抽样在RUV数据分析中的优势.
- 为基于RUV的鱼群评估提供高效的数据处理策略.
更多相关视频
13:35Reefshape: A System for the Efficient Collection and Automated Processing of Time-Series Underwater Photogrammetry Data for Benthic Habitat Monitoring
Published on: June 13, 2025
493
07:43Methods for Image-based Surveys of Benthic Macroinvertebrates and Their Habitat Exemplified by the Drop Camera Survey for the Atlantic Sea Scallop
Published on: July 2, 2018
9.6K
