一种利用图像分析技术对八放珊瑚林进行无创监测的新生物识别方法

《Coral Reefs》：A novel biometric approach for non-invasive monitoring of octocoral forests using image analysis

　　摘要
海洋动物森林是具有高生态价值和保护价值的生态系统。通过评估珊瑚健康状况和种群结构来监测它们的状态，对于追踪海洋环境的变化至关重要。然而，非侵入性的基于图像的技术往往受到缺乏专用测量参考工具（如激光笔）的限制。在这里，我们开发并验证了使用远端分支宽度作为一种创新指标，来估计两种在地中海形成广阔珊瑚森林的八放珊瑚物种的高度：紫色海扇Paramuricea clavata和黄色柳珊瑚Eunicella cavolini。通过水下视频勘测，我们收集并分析了远端分支宽度数据，使用手动和非手动方法来评估不同P. clavata和E. cavolini群体的大小。我们在特雷米蒂群岛海洋保护区（亚得里亚海）测试了这些模型。从平均远端分支宽度得出的种群规模结构与标准激光测量结果高度一致，证实了该方法的准确性和可靠性。这种新方法提高了监测的灵活性，使其能够应用于长期调查、历史影像和公民科学数据集中。所提出的模型为在不同海洋研究背景下定量评估八放珊瑚种群提供了一个稳健且可复制的框架。

引言
八放珊瑚（刺胞动物门，八放珊瑚纲），包括所谓的柳珊瑚、海扇和海鞭，是中光带的关键生态系统工程师（Jones等人，1994年；Chimienti，2020年）。通过形成复杂的三维栖息地，它们可以创建海洋动物森林，也称为八放珊瑚森林或柳珊瑚森林（Rossi等人，2017年）。这些生态系统通过为多样化的动物群落提供庇护所，显著增强了海洋生物多样性，并为众多海洋生物提供了觅食、产卵和育苗场所（Cerrano等人，2010年；Ponti等人，2018年；Gori等人，2019年；Chimienti等人，2023年）。八放珊瑚还在关键生物地球化学过程中发挥着重要作用，包括养分循环和碳通量，这对维持海洋生态系统的整体健康和功能至关重要（Gili和Coma，1998年；Cocito等人，2013年）。
红色海扇Paramuricea clavata（Risso，1826年）和黄色海扇Eunicella cavolini（Koch，1887年）是地中海环岸带最常见的、最具标志性和生态相关性的八放珊瑚之一（根据Pérès和Picard，1964年的定义），大致对应于中光带，在那里它们形成了由单一物种主导或以混合珊瑚群落为特征的海洋动物森林（Carpine和Grasshoff，1975年；Weinberg，1976年；Linares等人，2008年；Gori等人，2017年；Chimienti等人，2021年，2023年）。Paramuricea clavata几乎仅分布于地中海，也有记录显示它存在于大西洋东北部。该物种分布于地中海10至250米深度之间，主要在35至70米深度之间形成密集的八放珊瑚森林（Coma等人，2004年；Boavida等人，2016年；Di Camillo等人，2018年；Iborra等人，2022年）。它形成大型扇形群体，高度可超过一米，具有从红色到紫色变化的粗壮分支，有时在所谓的变色龙变种中带有黄色部分。Eunicella cavolini是该地区的特有物种，从直布罗陀到马尔马拉海都有分布，生活在5至约200米深度之间，但通常在50米以下，通常形成平面群体，高度不到50厘米，具有许多细长的主分支，颜色从淡黄色到橙色不等（Sini等人，2015年；Top?u和?ztürk，2015年）。根据国际自然保护联盟（IUCN）的红色名录，P. clavata被列为易危物种，而E. cavolini被列为近危物种（Otero等人，2017年）。这两种物种寿命长、生长缓慢，成熟期晚，补充率低，定居后的存活率也低，因此特别容易受到环境压力和人为影响的伤害（Mistri和Ceccherelli，1994年；Coma等人，1995年；Linares等人，2007年；Gómez-Gras等人，2021年；Roveta等人，2026年）。