基于社区的海草采样方法：一项比较分析

《Aquatic Conservation: Marine and Freshwater Ecosystems》：Seagrass Sampling Methods in a Community-Based Setting, A Comparative Analysis

　　**摘要**

有效监测海草对于保护这一关键的海洋生态系统至关重要。监测方法的选择取决于在准确性、效率、成本和可及性之间进行平衡，特别是在需要社区参与和共同所有权的情境下。本研究在肯尼亚的一个实地考察点评估并比较了三种海草监测方法——包括视频监测、样方调查和点计数法——以评估它们在资源有限的环境中是否适合社区主导的监测工作。作为基准的视频监测方法显示出高精度，并且资源需求适中，只需18个样本就能以80%的统计功效检测到20%的海草覆盖度变化。然而，其技术复杂性和初始设置成本可能会限制社区的采用。样方调查虽然劳动密集型，但能够提供可靠的物种丰富度和总覆盖度估计值，尽管为了达到相同的功效，它需要的样本量（36个）比视频方法更多。点计数法是资源需求最低的方法，虽然时间效率较高，但总是高估了海草覆盖度。这些结果支持了广泛使用的SeagrassNet和Seagrass-Watch采样方法。这些易于使用的方法既能提供准确的数据，也有助于培养当地社区的所有权和能力。研究结果突显了这些方法之间的权衡，表明将技术培训与自动化分析和易于理解的数据解释框架等简化工具结合起来，可以提高像视频方法这样的先进技术在社区环境中的适用性。尽管技术进步可以提高准确性和效率，但这些好处需要与更广泛的社区参与监测和保护工作相平衡。尽管如此，考虑到其可靠性和可及性，样方调查方法被认为是最适合社区立即使用的方法；而在资源和培训条件允许的情况下，也可以尝试整合视频监测方法。

