概述
这很重要，因为珊瑚礁正在快速崩塌，而保护决策取决于及时、准确的数据。
深入探讨
通过照片横断面、拖曳相机、自动水下航行器甚至卫星对珊瑚礁进行调查，产生的图像远远多于科学家手动标记的图像。卷积神经网络和现代视觉转换器对每张图像中活珊瑚、藻类、沙子和碎石的百分比进行分类，识别珊瑚属，并通过发现表示压力的苍白组织来检测漂白情况。像 CoralNet 这样的工具可以自动进行点注释，这曾经需要专家花费数周的时间。人工智能还将珊瑚礁照片与卫星获取的海面温度融合在一起，以标记即将面临白化风险的珊瑚礁。其结果是更快、可重复、标准化的监测，使管理人员可以比较不同年份和地区的珊瑚礁，确定恢复的优先顺序，并衡量干预措施是否真正有效。
现实世界的实施
CoralNet 使用机器学习自动注释海底调查照片，从数千张图像中估计活珊瑚覆盖范围。
艾伦珊瑚图集结合了卫星图像和人工智能来绘制全球浅层珊瑚礁地图并检测白化事件。
Reef Check 和类似程序使用人工智能辅助图像分析来扩展公民科学横断面数据。
大堡礁上的自主水下航行器搭载分类器，在调查期间识别珊瑚类型和棘冠海星。
人工智能在珊瑚礁监测中的未来
预计 AUV 和 ROV 在游泳时对珊瑚礁进行分类的实时车载推理，以及随着时间的推移跟踪结构复杂性的 3D 摄影测量模型。声学传感器与人工智能相结合，将通过声景来衡量珊瑚礁的健康状况，而基于数百万张珊瑚礁图像训练的基础模型应该会减少对特定地点标记的需求。与预警白化预测的更紧密结合将使管理人员能够在大规模死亡之前采取行动，而不仅仅是记录下来。
付诸实践
为什么这很重要
- 构建选择. 应用级设计决定了人工智能是否能改善实际结果。
- 团队与工作流程. 良好的工作流程集成可以创造用户值得信赖的生产力收益。
- 风险与安全. 范围明确的用例可以减少变更疲劳和实施风险。
留意
- 将损坏的流程自动化可能会加剧现有问题。
- 团队可能会过度自动化并消除所需的人工判断。
- 如果不持续评估输出，质量可能会出现偏差。
后续步骤
- 绘制当前工作流程并确定摩擦最大的步骤。
- 在完全自动化之前定义人工检查点。
- 对用户进行提示、升级路径和质量标准方面的培训。
- 跟踪任务级结果以确认持续价值。
不断探索
常见问题
什么是珊瑚礁监测中的人工智能？
人工智能分析水下图像、视频和传感器数据，以跟踪珊瑚健康、白化和生物多样性，其规模是人类潜水团队无法比拟的。这很重要，因为珊瑚礁正在快速崩溃，而保护决策取决于及时、准确的数据。
人工智能漂白探测器主要寻找珊瑚的哪些视觉变化？
白化的珊瑚会排出其色彩缤纷的共生藻类，变成白色，因此探测器的重点是转向高亮度和低色彩饱和度。
哪种广泛使用的工具应用机器学习来自动注释海底调查照片？
CoralNet 可以自动对珊瑚礁图像进行点注释（专家们曾经手动完成），从大型照片集中估计珊瑚覆盖范围。
珊瑚礁监测需要人工智能的主要原因是什么？
现代调查产生大量图像，远远超过科学家可以手动分类的范围，因此人工智能可以扩展分析范围。
艾伦珊瑚图集主要与人工智能结合的是什么？
艾伦珊瑚图集将卫星图像与人工智能融合在一起，绘制出世界各地浅礁和旗帜漂白的地图。
为什么“域转移”对珊瑚礁分类模型来说是一个挑战？
水、光线、深度和相机设置的差异会导致外观有所不同，因此模型需要不同的数据和色彩校正才能概括。