数据科学方法用于多传感器海洋观测站数据监测冷水珊瑚 (Paragorgia arborea) 在两个活动中

科学领域:

• 海洋生物学 海洋生物学
• 数据科学数据科学数据科学
• 时间序列分析时间序列分析

背景情况:

• 固定水下观测站 (FUO) 越来越多地用于海洋息地监测,产生大量异质数据.
• 从多个监测活动中分析数据带来了重要的数据科学挑战,特别是在海洋图像分析方面.
• 之前的研究集中在单一战役数据上,海洋时间序列数据的多战役分析未得到充分探索.

研究的目的:

• 用两个连续监测活动 (2017-2018年和2018-2019年) 的FUO数据分析和比较两个Paragorgia arborea冷水珊瑚 (CWC) 殖民地的多活动.
• 应用先进的数据科学技术,包括卷积神经网络 (CNN) 和循环神经网络 (RNN),用于分析复杂的海洋时间序列数据.
• 开发和验证一种新的多传感器监测策略,以了解CWC行为.

主要方法:

• 利用固定水下观测站 (FUO) 的数据,从2017年11月到2018年6月和2018年12月到2019年4月捕获图像和传感器读数.
• 应用卷积神经网络 (CNN) 用于从图像数据中自动细分和分类珊瑚聚体及其活动.
• 使用循环神经网络 (RNN) 预测珊瑚聚体活动使用非图像传感器数据,使时间序列预测.

主要成果:

• 在两个监测期内,对两种Paragorgia arborea殖民地的多活动确定了独特的时间模式.
• 观察到两个殖民地在春天有一个类似的一个月的"睡眠"时期,尽管在几年之间有时间转移.
• 从非图像传感器数据成功预测了珊瑚聚活动,证明了多传感器方法的潜力.

结论:

• 该研究成功分析了多个运动的FUO数据,揭示了冷水珊瑚行为的时间动态.
• 卷积神经网络 (CNN) 和循环神经网络 (RNN) 是分析复杂的海洋图像和传感器时间序列数据的有效工具.
• 这些发现支持对Paragorgia arborea以及可能其他海洋物种的先进多传感器监测策略的开发.