**1 引言**

海草床是支持生物多样性的关键海洋生态系统，包括幼鱼、濒危的儒艮和海龟（Unsworth和Cullen-Unsworth 2014；Valdez等人2020）。这些栖息地还提供了重要的服务，如碳封存和沉积物稳定，使沿海社区和全球生态系统受益（Addamo等人2025；do Amaral Camara Lima等人2023；Githaiga等人2017；Hejnowicz等人2015）。通过支持渔业，它们支撑着数百万沿海社区的生计（Macreadie等人2017）。此外，海草通过捕获沉积物和防止颗粒重新悬浮来维持水质（Ondiviela等人2013）。它们封存了大量的有机碳，因此是重要的碳汇（Fourqurean等人2012；Githaiga等人2017）。尽管具有这些社会生态和环境价值，海草仍是全球受威胁最严重的生态系统之一（Orth等人2006；Waycott等人2009）。海草生态系统面临着来自陆地和海洋的威胁（Orth等人2006；Unsworth等人2019），据报道其年下降率在1.5%到19.1%之间（Dunic等人2021；Pendleton等人2012；Waycott等人2009）。这种生态系统的丧失对生物多样性和相关益处有严重影响（Orth等人2006；Waycott等人2009）。其中，海草消失后储存的沉积物有机碳矿化会使生态系统变成二氧化碳排放源（Arias-Ortiz等人2018；Marbà等人2015）。依赖海草作为主要狩猎场的传统渔业将受到特别影响（de la Torre-Castro等人2014；Unsworth等人2018）。关于海草生态系统的空间分布和状况的知识在许多地区仍然不足，尤其是在非洲（McKenzie等人2020；Mwikamba, Githaiga, Briers和Huxham 2024），但全球范围内正在加大海草监测的力度（Duman等人2019）。尽管海草的健康和动态涉及多种生态属性，包括生产力、生物量、物种组成等（参见Rising等人2026），但本研究特别关注海草覆盖率作为衡量海草范围和状况的可测量指标。准确且易于获取的海草覆盖度变化监测对于跟踪生态系统趋势和支持生物多样性至关重要（Langlois等人2023；Rising等人2026）。为此，监测方法应具有足够的准确性以监测覆盖度变化，同时要经济实惠、简单且易于获取（Rising等人2026），以便包括当地社区成员在内的各种利益相关者能够参与（Finn等人2010；McKenzie等人2003）。监测过程的有效性和精度取决于所选择的监测方法。已经使用了多种方法来监测海草覆盖度，包括使用卫星数据的遥感（Benmokhtar等人2021；Harcourt等人2018）、水下航行器（UWV）（Wasserman等人2020）、水下摄影测量（Marre等人2020）、无人机（Yang等人2020）以及由全球公民科学项目Seagrass-Watch（McKenzie等人2003）和SeagrassNet（Short等人2015）推广的标准化样方方法。所有这些方法都有不同的成本和优势，并提供不同精度和误差水平的估计值。虽然现场监测可以提供详细的海草覆盖度数据，但这种方法耗时且劳动密集，尤其是在需要定期监测大面积区域时（Hossain等人2015）；因此，海草覆盖率是最广泛使用的指标来评估海草范围（McKenzie等人2003；Rising等人2026）。尽管海草监测方法和技术在长期海草覆盖度分析方面有了很大改进（Hossain等人2015），但由于技术复杂性和高昂成本，许多方法难以被社区采用。整合当地知识和科学研究对于提高公众意识和参与保护工作至关重要（Unsworth等人2019）。对于碳交易目的而言，计算中使用的方法必须既稳健又可靠（Shilland等人2021）。此外，碳认证标准（如Plan Vivo）优先考虑当地社区的积极参与和赋权。Plan Vivo通过确保保护和重新造林工作为土地管理者提供直接的社会经济效益来支持社区主导的自然气候解决方案（Plan Vivo 2025）。这种方法符合气候正义的原则，有助于确保社区对环境可持续性的长期承诺（Shilland等人2021）。因此，海草监测方法必须设计得易于使用且不过于复杂，确保当地社区能够有效参与并从中受益（Shilland等人2021）。然而，所选方法必须提供准确的估计值、足够的统计功效以及预测未来环境变化的能力（Duarte 2002；Schultz等人2015）。关于海草健康的指标已有大量讨论，例如McMahon等人（2013）、Orth等人（2006）、Rising等人（2026）、Short和Coles（2001）以及Waycott等人（2009）。植株密度和覆盖率被广泛使用，因为它们易于测量、非破坏性，并且对环境变化反应灵敏（Rising等人2026；Wood和Lavery 2001）。这些指标能够以合理的成本和有限的分析需求来跟踪状态。覆盖率是一种广泛用于评估生态系统内分布和空间模式的指标（Morrison 2016；Rising等人2026）。它比存在/缺失记录提供了更多信息，通常与基于频率的估计结果相似或更好（Lisner和Lep? 2020）。监测必须生成可靠的海草存在或不存在的估计值以及趋势，以支持基于证据的决策和适当的干预措施。因此，样本量和统计功效是监测设计中的关键考虑因素。小样本量可能导致结果受到随机变异的影响，从而得出不可靠的结论和第2类错误（Kang 2021）。相反，过大的样本量虽然提高了统计功效，但会增加财务和后勤成本。这可能会给公民科学和社区主导的监测计划带来障碍，因为这些计划往往资金和技术资源有限。此外，过大的样本量可能会检测到统计上显著的差异，但这些差异在生态或保护方面可能微不足道，从而将资源从更实际的监测工作中转移出去。从管理角度来看，过大的样本量会浪费时间、金钱和其他资源，尤其是在资源有限的情况下（Kang 2021）。因此，在考虑有限的资源和预算限制时，确定最佳样本量需要在成本效益和统计功效之间进行仔细平衡（Kang 2021）。这种权衡对于确保监测在科学上有效和经济上可行至关重要。在自然斑块状栖息地（如海草）中，这种平衡尤其困难。本研究的主要目的是评估不同的海草覆盖度采样方法，以确定它们是否适合当地社区用于保护海草床的监测协议。成本、所需的科学能力水平、观察者偏差和统计功效都是相关考虑因素；所选方法应提供稳健的结果，以指导海洋生态系统的保护和长期可持续性的决策，同时不会给当地资源带来过重负担。这项研究是肯尼亚Vanga海草项目管理和监测计划的重要组成部分，该项目旨在使用Plan Vivo碳标准或Nature标准保护225公顷的海草。通过将传统的海草监测方法与高保真度、半自动化的方法进行比较，本研究旨在推荐优化成本、可及性和精度的方法，支持海草生态系统的长期可持续性，同时增强当地社区的能力。具体目标如下：（i）通过评估其错误率来评估和改进用于估计海草覆盖度的视频摄影方法，并将其精度和成本效益与传统的样方调查和点计数方法进行比较；（ii）整合三种方法的精度、成本和统计功效分析，以推荐适合社区监测的实际方法。