由于捕鱼和污染等人为压力的综合影响，加上全球变暖和海洋热浪的增加，它们的种群目前正在经历大规模死亡事件（Bo等人，2014年；Chimienti等人，2021年；Garrabou等人，2022年；Canessa等人，2024年）。由于其生活史特征和对捕鱼影响的脆弱性，八放珊瑚森林代表了具有高保护重要性的脆弱海洋生态系统（Carpentieri等人，2021年）。因此，需要监测这些海洋动物森林——特别是八放珊瑚森林——以了解它们的当前保护状况，检测到令人担忧的压力迹象，并支持适当的人类活动管理。传统上，使用直接潜水员测量方法（例如，Mistri和Ceccherelli，1994年；Bianchi等人，2004年；Linares等人，2008年；Kipson等人，2015年；Gómez-Gras等人，2021年），尽管这些方法存在一些局限性，包括测量精度较低、水下可用时间有限、无法重复检查每次测量结果，以及八放珊瑚对操作的敏感性。因此，目前最有效的监测方法基于使用带有激光笔作为参考尺度的非破坏性调查（例如，Gori等人，2011a，2011b；Bavestrello等人，2014年；Grinyó等人，2016年；Prado等人，2019a，2019b；Chimienti等人，2021年，2022年，2023年），以避免与珊瑚群体有任何直接接触和压力。这得益于高清摄像机的可用性，无论是直接操作（例如，潜水）还是间接操作（例如，遥控车辆），以及计算系统的开发和实施，以获取和分析大量数据集，包括新兴的技术如3D SfM-摄影测量和AI支持的图像分析（例如，Burns等人，2015年；Palma等人，2018年；Prado等人，2019a；Chimienti等人，2020b，2022年；Marre等人，2020年；Carmona-Rodríguez等人，2025年；Pulido Mantas等人，2026年）。然而，由于八放珊瑚复杂的形态和它们所处的动态环境条件，测量它们仍然具有挑战性（Palma等人，2018年）。基于激光的系统本身也受到技术限制和潜在误差来源的影响，需要适当校准和调整相机光轴与目标群体的对齐（Pilgrim等人，2000年；Isteni?等人，2020年；Chimienti等人，2022年）。在野外活动中确保这些严格要求通常在后勤上很困难。例如，水下操作可能会影响激光对齐的光机械稳定性。即使激光正确校准和对齐，它们也容易产生视差误差和透视失真，特别是在结构复杂的三维景观中，激光投影可能不会落在目标群体的同一平面上（Pilgrim等人，2000年；Durden等人，2016年；Isteni?等人，2020年），因此需要技术技能来正确使用它们。当激光因技术故障、设备不可用或历史视频或由公民科学家录制的图像而不可用时，视频数据无法用于涉及密度估计和种群规模结构的科学和监测目的（例如，Di Camillo等人，2018年；Garrabou等人，2019年；Liconti等人，2022年）。
本研究介绍了一种在没有尺寸参考的情况下对P. clavata和E. cavolini森林进行图像分析的新方法，该方法基于珊瑚远端分支的平均宽度（DBs）。通过测试同一研究区域内不同群体之间的DBs宽度没有显著差异，我们将其作为一致的尺寸参数，以准确估计群体高度，从而评估目标物种的种群规模-频率分布。该模型在特雷米蒂群岛海洋保护区（MPA）开发和测试，该地区拥有亚得里亚海一些最广泛和密集的P. clavata和E. cavolini种群。在这个区域，这些物种形成了广阔的动物森林，覆盖了大约35,000平方米的面积，与其他八放珊瑚和黑珊瑚形成了单一种群和多物种群落（Chimienti等人，2020a，2021年）。本研究采用的工作流程包括：i）数据采集和形态测量提取，使用手动（基于水下直接测量）和非手动（基于激光笔作为尺寸参考）测量方法；ii）模型的开发、实施和验证，并与标准图像分析程序进行比较；iii）将模型应用于研究区域中的八放珊瑚森林监测。通过为每个群体提供内在的尺寸参考，这种方法克服了外部尺度的操作限制，允许在不增加现场采样工作量的情况下获得更多的形态测量数据。更大数据集的可用性有助于更稳健的种群结构评估和八放珊瑚森林的长期监测，这对于识别受威胁的种群以支持有针对性的保护行动至关重要。

