Mapping distribution patterns of brittle stars using ROV-based imaging

Abstract

Stor etterspørsel etter marine økosystemtjenester og konkurranse om havrom presser marine økosystemer til det ytterste. Det er et behov for effektive metoder for identifisering, kartlegging og overvåking for å forstå dynamiske prosesser i det marine miljøet, og for å skaffe et informasjonsgrunnlag for gode forvaltningsavgjørelser. Målet med denne studien var å utforske potensialet til et 360-kamera montert på en liten fjernstyrt undervannsfarkost (ROV) for å identifisere, kartlegge og overvåke romlig utbredelse av slangestjerner i grunne kystområder. Transektlinjer ble utført for å undersøke tre områder over tre sesonger. Bilder fra 360-kameraet ble analysert for antall slangestjerner i tillegg til variabler knyttet til substrat og mulige indikatorer på mattilgang. En multivariat statistisk analyse ble brukt for å undersøke sammenhenger mellom de ulike variablene i datasettet. I tillegg ble annoterte bilder brukt til opptrening av en algoritme for automatisk identifisering av arten Ophiocomina nigra i bilder ved hjelp av maskinlæring.

Ophiocomina nigra var enkel å identifisere i bilder. En slangestjerneeng med denne arten ble oppdaget på grovt sediment i et av de studerte områdene. Analysen indikerte at det var lav forekomst av annen synlig epifauna i dette området. I de to andre studieområdene ble det observert at O. nigra foretrakk hardt og forhøyet substrat eller ansamlinger av løse biter av makroalger. Den romlige fordelingen av arten kan være knyttet til dens fleksibilitet til å benytte ulike fôringsstrategier. Slangestjerner i slekten Ophiura var ikke mulig å identifisere til art med metoden. Den romlige fordelingen av Ophiura sp. var korrelert med forekomst av fint sediment, noe som kan være knyttet til at disse artene spiser bunndyr i og på sedimentet. Resultatene viste at dybde, sesong og temperatur ikke var avgjørende faktorer for utbredelsen av slangestjerner i dette studiet.

Det er mange faktorer som påvirker bildekvaliteten og identifiseringssuksess av organismer av interesse (OOI) og ulike avveininger må gjøres ut ifra omfanget til studien som skal utføres. MiniROV’er har potensialet til å muliggjøre effektiv innsamling av data i marine miljøer, til og med av borgere. Et 360-kamera kan øke mengden innhentet informasjon betraktelig uten særlig økning i tidsforbruk og kostnader. Begrensninger med metoden ble oppdaget i denne studien knyttet til mangel på geoposisjonering og innstillinger for automatisk hastighet og høyde over havbunnen for miniROV’en. Det er forventet at disse utfordringene er løst i nyere modeller av miniROV’en. Algoritmen som ble brukt til automatisk identifisering av O. nigra med maskinlæring hadde en nøyaktighet på 86.7% basert på antall identifisert av algoritmen sammenlignet med antall som var annotert manuelt. Automatisk identifisering med maskinlæring kan redusere tidsbruk på bildeanalyser betraktelig, noe som vil være nødvendig for å kunne konvertere store mengder innsamlet data til informasjon som kan brukes til konservering og forvaltning.

A high demand for marine ecosystem services and competition for ocean space are pressing marine ecosystems to the limit. Efficient methods for identification, mapping and monitoring are needed to understand the dynamic processes of the marine environment and create a baseline for good management decisions. The aim of this study was to explore the potential of a 360 camera mounted to a small remotely operated vehicle (ROV) to identify, map and monitor the spatial distribution of brittle stars in shallow coastal areas. Transect lines were conducted to investigate three areas in three consecutive seasons. Images from the 360 camera were analyzed for the number of brittle stars, as well as variables related to the substrate and possible indicators of food availability. A multivariate statistical analysis was used to investigate connections between the different variables in the data set. Additionally, annotated images were used to train an algorithm for automatic identification of the species Ophiocomina nigra in images by machine learning.

Ophiocomina nigra was easily identified in images. A brittle star bed of this species was found on coarse sediment in one of the studied areas. The analysis indicated that the occurrence of other visible epifauna was low in this area. In the other areas O. nigra was observed to prefer hard elevated surfaces or patches of loose macroalgae. The patterns in spatial distribution can be connected to the flexibility in feeding methods exhibited by this species. Brittle stars in the genus Ophiura were not possible to identify to species level with this method. The spatial distribution of Ophiura sp. was correlated with fine sediments, which can be connected to their feeding on epifauna and infauna. The results showed that depth, season, and temperature was not determining factors for the distribution of brittle stars in this study.

Many factors influence the image quality and identification success of objects of interest (OOI), and trade-offs have to be considered in relation to the scope of the study. MiniROVs have the potential to allow for efficient data collection in marine environments, even by citizens. A 360 camera can substantially increase the information gained with little extra time use and expenses. Limitations was met in this study related to the lack of geopositioning and options for automatic speed and altitude of the miniROV. This is expected to be solved in newer models of the miniROV. The performance of the algorithm used for automatic identification of O. nigra with machine learning was an accuracy of 86.7% based on numbers identified by the algorithm compared to the numbers annotated manually. Automatic identification with machine learning can decrease time needed for image analysis substantially, which is necessary to transform large amounts of data into information that can be used for marine conservation and management.