**2 材料与方法**

**2.1 研究区域**

本研究在肯尼亚南部海岸的Kwale县Vanga湾（4° 39′38.42″ S, 39° 13′ 9.71″ E）进行（图1）。该海湾包括两个由当地管理的海洋区域（LMMAs），分别称为Mwarembo（面向Vanga村）和Jibweni（面向Jimbo村）。这些名称代表了同一海湾内的社区管理辖区，在此作为一个研究区域。海表面温度范围为24°C至29°C，盐度在34.5至35.4 PSU之间变化，雨季东南季风期间的盐度最低，旱季东北季风期间的盐度最高。潮汐制度为半日潮，潮汐幅度在退潮时为1.5米，春潮时约为4米（Wanjiru等人2023）。图1显示了肯尼亚Vanga地区的地图，包括海草生态系统、当地管理的海洋区域（LMMA）和采样点。黑点代表采样区域，红色轮廓表示LMMAs（Mwarembe和Jimbo），绿色区域表示海草生态系统。红树林以深绿色突出显示。主要地标如Sii岛和村庄（Vanga、Jimbo）也被包括在内。当地社区建立了Vanga海草项目，涉及一个LMMA，旨在保护和改善225公顷的海草。该项目由社区拥有和运营，得到了非政府组织Association for Coastal Ecosystem Services（ACES）和肯尼亚海洋与渔业研究所（KMFRI）的支持。其目标是在Plan Vivo标准下注册，以获得长期保护资金。这种注册需要使用稳健的方法进行定期监测和报告。研究区域位于肯尼亚-坦桑尼亚跨界海洋保护区（TBCA）内，对两国具有生态和生物多样性重要性。该地区的海草面临多种威胁，包括主要由当地和迁徙渔民造成的无监管捕鱼（Mwikamba, Githaiga, Briers和Huxham 2024；Alidina 2005；McClanahan等人1997）。

**2.2 采样**

数据在Mwarembo和Jibweni LMMAs的海草区域内收集（图1）。在连续的海草草甸中设置了十个样带（表1），每个样带长100米，并在两端用塑料管标记，间距为50米。样带垂直于海岸线布置。样带设置在了春潮低潮时，此时海草完全暴露出来，以便清晰地观察潮间带的覆盖情况并准确估计覆盖度。在每个样带的起点和终点记录了GPS坐标，以确保空间参考和重复性。表1列出了用于采样的样带的全球定位系统（GPS）坐标（以度为单位）。

**2.2.1 样方方法**

海草覆盖率是使用Seagrass-Watch和SeagrassNet推广的标准化样方方法估算的，这些方法的详细信息分别可以在https://www.seagrasswatch.org/manuals/和http://www.seagrassnet.org/global-monitoring/找到。这两种方法都依赖于观察者通过视觉估计样方内的百分比覆盖度。然而，它们在样方放置、使用的样方数量以及测量的额外海草属性（如密度和冠层高度）方面存在细微差异。在本研究中，通常用于海草研究的标准0.25平方米样方被每隔10米放置在一个样带上，样方分别位于样带的左侧、中间和右侧，从而每个10米间隔有三个样方，每个样带总共30个样方。这种布局旨在确保每个样带上的小尺度生境变化都能得到全面的空间覆盖（McKenzie等人，2003年），包括混合和单一种类的海草群落。在每个样方内，收集的数据包括百分比覆盖度、存在的海草物种数量（使用McKenzie等人2003年的野外指南进行识别）以及每种物种随机选取的三株植物的高度。没有单独计数每株海草植物，因为研究的重点是覆盖度和结构属性而非密度。六名受过训练的观察者，每人都有估计海草覆盖度的经验，对每个样方内的百分比覆盖度进行了独立的评估。每个观察者的估计结果分别记录下来，每个样方共有六次独立观察结果。然后对这些值进行平均，得到一个用于分析的单一平均百分比覆盖度，这有助于减少个别观察者的偏差，并提供更可靠的海草覆盖度估计。然而，在分析观察者偏差时，每个观察者的估计结果被单独处理。

2.2.2 点计数法
使用两端用塑料管标记固定的100米测量带进行海草点计数。沿着100米的样带缓慢行走时，每隔0.5米记录一次海草的存在（P）和物种的身份或不存在（A），从而每个样带得到200个数据点。每个“点”代表在测量带正下方大约1厘米视野范围内进行的一次直接观察。由于点计数法依赖于存在/不存在的数据，它有可能在高海草稀疏的区域高估覆盖度。为了减少这种偏差，高频率的采样点（每隔0.5米）确保了局部海草覆盖度的缺失得到考虑，从而降低了高估的风险。不幸的是，由于第一和第二天采样时的后勤问题，点计数仅在最后四个样带上完成。