研究区域
本研究在特雷米蒂群岛海洋保护区进行，位于亚得里亚海，距离Gargano海角12海里（意大利普利亚大区；北纬42° 7′ 23″–东经15° 30′ 1″）。该保护区覆盖1466公顷的海底，包括三个主要岛屿San Domino、San Nicola和Caprara，以及Cretaccio小岛和一个名为Pianosa的额外有人居住的岛屿，位于主群岛西北方向11海里处。该保护区分为三个主要区域（A区，禁止捕捞/进入；B区，一般保护区；C区，缓冲区；图1），其高经济和美学价值主要与珊瑚礁露头上的八放珊瑚森林有关（Chimienti等人，2017年）。关于该区域管理和主要生态系统的详细信息，请参见Chimienti等人（2020a，2025年）和Tursi等人（2022年）。

图1
特雷米蒂群岛海洋保护区的地图，显示了Paramuricea clavata（SPS，SDP）和Eunicella cavolini（SDC，SDP）的研究地点。SPS：Secca di Punta Secca；SDP：Secca del Pigno；SDC：Secca del Corvo。海洋保护区的分区：A区，禁止捕捞/进入；B区，部分保护区；C区，缓冲区。等深线：5米

通过SCUBA潜水调查了两个主要的P. clavata和E. cavolini种群。两个P. clavata森林位于Caprara岛的Secca di Punta Secca（SPS）和San Domino岛的Secca del Pigno（SDP），而两个E. cavolini森林位于Caprara岛的Secca del Corvo（SDC）以及SDP的P. clavata森林附近（图1；表1）。

表1
特雷米蒂群岛三个调查地点（SPS、SDP和SDC）的目标物种、坐标、调查路线和深度

材料与方法
方法工作流程包括三个主要阶段（图2）。首先，野外工作和随后的形态测量提取包括收集视频帧（非手动远端分支方法，nMDB）和照片特写（手动远端分支方法，MDB）来测量DBs的宽度。其次，模型的开发、实施和验证涉及建立特定物种的平均DB宽度作为从视频勘测中估计群体高度的内部尺度。模型的性能通过比较三种不同方法获得的数据集大小来进行测试：(i) 标准激光校准的图像分析，(ii) nMDB方法，以及(iii) MDB方法，使用非参数检验和线性回归进行分析。第三，模型应用涉及使用经过验证的nMDB模型来估计珊瑚虫群落的大小结构，以及八放珊瑚森林的保护状况。图2 这张图像的替代文本可能是使用AI生成的。全尺寸图像 本研究使用的方法流程。野外工作包括视频（非操作性远端分支；nMDB）和摄影（操作性远端分支；MDB）调查。形态测量包括从两个数据集中测量平均分支宽度，然后进行统计比较。模型开发和实施涉及使用平均分支宽度来估计珊瑚群落的高度，随后在验证阶段通过将标准图像分析获得的珊瑚群落大小与nMDB和MDB方法获得的珊瑚群落大小进行比较来进行测试。最后，使用nMDB衍生的珊瑚群落大小数据来评估种群大小结构。

野外工作和数据采集
2023年9月至2024年6月期间，在P. clavata和E. cavolini森林中进行了随机视频调查，分别收集了10′42″和9′55″的视频。视频使用配备12,000流明照明装置和两个平行激光指针的4K相机进行拍摄，以用于尺寸参考。
在最终应用中，2024年6月期间在每个研究地点的上环带区域珊瑚覆盖度最高的深度进行了20米的线性距离的视频调查。具体来说，P. clavata在SPS（三个调查点，深度分别为34米、36米和40米）和SDP（两个调查点，深度分别为40米和43米）进行了监测；E. cavolini在SDC（一个调查点，深度为36米）和SDP（一个调查点，深度为40米）进行了监测。每个调查点定义了2.5±0.2平方米的采样单元，这符合量化地中海八放珊瑚种群的最小面积要求（Weinberg 1978；Chimienti等人2022, 2023）。

MDB的特写照片
为了补充nMDB方法以开发模型，采用了一种MDB测量方法，在潜水调查期间直接测量远端分支（DBs）的宽度。2025年6月使用Olympus TG7水下相机和闪光灯拍摄了P. clavata和E. cavolini分支的特写照片，并使用背景尺子（分辨率为1毫米）来测量它们的宽度（厘米）。

形态测量
从水下视频和照片中提取的所有静态帧都使用ImageJ/Fiji软件进行了分析（Schindelin等人2012；Rueden等人2017）。对于每张图像，使用“设置比例”功能进行空间校准，将nMDB方法的激光点之间的距离设置为已知度量参考，将MDB方法的1厘米间隔设置为尺子的距离参考。远端分支（DBs）被定义为珊瑚分支的末端部分，即最后一个分支点与分支顶端之间的部分。DBs的宽度使用“直线”工具测量，该工具绘制出垂直于DB纵向轴的两侧可见边缘之间的横向距离。每次测量的起点和终点由操作员手动定位在识别出的分支边缘上。特定于图像的校准通过“测量”功能将每个长度从像素转换为公制值（厘米）。

非操作性远端分支（nMDB）测量方法
用于构建模型的nMDB测量方法涉及在不直接接触珊瑚的情况下计算物种特定的平均DB宽度。从水下录像中提取高分辨率的静态帧，选择那些珊瑚群落对焦并且垂直于其生长平面拍摄的帧。只有那些激光点直接投影在目标珊瑚群落上或在与基底相同的平面上对齐的帧被考虑在内，以最小化形态测量过程中的潜在视差误差和透视失真。所有选定的帧都被按比例调整为6000像素的标准化图像宽度。随后，进行图像分割以检测目标珊瑚群落。对于E. cavolini，使用ImageJ应用了半自动程序：帧被转换为8位灰度图像，并通过ImageJ的默认阈值方法（IsoData算法，Ridler和Calvard 1978）进行分割，阈值水平为150/255。当自动输出由于光照条件不同而不足够准确时，手动调整标准阈值水平以确保正确划分分支。这种方法不适用于P. clavata，因为其变化的色彩模式和与背景的低对比度使得无法有效使用标准化阈值分割，因此需要手动分割。采用这种操作员引导的方法以确保最大的测量精度，因为水下图像中的完全自动化边界检测可能会受到非均匀照明、色彩投射和局部对比度降低的影响（Schettini和Corchs 2010）。对于P. clavata，可以清晰区分出具有开放或收缩虫体的珊瑚群落（图S1）。测量DBs的宽度（厘米），每个DB测量一次（图3）。对于具有收缩虫体的珊瑚群落，测量时包括了萼部；而对于具有伸展虫体的珊瑚群落，无论伸展程度如何，都测量了虫体的整个可见长度（图S2；图S3）。对于E. cavolini，测量DB宽度时不考虑虫体，因为当虫体伸展时，虫体和触手的透明度会妨碍图像分析中的准确测量（图S1）。总共分析了15帧P. clavata具有收缩虫体的珊瑚群落（18个群落，600个DBs），18帧P. clavata具有伸展虫体的珊瑚群落（18个群落，300个DBs），以及32帧E. cavolini（32个群落，1094个DBs）。DB的宽度表示为平均值±标准误差。

图3 这张图像的替代文本可能是使用AI生成的。全尺寸图像
使用不同方法在同一Eunicella cavolini珊瑚群落上进行的测量示例。a 使用激光点之间的参考距离作为度量尺度来评估b珊瑚群落大小，遵循八放珊瑚种群结构研究的标准图像分析程序。c 使用激光点之间的固定距离来测量d平均远端分支宽度（每个数字表示不同的重复次数），使用非操作性远端分支（nMDB）方法，并评估e珊瑚群落大小。f–g 使用操作性远端分支（MDB）方法获得的远端分支宽度测量（每个数字表示不同的重复次数），用于估计h珊瑚群落大小。紫色线：参考距离；浅蓝色线：珊瑚群落大小。

操作性远端分支（MDB）测量方法
对于每个DB，沿着分支进行了1到10次随机宽度测量（图S2；图S3；图S4），这些重复测量的平均值被用作代表性的DB宽度。这种选择旨在捕捉细尺度变化，例如虫体萼部的存在或表面不规则性，这些在高分辨率图像中更为明显。DB的宽度表示为每个类别的平均值±标准误差：P. clavata具有收缩虫体（16个群落，189个DBs，494次测量），P. clavata具有伸展虫体（13个群落，197个DBs，337次测量），以及E. cavolini（28个群落，405个DBs，1023次测量）。

模型开发、实施和验证
目标是开发、验证并应用一个生物测量模型，从缺乏外部尺寸参考的水下图像中估计P. clavata和E. cavolini的珊瑚群落高度。该模型基于DB的平均宽度，作为内部形态学度量，将基于像素的测量转换为厘米。基于DB代表群落内高度重复且形态保守的结构这一假设，我们假设它们的平均宽度是物种特定的，并且在同一种群内的不同群落中相对恒定。因此，DB宽度可以作为估计整个珊瑚群落高度的可靠内部尺度。为此，为每个物种（以及P. clavata的收缩与伸展虫体）定义了一个比例系数（k），对应于预期的平均DB宽度（以厘米为单位）。该过程包括三个阶段：i）模型开发，统计定义k系数；ii）模型实施，应用转换公式；以及iii）模型验证，测试模型相对于传统基于激光的估计方法的性能。

模型开发
为了开发模型，使用nMDB和MDB方法获得的数据集计算了描述性统计量，包括最小值、最大值、平均值、标准误差、标准差、方差、变异系数以及通过自助重采样（9999次迭代）生成的95%置信区间，针对每个物种以及P. clavata的收缩与伸展虫体。使用Shapiro–Wilk检验评估DB宽度分布的正态性。由于正态性不满足，且两种方法产生的样本大小不平衡且方差异质，因此使用了非参数检验。使用Kolmogorov–Smirnov检验评估nMDB和MDB数据集之间的分布差异（零假设H0：分布形状相等），而使用Mann–Whitney U检验评估中心趋势的差异（零假设H0：中位数相等）。为这两种检验计算了p值。

模型实施
为了实施模型，对于nMDB和MDB方法，每个珊瑚群落分别进行了1到7次分支宽度测量（像素），然后将它们的平均值等同于在模型开发阶段从nMDB和MDB数据集中计算出的已知平均分支宽度（厘米）–比例系数k（厘米）–并用作将珊瑚群落高度从像素转换为厘米的度量参考：
$$H^{\left( i \right)} \left( {{\text{cm}}} \right) = \frac{{H^{\left( i \right)} \left( {{\text{pxls}}} \right) \cdot k \left( {{\text{cm}}} \right)}}{{\overline{{w_{b}^{ \left( i \right)} \left( {{\text{pxls}}} \right)}} }}$$
其中H(i)（厘米）是第i个珊瑚群落的高度（以厘米为单位）；H(i)（pxls）是第i个珊瑚群落的高度（以像素为单位）；wb(i)（pxls）是第i个珊瑚群落分支的平均宽度（以像素为单位）；k（厘米）是比例系数，根据物种的不同以及P. clavata的虫体状态（收缩或伸展）和使用的测量方法（nMDB或MDB）而变化。