2.2.3 视频法
在每个100米的样带上，在低潮时使用GoPro Hero 4黑色版相机以垂直向下（nadir orientation）的方向拍摄连续的视频/图像。该相机具有12 MP（4000–3000像素）、1/2300传感器（6.17 × 4.55毫米）和1.5微米的像素大小，并配备了一个固定焦距的鱼眼镜头，标称焦距为2.9毫米。在视频采集过程中，手持相机保持在海草上方约0.5米的高度。由于相机使用了鱼眼镜头，我们测试发现它可以捕捉1米宽的地面距离。为了确保相机拍摄到清晰的图像，保持大约20米/分钟的样带调查速度。这有助于确保一致性，最小化可能降低图像清晰度的沉积物干扰，并在指定的时间范围内获得足够的海草覆盖度。快门速度设置得较高，以避免图像模糊（Marre等人，2019年）。为了测试方法内部的误差，这些误差可能由软件不一致性（使用第2.4节中描述的视频方法下的图像分析）等因素引起，在同一生态系统中选择了10个位置。这些位置不属于主要样带，但代表了相似的环境条件和物种组合。选择这些位置是为了涵盖不同的海草物种和百分比覆盖度，确保误差分析考虑了多样的结构和环境条件。由于亮度和阴影的差异会影响图像处理的准确性，因此还检查了叶片的方向，因为重叠或倾斜的叶片可能会影响软件区分单个植物的能力，从而导致覆盖度估计的潜在错误。为了考虑这些效应，图像是在不同的自然光照条件下拍摄的（从全日照到部分遮荫），同时调整相机角度以保持与海草冠层垂直的垂直位置。这种方法能够评估由于自然光变化和叶片对齐及重叠差异引起的变异性。在每个位置，使用与视频方法相同的分辨率和设备，对相同的1平方米区域拍摄了10张独立的静态图像。所有图像都是在同一天拍摄的，但图像之间有5分钟的间隔，并计算了它们的平均值和置信区间（CIs）。为了评估不同位置之间的平均百分比覆盖度估计值及其95%置信区间之间的关系，进行了皮尔逊积矩相关测试。该分析旨在确定平均海草覆盖度与误差程度（由置信区间宽度表示）之间是否存在关系，这表明误差分析需要考虑不同水平的海草覆盖度。

2.3 时间和成本分析
通过记录收集和分析数据所需的时间，以及资本设备和消耗品的成本（包括燃料和船只租赁费用）来评估每种调查方法的估计成本。假设所有方法的管理和规划成本是一致的。然而，劳动力成本根据数据分析所需的专业知识水平而有所不同。劳动力成本是根据肯尼亚的日工资率计算的：非熟练工人1000肯尼亚先令（约8美元），熟练的现场技术员4000肯尼亚先令（约31美元）。专业知识水平被定性分类为：低（依赖于简单、标准化的程序）；中等（需要一些经验并可以遵循预定义的海草监测协议）；高（拥有广泛的知识和实际经验，能够设计、改进和验证方法）。每种方法的总劳动力成本是通过将相应的日工资率乘以每项任务所需的人天数来确定的，包括现场数据收集、数据加工和分析。

2.4 数据分析
使用R版本4.2.2（R Core Team 2023）进行统计测试。使用R中的‘ggplot2’包生成了展示研究结果的图表（Wickham 2016）。为了检验与研究目标相关的零假设，使用Levene检验方差同质性（如果p>0.05则认为满足）和Shapiro–Wilk检验正态性（p>0.05）。残差图也进行了视觉评估。除了观察者偏差研究问题外，所有假设都得到了满足，该问题需要对百分比覆盖度估计值进行平方根转换。

2.4.1 样方法
从10个样带中的603次观察中编译出识别的物种数据，共记录了九种海草物种，包括Cymodocea rotundata、Cymodocea serrulata、Halophila minor、Halophila stipulacea、Halodule uninervis、Halophila ovalis、Syringodium isoetifolium、Thalassodendron ciliatum和Thalassia hemprichii。然后确定了每种物种的频率并进行了记录。通过计算每个样带内采样样方的平均覆盖度来确定平均海草覆盖度。为了测试不同方法之间的海草覆盖度估计值是否有显著差异，进行了单因素方差分析（ANOVA），以监测方法作为自变量，海草百分比覆盖度作为因变量。在进行ANOVA测试之前，使用Shapiro–Wilk检验了正态性和方差同质性。然后应用了事后Tukey HSD检验来识别方法之间的显著差异。使用所有样带的百分比覆盖度来比较样方法和视频法。为了检查样方法中的观察者偏差，使用了九个样带（T9）和十个样带（T10）来评估六个观察者之间估计的海草覆盖度是否有差异。进行了双因素方差分析，以样方和观察者为自变量。选择这些样带是因为它们的覆盖度变化较大。

2.4.2 点计数法
点计数法在四个样带上记录了248种海草物种的观察结果。识别出的六种海草物种是C. rotundata、H. ovalis、H. uninervis、S. isoetifolium、T. hemprichii和T. ciliatum。百分比覆盖度是通过将存在记录的数量除以总记录数再乘以100来计算的。