模型验证
通过评估可测量珊瑚群落的高度（厘米）来测试测量模型的性能，以验证其与传统方法相比的表现。从研究地点SPS、SDP和SDC记录的视频录像中随机选取了106个P. clavata和112个E. cavolini的可测量珊瑚群落的高分辨率静态图像。当珊瑚群落从底部到顶部在正面视图中清晰可见，且大小不会因透视而失真，激光点位于与珊瑚群落相同的平面或靠近其底部时，认为这些珊瑚群落是可测量的（根据Chimienti等人2022, 2023的定义）。珊瑚群落的高度定义为从珊瑚群落底部到最远端点之间的距离，并使用ImageJ/Fiji软件进行测量。使用三种不同的测量方法对相同的珊瑚群落进行了测量：(i) 使用激光点作为尺寸参考（厘米），遵循八放珊瑚种群的标准图像分析程序（例如，Bavestrello等人2014；Prado等人2019b, 2023；Chimienti 2020；Chimienti等人2021, 2022, 2023）（图3a,b）；(ii) 使用nMDB测量方法的平均DB宽度（厘米）（图3c-e）；(iii) 使用MDB测量方法的平均DB宽度（厘米）（图3f-h）。通过Kruskal–Wallis检验比较了三种方法获得的尺寸值，然后使用Dunn的事后比较。使用Shapiro–Wilk检验评估尺寸数据集之间的成对差异的正态性。由于正态性不满足且方法之间的方差异质，因此采用了非参数检验进行组间比较。使用普通最小二乘回归评估三种方法之间的成对线性关联。从标准参数检验的零假设（H0：r=0）获得了皮尔逊相关系数平方（r2）和相应的p值。基于自助重采样为截距和斜率提供了95%置信区间。还计算了每个成对比较的平均绝对误差（MAE）和均方根误差（RMSE）。通过将珊瑚群落分为10厘米的尺寸类别，重建了每种测量方法的尺寸-频率分布。这使得可以直接比较三种方法检索的种群大小结构。还计算了核密度估计（1/cm），以提供底层大小分布的连续、平滑表示。模型应用在验证之后，nMDB模型被用来评估研究区域内P. clavata和E. cavolini的种群大小结构，以个体百分比频率表示，这些个体被分组到10厘米的大小类别中，并结合了分布参数以及保护状况。视频分析使用了ImageJ/Fiji软件。对于每个采样单元，测量了活体群体的密度（群体/m2）、具有尖端坏死的群体（即某些远端分支的末端受到坏死影响）、没有明显尖端坏死的被附生物覆盖的群体以及死亡群体。平均值以平均值±标准误差的形式表示。除了分支末端之外的坏死部分没有被检测到，也没有包含在分析中。计算了每个样带的尖端坏死群体百分比（相对于活体群体的总数）、被附生物覆盖的群体百分比（相对于活体群体的总数）以及死亡率（死亡群体相对于所有群体的比例）。考虑到大多数附生物是大型藻类，因此评估了所有被附生物覆盖的群体表面被藻类覆盖的百分比。检查了不同样带和群体大小类别中被附生物覆盖的群体比例的变化。还记录了任何碎屑和丢失的渔具的存在情况。对于每个样带，从经过验证的nMDB模型中获得了可测量群体的大小-频率分布，并进行了分析。当|值/标准误差|> 2时（Sokal和Rohlf 1995），分布参数（偏度和峰度）被认为具有统计学意义。然后评估了包括被附生物覆盖的群体百分比、尖端坏死群体百分比和藻类覆盖百分比（平均值±标准误差）在内的种群描述符，这些参数跨大小类别和样带进行了比较。所有统计分析和数据处理都是使用PAST4（Hammer等人，2001年）和R（版本4.5.0）进行的，所有测试的显著性都在p值为0.05的水平上进行了评估。描述性统计、评估指标（MAE、RMSE）、正态性测试（Shapiro–Wilk）、非参数比较（Mann–Whitney U、Kolmogorov–Smirnov、Kruskal–Wallis以及Dunn的事后检验）和普通最小二乘（OLS）回归都在PAST4中完成。R用于计算核密度估计（KDE）以及使用ggplot2、tidyverse、readxl和stringr包进行高级数据可视化。

模型开发：远端分支宽度使用nMDB方法获得的P. clavata群体收缩息肉的平均DB宽度为0.393±0.004厘米，而使用MDB方法获得的宽度为0.379±0.006厘米，置信区间几乎完全重叠（表2；图4）。nMDB显示的离散度略高于MDB，方差和标准差也表明了这一点（表2）。对于P. clavata具有扩展息肉的群体，使用nMDB方法的平均DB宽度为0.989±0.011厘米，使用MDB方法的宽度为0.964±0.017厘米，置信区间部分重叠。nMDB显示出比MDB更低的离散度和变异性。与收缩息肉相比，扩展息肉的标准误差、标准差和方差要高得多（表2）。

表2 使用非操作性远端分支（nMDB）和操作性远端分支（MDB）方法获得的Paramuricea clavata和Eunicella cavolini群体远端分支宽度的Bootstrap分析结果。对于每个物种和模型（非操作性：nMDB；操作性：MDB），报告了测量次数（N）、最小和最大宽度、平均值、95%置信区间（CI）、标准误差（SE）、标准差（SD）和变异系数（CV）。

图4 使用非操作性远端分支（nMDB）和操作性远端分支（MDB）方法获得的Paramuricea clavata和Eunicella cavolini远端分支宽度数据。图表显示了中位数（水平线）、第25和第75百分位数（箱子）、1.5倍四分位距范围内的最小和最大值（须状部分）；点表示异常值。星号表示数据集之间的统计显著性，仅在P. clavata具有扩展息肉的情况下发现（Kolmogorov–Smirnov p < 0.05）。

使用nMDB方法获得的E. cavolini群体的平均DB宽度为0.216±0.001厘米，使用MDB方法获得的宽度为0.220±0.002厘米，置信区间部分重叠，根据方差和标准差，两种方法的测量离散度相似（表2；图4）。根据Kolmogorov–Smirnov检验，仅在P. clavata具有扩展息肉的群体中发现了nMDB和MDB数据集之间的统计显著差异（表S1）。

模型验证：使用三种不同方法的群体大小输出使用基于10厘米激光刻度的标准图像分析程序获得的相同群体的大小测量值之间的线性相关性——对于P. clavata（图5a-c）和E. cavolini（图5d-f）——在nMDB和MDB方法之间都非常强。nMDB和MDB模型之间的相关性最强，证明了这两种模型的高度一致性。使用三种方法得到的群体大小（厘米）的输出是可比的（图6；表3），根据Kruskal–Wallis和Dunn的事后检验，各组之间没有显著差异（表S2）。nMDB和MDB方法的可靠性进一步得到了低MAE和RMSE值的支持（表S2）。

图5 使用三种不同方法获得的Paramuricea clavata和Eunicella cavolini群体的普通最小二乘回归：标准图像分析、非操作性远端分支（nMDB）和操作性远端分支（MDB）。还报告了每个回归的皮尔逊相关系数平方（r2）和p值。红色带表示拟合线的95%置信区间和斜率及截距的95%自助法置信区间。

表3 使用三种方法获得的Paramuricea clavata和Eunicella cavolini群体大小测量的描述性统计：标准图像分析、非操作性远端分支（nMDB）和操作性远端分支（MDB）。

大小-频率分布突显了使用三种方法得到的P. clavata（图7a-c）和E. cavolini（图7d-f）输出的一致性。图7 使用三种方法获得的Paramuricea clavata和Eunicella cavolini群体的大小-频率分布：标准图像分析、非操作性远端分支（nMDB）和操作性远端分支（MDB）。条形表示四分位距（数据的50%），水平条表示中位数，须状部分显示1.5倍四分位距范围内的值。

图5 在SPS和SDP的P. clavata森林中，随着深度的增加，密度总体上有所增加（图8），同时附生物覆盖的群体百分比和死亡率百分比都有所下降（表4）。在最浅的样带（SPS1）上也记录了最高的平均藻类覆盖率。SDP的尖端坏死总体上更高。

表4 对Paramuricea clavata和Eunicella cavolini森林的视频样带分析结果。每个样带的健康群体（无附生物）的密度，以及受到藻类附生物影响并表现出尖端坏死的群体密度（所有尖端坏死的群体也被附生物覆盖）都被报告出来。每个样带的平均（±标准误差）藻类覆盖百分比也被报告出来。

在SDP3记录了非常高的E. cavolini活体群体密度，尽管存在附生物现象。同样，在SDC也存在密集的E. cavolini森林，附生物现象比SDP少，但尖端坏死的发生率更高（图8；表4）。大小-频率分布显示，在所有样带中都存在最小大小类别（0.1–10厘米）的年轻群体（图9；表5）。在P. clavata群体中，这些群体没有表现出尖端坏死或附生物现象，而一些小的E. cavolini群体被附生物覆盖，藻类覆盖适中（图9）。