2.4.3 视频法
2.4.3.1 视频方法的图像提取和准备
使用R统计程序（R Core Team 2023）进行数据分析，使用Mwikamba、Githaiga、Huxham和Briers（2024）描述的方法从捕获的视频中分割和计算实际的海草覆盖度。记录了每个视频的相关细节，包括其长度（以秒为单位）、帧宽度、帧高度、数据速率和总比特率以及帧速率，并使用以下预定义的公式计算帧提取间隔：
其中 = 样带距离（以米为单位）= 帧速率（以秒为单位）= 视频的总时间（以秒为单位）= 帧内可见的距离（以米为单位）（基于宽视野和1米深度）。从每个视频中提取的帧数取决于上述计算的间隔（i）。为了优化处理时间，使用免费的图像处理应用程序IrfanView（IrfanView 2024）将图像大小调整为600像素。比较缩小后的图像和原始图像表明帧质量几乎没有损失，确保海草覆盖度估计不受影响（全分辨率图像与缩小后图像的覆盖度的相关性，r = 0.977，p < 0.00001）。然后使用R（版本4.3.1）中的Pliman（Olivoto 2022）和EBImage（Pau等人，2010）包进行图像分割和覆盖度量化，以分割和计算每帧中被分类为海草的像素比例。这些开源包在生态和农业图像分析中已被广泛验证，用于准确的对象识别和面积估计。分割依赖于蓝绿色（BG）指数，该指数被测试为可以最佳提取海草覆盖的区域。尽管该指数也可以将海藻分割为海草，但由于所有采样地点都没有海藻，因此这不是一个问题。在处理之前，还通过视觉检查每个帧以确保只有海草存在。每个帧的百分比覆盖度是通过结果帧中的海草像素与原始帧的总像素之比来计算的。图2展示了分析的示意图，而包括R代码和数据的完整工作流程在补充数据中提供，网址为https://doi.org/10.5281/zenodo.15188123。使用样方和点计数方法获得的基于现场的百分比覆盖度估计值与相应样方的计算平均百分比覆盖度进行了比较，以评估整体准确性。

2.4.3.2 确定适当的样本大小和相关统计功效
使用了一种子采样方法来估计每种方法的适当样本大小，随后这些样本大小被用于功效分析。在R中自动进行随机子采样，使用每种监测方法获得的百分比覆盖度值的全数据集。在此背景下，样本指的是来自样方、点计数或视频方法的单个覆盖度观察。子样本代表选定的样本子集，用于检查样本大小如何影响海草覆盖度估计的稳定性和变异性。为了评估增加样本大小如何影响变异性，样本大小从1逐渐增加到每种方法的最大样本数量：样方法为238个，点计数法为150个，视频法为100个。这些最大数量是根据可用样本和原始数据分布的模拟扩展确定的。对于每个样本大小，抽取了30个带有替换的随机子样本，使每次迭代都能反映原始数据分布关于平均值和标准差的情况。然后使用漏斗图绘制了每种方法的子样本平均值和标准差，通过视觉检查平均值和标准差值稳定在哪里来确定每种方法的适当最小样本大小。为了确定每种监测方法的统计功效，我们从漏斗图中的稳定点获取了适当的样本大小、均值和标准差数据。然后使用R语言中的‘pwr’包（Champely 2020）和功效分析计算器（https://www.gigacalculator.com/calculators/power-sample-size-calculator.php）进行了功效分析。我们探讨了20%的相对覆盖变化效应大小（例如，从50%增加到60%的均值覆盖变化表示绝对变化为10%，但相对变化为20%），以及检测这种变化的alpha值为0.05。选择20%的阈值是因为它代表了海草覆盖的重大变化，这可能表明重要的生态趋势，如从退化中恢复或衰退的早期迹象。

3 结果
在10条样带中，通过样方法和点计数法共识别出9种海草，记录了851次出现（图3）。S. isoetifolium和T. hemprichii是最常记录的物种，而H. minor和H. stipulacea是最少见的物种。

3.1 观察到的海草物种
使用样方法，共识别出9种海草，总出现次数为603次，其中S. isoetifolium出现了154次，H. minor出现了4次。点计数法在研究区域内识别出了9种海草中的6种，其中T. hemprichii的出现次数最多，为93次，而H. ovalis的出现次数最少，为2次。C. serrulata、H. stipulacea和H. minor未通过点计数法被记录到（图4）。

3.2 不同方法下的海草覆盖率比较
使用点计数法（在4条样带）和样方法（在10条样带）观察到的海草物种百分比。百分比是在每种方法内计算的，并总和为100%。Syringodium isoetifolium和Thalassia hemprichii是主导物种。