在SPS站点，P. clavata在三个深度范围内表现出相似的分布，中等大小的群体占多数。SPS2站点观察到的群体最大，而SPS3在10.1–20厘米类别中有最高比例的年轻群体，且附生物群体比例非常低。同样，SPS2站点的P. clavata种群结构是扁平峰度的，尽管分布显著右偏（图9；表5）。E. cavolini种群的保护状况在SPS1总体上较差，在SPS2、SDP1和SDP2中等，在SPS3较好，后者表现出较少的尖端坏死、较低的附生物现象和较低的藻类覆盖。E. cavolini的种群大小结构是扁平峰度的，且几乎没有偏斜，年轻群体占多数，特别是在SDP站点（图9；表5）。在所有站点和所有大小类别中，附生物现象和藻类覆盖都较高，中等和大型群体中更为频繁，偶尔会出现明显的尖端坏死。

最后，在样带中除了SDP1和SDP2的两条废弃延绳钓线外，没有发现海洋碎屑。尽管如此，由于P. clavata和E. cavolini的幼虫扩散能力有限，它们的分布在地中海地区呈现出零散且连接不紧密的特点，因此来自不同地理区域或环境的种群可能会表现出不同的形态特征（Linares等人2007年；Mokhtar-Jama?等人2011年；Sini等人2015年；Radice等人2016年；Gori等人2017年；Carugati等人2022年；Aurelle等人2024年）。因此，这里报告的Tremiti群岛种群的DB参考值可能并不直接适用于所有地中海地区，尽管它们与文献中的形态解剖学描述大体一致（Weinberg 1976年；Altuna和Poliseno 2019年）。测量DB宽度需要高精度，因为小的误差可能会放大高度估计的误差，尤其是在大型群体中。为了降低这种风险，我们增加了每个群体的分支测量次数，并使用平均DB宽度作为度量参考。这种非侵入性方法还扩展了现有视觉数据集的可用性。现在可以定量分析高质量的照片和视频（包括一些历史记录和公民科学拍摄的图像），以了解群体大小结构。此外，基于DB的方法为每个群体提供了内在的参考。与激光投影不同，后者定义的度量尺度仅限于单一焦平面，并且容易因视差或不同焦深下点的空间偏移而产生显著的视角相关误差，基于DB的模型确保了直接整合到目标生物体中的度量的一致性。然而，任何基于图像的形态测量估计的准确性都受到相机视角的限制（Isteni?等人2020年）。实际上，形态测量估计的准确性取决于图像相对于群体主要分支平面的正交性。在复杂且异常密集的海洋动物森林中，或者在历史档案中，要实现理想的相机定位以获得清晰的正面视图而不损坏周围生物体，往往受到群体物理重叠或基底地形不规则性的阻碍。这种不完美的定位可能会引入视差误差，从而可能低估群体高度。为了确保数据质量和提高准确性，建议优先选择目标群体的主要分支平面清晰可识别且尽可能垂直于相机光轴的图像。此外，在个体形态测量不可靠的极高密度情况下，转向基于社区的监测指标（如基底覆盖率）可能更为合适，以提供八放珊瑚森林结构的另一种评估方法。

除了当前的应用之外，nMDB模型在集成到半自动化或完全自动化的图像分析工作流程中具有巨大潜力。通过提供一致且易于识别的生物参考，这种方法可以为计算工具提供一个潜在的基线，帮助进行图像筛选，并促进旨在自动化形态测量数据提取的机器学习算法的训练。这种潜在的自动化将显著减少手动测量的时间消耗，最终通过允许处理比以前更大的数据集来提高监测程序的可扩展性。

Tremiti群岛的八放珊瑚森林状况
Tremiti群岛拥有意大利亚得里亚海中一些最广泛且生态意义最重要的P. clavata和E. cavolini种群，代表了地中海的关键保护重点。监测这些种群对于追踪生态变化和检测人类活动的影响至关重要，为海洋保护区（MPA）管理者提供了支持。2019年发生的大规模死亡事件与全球变暖有关，此后Tremiti群岛的八放珊瑚种群继续显示出压力迹象，包括尖端坏死和大型藻类过度生长（Chimienti等人2021年）。为了评估这些种群的恢复力动态，我们比较了SPS地点的活体和死亡群体密度，分别使用了2014年和2019年的基线数据（Chimienti等人2021年）。根据Capdevila等人（2022年）的观点，恢复力可以分为抵抗力（即系统吸收压力影响的能力）和恢复能力（即返回未受干扰状态的能力）。数据显示，虽然2019年Tremiti群岛的抵抗力部分受损（r < 0，根据Capdevila等人2022年的定义），但目前正处于恢复阶段（r > 0，根据Capdevila等人2022年的定义），但这一过程并不均匀。例如，在较浅的SPS1（34米）区域，恢复速度较慢，可能受到局部环境限制的影响，这从附生生物的健康状况可以看出。尽管自2019年以来活体群体的密度有所增加，死亡群体的密度有所下降，但活体群体的密度（9.3 ± 0.2个/平方米）仍未达到2014年的水平（10.9 ± 0.2个/平方米），表明恢复速度较慢，这与最古老的数据相比并不代表原始种群状态，而是反映了死亡事件前的种群状况。这些观察结果与Cerrano等人（2005年）报告的类似情况一致，即招募可能不足以弥补死亡损失，特别是在与物种生活史特征相比频繁发生大规模死亡事件的情况下。相比之下，Tremiti群岛较深的区域（SPS2，尤其是SPS3）表现出更高的恢复率，活体群体密度高于2014年，死亡群体相对于活体群体的比例也有所下降。这得到了小型群体（< 20厘米高）高频率出现的支持，特别是在SPS3。考虑到在密集种群中由于大型群体的遮挡而难以检测到小型群体，通过图像分析可能会低估它们的密度。这些小型群体的存在表明招募成功（Cupido等人2009年，2012年；Gambi和Barbieri 2012年；Sini等人2015年；Chimienti等人2021年），这与2022年8月在SPS发生的P. clavata大规模产卵现象相符，而在同一地点的较浅群体中并未观察到这种现象（Chimienti个人观察）。观察到的中等大小群体（20-40厘米高）的增加可能反映了年轻群体的生长和老群体因断裂和尖端坏死而部分收缩（Linares等人2007年）。这表明较深的区域可能为招募和生长提供了有利条件，这对八放珊瑚森林的恢复至关重要。