3.3 观察者偏差
不同样方内的覆盖率估计值从0%到85%不等；不出所料，“样方”对覆盖率的影响非常显著（F(53,265) = 72.998, p < 0.0001）。相反，观察者对覆盖率没有影响（F(5,265) = 1.053, p = 0.387）。

3.4 海草覆盖率估计的样本大小和精度
3.4.1 样方法
在较小的子样本大小下，样方法下的平均海草覆盖率估计值变化较大，但随着子样本大小的增加而变得更加稳定。具体来说，估计值在子样本大小约为70时开始稳定。正如预期的那样，标准差随着子样本大小的增加而减小，反映了估计精度的提高，但在70-80的子样本大小范围内趋于平稳（图6）。因此，基于这些分析，70个样方的样本大小似乎在精度和努力之间提供了合理的平衡。因此，在样方法的功效分析中使用了70个样方的样本大小。

3.4.2 点计数法
与样方数据类似，均值和标准差在小样本大小时变化较大。然而，均值在大约30个子样本时稳定下来，而标准差在30个子样本后稳定（图7）。因此，大约30个子样本的大小似乎足以在精度和努力之间提供良好的平衡，30个样方被用作功效分析的样本大小。

4 讨论
本研究探讨了海草监测方法在精度、成本和可访问性之间的权衡，强调了需要与当地资源能力和社区目标相匹配的方法。虽然科学技术的进步不断加深了我们对海草生态系统的理解，但确保监测方法既具有包容性又具有实用性仍然至关重要，特别是在资源和技术专长有限的社区环境中（Huxham等人，2023年）。本研究比较了三种海草监测方法——视频方法、样方采样和点计数法——在社区保护项目中的有效性、可行性和精度。

4.1 海草覆盖率估计方法的比较
视频方法由于其高精度而被用作基准（McDonald等人，2006年）。它既准确又高效，仅需18个样本就能达到80%的统计功效，并且在0.05的显著性水平下具有80%的统计功效。相比之下，样方采样需要两倍的样本数量（36个）才能达到相同的功效，这表明其精度较低，因为估计值的变异性较大。点计数法仅需6个样本就能达到相同的功效水平；然而，这并不表示其准确性更高。点计数法需要较少的样本数量，这归因于其较低的标准差，这可能是由于持续的过高估计。平均而言，点计数法估计的海草覆盖率比样方法（Tukey事后检验，p = 0.012）和视频方法（p = 0.001）高出了26.6%。然而，样方方法和视频方法之间的覆盖率估计差异在统计上并不显著（p = 0.432）。

4.5 时间和成本分析
成本比较显示三种方法之间存在显著差异（表2）。样方方法是两种传统方法中资源最密集的，总成本为24,000肯尼亚先令（184.6美元）。这包括12,000肯尼亚先令的人工费用、8,000肯尼亚先令的材料费用和4,000肯尼亚先令的数据分析费用。点计数法最具成本效益，总成本为17,000肯尼亚先令（130.7美元），包括8,000肯尼亚先令的人工费用、5,000肯尼亚先令的材料费用和4,000肯尼亚先令的分析费用。表2列出了三种海草监测方法的成本和资源比较。总成本没有考虑船只租赁和行政费用，这些费用假设在三种方法中是相同的。括号中的数值代表美元（1美元 = 130肯尼亚先令）。

4.1.2 视频方法
视频方法在估计海草覆盖率方面实现了最高的精度，仅需18个样本就能在0.05的显著性水平下达到80%的统计功效。相比之下，样方采样需要两倍的样本数量（36个）才能达到相同的功效，这表明其精度较低，因为估计值的变异性较大。点计数法仅需6个样本就能达到相同的功效水平；然而，这并不表示其准确性更高。点计数法需要较少的样本数量，这归因于其较低的标准差，这可能是由于持续的过高估计。平均而言，点计数法估计的海草覆盖率比基准视频方法高出了26.6%。尽管时间效率高，但点计数法可能在精确的覆盖率估计方面不太可靠。然而，由于较高的变异性（标准差SD=13.29），为了达到80%的统计功效，需要更大的样本量（36个样本），这反映在较宽的Interquartile Range (IQR) 和不太一致的估计结果上。这种增加的变异性表明，样方法更容易受到数据波动的影响，这些波动可能源于海草分布的不均匀或观察者的偏见。尽管如此，该方法仍能够进行详细的物种识别和组成分析。这使得它对于生物多样性评估和检测社区结构变化以指导当地保护策略和适应性管理措施至关重要。共记录了九种海草物种，其中S. isoetifolium和T. hemprichii是优势物种，而H. minor和H. stipulacea则出现频率最低。这些差异归因于物种特定的栖息地偏好：S. isoetifolium和T. hemprichii在光照条件适中到较高的稳定沙质或泥质基质中生长茂盛，因此非常适合广阔的海草草地（Gullstrom等人，2002年）。相比之下，H. minor和H. stipulacea是先锋物种，通常出现在近岸区域。观察者之间的一致性得到了验证，表明经过最少的培训后，社区成员可以获得可靠的覆盖度估计。虽然样方法设置成本低且具有较高的物种识别能力，但它耗时且劳动密集，需要更大的样本量来获得统计功效，并且在异质性海草床中可能存在观察者偏见，尽管在本研究中并未发现这种情况。