总体而言，Tremiti群岛的种群密度与其他亚得里亚海重要的八放珊瑚森林（Kipson等人2015年；Sini等人2015年）以及爱琴海（Sini等人2015年；Chimienti等人2023年）相当或略高，同时与西地中海的种群大体一致，大多数研究都集中在这些地区（Harmelin和Marinopoulos 1994年；Mistri和Ceccherelli 1994年；Cerrano等人2005年；Linares等人2005年，2008年；Bo等人2011年；Gori等人2011a年；Huete-Stauffer等人2011年；Sini等人2015年；Valisano等人2016年；Gómez-Gras等人2021年）。这种模式在SPS的P. clavata和SDP的E. cavolini中尤为明显。

尖端坏死反映了持续的压力，加上附生生物的存在，这通常是过去坏死或压力的结果，是八放珊瑚森林健康状况的可靠指标。低尖端坏死率结合高附生生物覆盖率可能表明正在恢复，而大型藻类在附生生物中的优势则表明坏死组织正在快速被占据，有时即使息肉仍然存活（Chimienti等人2021年）。大型藻类的过度生长有所减少，但仍足够高，足以影响保护状况，特别是在SPS1的P. clavata（72%的群体被附生）和SDP3的E. cavolini（64%的群体被附生）中。附生生物覆盖率随群体大小的增加而增加，在最小尺寸类别中可以忽略不计，在较大群体中则较高，这与之前的报告一致（Kipson等人2015年；Iborra等人2022年）。附生生物和坏死率随深度减少的模式与Tremiti群岛（Chimienti等人2021年）和其他地中海地点（Linares等人2005年；Huete-Stauffer等人2011年；Garrabou等人2022年；Chimienti等人2023年）的观察结果一致，这可能是由于较浅水域的热应力较高。尽管较深的种群可能作为幼虫来源支持恢复，但保持其良好的保护状态对这些八放珊瑚森林的长期恢复至关重要。在这方面，这里提出的方法通过最大化形态测量数据的收集，实现了对复杂种群动态和保护状况的综合跟踪，证明了其有效性。

该方法的多功能性使其适合整合来自公民科学或历史档案的数据，从而增强了时空比较的稳健性，为MPA提供了一个诊断工具，以评估当前措施并指导特定地点的法规制定，确保维持健康种群的同时，特别关注那些恢复较慢的种群，因为它们对综合压力来源更为敏感。

结论
本研究开发、验证并应用了一种非侵入性方法，基于P. clavata和E. cavolini群体的平均远端分支宽度来估计其大小。这种度量方法被证明是一致的、准确的和可靠的，适用于种群监测，为直接测量方法提供了一种实用的替代方案，提高了数据的可重复性，减少了对海洋生物的干扰，并通过减少水下操作所需的时间提高了安全性。通过消除对外部度量参考的需求，该方法扩展了形态测量分析的范围，即使在缺乏校准激光等专业设备的情况下也能进行定量评估。其非侵入性和操作简便性使其特别适合大规模、长期监测计划。将这些模型与机器人技术和人工智能方法相结合可能对确保未来的可扩展性具有战略意义。未来实施基于人工智能的工具来收集和分析图像数据，可以在复杂和脆弱的环境中标准化八放珊瑚森林的评估，其中DB测量可能作为辅助数学校正视角失真的度量标准。未来的研究可以探索这种方法在其他地理区域的八放珊瑚物种或种群中的适用性，进一步测试其普遍性和稳健性。通过增强我们对八放珊瑚种群结构和保护状况的理解，这种方法可以为保护这些具有重要保护价值的脆弱海洋生态系统提供基于证据的策略，并有助于海洋保护区管理机构评估现有管理措施的有效性。