4.1.3 点计数法
点计数法是最节省时间的，只需要六个样本就能达到80%的统计功效。然而，由于其二元存在/不存在的评估方法，它往往会高估海草覆盖度，尤其是在稀疏区域（Duarte和Kirkman，2001年）。尽管这种方法简单且成本低，技术要求低，但其有限的精度限制了其在详细生态监测中的使用。然而，在资源有限的情境下，当不需要绝对精度而只需要相对精度时，它可能仍然很有用。

4.1.4 时间和成本影响
经济评估显示，三种方法在时间、成本和精度方面存在显著差异。视频法虽然设置成本较高，但减少了后续的采样工作量，从长远来看更具成本效益，尤其是在数据处理高效且具备技术专长的情况下（Langlois等人，2023年）。然而，它对专业设备和技术的依赖可能会限制其在社区监测中的普及性。此外，恶劣的海洋环境和长时间暴露于盐水中会显著缩短水下相机和外壳的寿命。定期维护、及时更换零件以及需要耐用的防水设备都需要纳入长期成本评估中，以避免低估实际运营成本。相比之下，样方法初始成本较低，但劳动密集且容易受到观察者变异性影响。对于需要快速响应的大规模监测来说，这种方法可能不太实用（Langlois等人，2023年）。点计数法是最便宜的，但精度最低。这种权衡突显了在选择监测方法时平衡成本、可行性和可靠性的重要性。将社区成员纳入监测活动可以帮助降低劳动力成本（Langlois等人，2023年），但公平的报酬和适当的培训对于确保数据质量和社区参与度至关重要。这种参与式方法符合当地管理和能力建设的伦理要求（Fortes等人，2018年）。

4.2 对社区监测的影响
研究结果表明，虽然视频法提供了更高的精度，但其技术复杂性给直接由社区主导的应用和实施带来了挑战。将技术培训与简化的分析工具（如自动化视频分析、用户友好的移动应用程序或基于网络的数据解释平台）相结合，可以提高其在资源有限环境中的可访问性。或者，可以在没有技术专长的情况下，训练人们从静态图像中视觉估计海草覆盖度。尽管样方采样劳动密集且耗时，但它促进了社区的积极参与，与参与式监测的目标高度一致。点计数法虽然快速，但提供的估计结果不可靠，不太适合长期监测。这些发现支持了现有的基于社区的海草监测项目，如Seagrass-Watch和SeagrassNet，它们使用样方和样带协议来评估海草覆盖度和物种多样性（McKenzie等人，2003年；Short等人，2015年）。这些项目成功地促进了全球范围内的参与和长期海草监测。同样，这项研究也验证了它们在东非（特别是在肯尼亚）的适用性，那里的有效性之前尚未系统评估过。基于样方的协议在全球范围内的社区驱动的保护项目中得到广泛应用，使当地社区能够参与海草监测和保护工作。参与式监测项目的显著例子包括马达加斯加，那里的社区将科学方法与传统文化相结合，通常侧重于地图绘制、海草物种识别和覆盖度评估（Panorama，2024年）。其他例子还包括印度尼西亚、菲律宾、泰国、马来西亚、印度（IKI，2024年）和新加坡（TeamSeaGrass，2024年），这些项目让社区参与并使用Seagrass-Watch和SeagrassNet协议进行海草监测培训。在肯尼亚，基于样方的协议已被用于评估海草健康状况（Uku等人，2021年）和碳储量（Githaiga等人，2017年；Juma等人，2020年）。

4.3 更广泛的保护意义
本研究强调了选择监测方法时平衡科学精度和社区可访问性的重要性。虽然视频法提供了高精度的覆盖度估计，但其复杂性限制了社区的采用。通过培训和发展用户友好的工具（如基于R的脚本和/或移动应用程序），可以提高其可访问性和可用性。除了效率和精度之外，保护工作的成功不仅取决于方法论的精确性，还取决于当地社区的参与度。将社区成员培养成公民科学家可以增强管理能力、数据所有权和对保护目标的长期承诺。即使精度有所牺牲，优先考虑社区参与的方法也可能带来更可持续的结果，因为这有助于建立信任和集体责任。此外，将社区知识融入监测框架可以增强决策制定，为海洋保护政策提供信息，并确保保护计划的可持续性。扩大基于社区的监测也有助于减缓气候变化。健康的海草是重要的碳汇（Fourqurean等人，2012年；Githaiga等人，2017年）。让社区能够跟踪海草覆盖度的变化有助于保护和支持其恢复。这种方法既支持生物多样性保护，也符合蓝色碳战略，加强了海草在全球气候韧性中的作用。使先进技术更易于获取可以支持大规模海草监测，确保保护策略在科学上可靠且在本地可行。

4.4 局限性和未来方向
本研究是在肯尼亚特定的生态和社会背景下进行的，这可能限制了其普遍性。特定地点的因素，如水质清澈度、海草密度和物种组成，可能会影响不同监测方法的性能。例如，浑浊水体中的能见度降低可能会影响基于视频的评估准确性，而物种结构的变化可能会影响样方和点计数结果。此外，观察者经验和社区志愿者的不同也可能导致潜在的偏见。虽然提供了培训，但观察者独立判断的差异可能会影响视觉方法的结果。此外，每种方法采样的样带数量不同（样方和视频分别为10个，点计数为4个）可能会影响方法间的相对精度和方差。未来的研究应旨在平衡不同方法的重复性，以最小化潜在的采样偏差并改进跨方法验证。此外，视频法需要标准化和仔细校准，以保持不同监测团队之间的一致性。未来的研究可以探索这些方法在多样化的海草栖息地中的表现，并评估减少偏差的策略。结合视频分析和社区主导的样方采样的混合方法可以优化精度和参与度。使用低成本的技术解决方案，包括移动应用程序和人工智能驱动的分析，可以进一步提高可访问性，简化基于社区的监测工作的数据收集和解释。

4.5 结论
本研究评估了三种海草监测方法，包括样方采样、点计数和视频技术，比较了它们的精度、观察者偏见、成本效益和统计功效。样方方法检测到了最高的物种丰富度，但需要大量的努力和时间。点计数法高估了海草覆盖度，并且未能检测到三种常见物种，因此不太适合详细评估。视频法实现了最高的精度，方法内的误差最小，但需要更高的技术投入和成本。选择监测方法时应根据具体的保护目标来平衡精度、成本和社区可访问性。虽然样方方法非常适合参与式监测，但其劳动密集的性质可能限制了大规模应用。视频法提供了更高的精度，但需要简化以便更广泛地社区使用。结合视频和样方采样可能优化精度和社区参与度。未来的工作应优先考虑混合监测策略，开发用户友好的工具，并在多样化的海草栖息地中评估这些方法，以提高其适用性。将监测技术与当地能力相结合不仅能够加强科学成果，还能加深社区参与度，确保海草生态系统的长期可持续性。

作者贡献
Edward M. Mwikamba：概念化、方法论设计、写作-审稿和编辑、原始草稿撰写、正式分析、数据管理、验证、可视化、软件使用、资源协调、项目管理。
Michael N. Githaiga：写作-审稿和编辑、概念化、监督、方法论设计。
Robert A. Briers：概念化、软件使用、数据管理、监督、写作-审稿和编辑、可视化、方法论设计、正式分析、资源协调。
Claudia Foster：方法论设计、写作-审稿和编辑、正式分析、调查、概念化。
Mark Huxham：概念化、资金筹集、写作-审稿和编辑、监督、方法论设计、验证、可视化、正式分析、数据管理、项目协调。

致谢
我们衷心感谢肯尼亚海洋与渔业研究所（KMFRI）的Gabriel Njoroge、Rose Kirugo和Brian Kiiru在野外数据收集期间提供的宝贵帮助。同时，我们也感谢Kihawa Mohamed在调动船只和协调社区代表参与野外活动方面所做的努力。这项工作得到了可持续海洋联盟（SOA）提供的资助（资助编号：D008）以及爱丁堡纳皮尔大学的费用减免。此外，Claudia Foster还获得了爱丁堡纳皮尔大学的旅行补助。作者声明，在撰写手稿或数据分析过程中没有使用任何生成式AI。不过，ChatGPT被用于解决编码问题，Grammarly被用于检查拼写和标点错误。作者对所有内容进行了严格审查，并对本文的发布承担全部责任。

这项工作得到了可持续海洋联盟（Sustainable Ocean Alliance，资助编号D008）的支持。作者声明没有利益冲突。

数据可用性声明
本研究中使用的所有数据和R代码均可在Zenodo上公开获取，并从GitHub存档，网址为https://doi.org/10.5281/zenodo.15188123。