Kosters havsbottenobservatorium

Första objektdetekteringsmodellerna för bottenfauna och habitatsbyggare släppta

KSO har nu gått igenom sin 3e utvecklings-cykel vilken har producerat Open source-tjänster för uppladdning och hantering av undervattensbildklassificering, samt träna och testa detekteringsmodeller. I den tredje cykeln ingick även ett antal vetenskapliga samarbeten med Sveriges Geologiska Undersökning (SGU) och Medins AB gällande övervakning av havsbotten i Kattegat och Östersjön. Därför kan vi nu erbjuda detekteringsmodeller för 5 ekologiskt viktiga arter, såsom Sjöpennor (Pennatula phosphorea, Virgularia mirabilis), Brännanemon (Bolocera tuediae), Ögonkorall (Desmophyllum pertusum) och Blåmusslor (Mytilus. spp). Modellerna är verifierade, väldokumenterade och redo att användas för ekologisk forskning och övervakning av havsbotten på Svenska kusten. Ett exempel av modellfunktion visas nedan, medan vårt "modell-zoo" snart kommer vara tillgängligt här.

Nytt KSO-projekt studerar interaktionerna mellan invasiva och inhemska fiskar

Forskare vid Göteborgs universitet håller på att undersöka interaktionerna mellan invasiva och inhemska fiskar på svenska västkusten. En stor del av datainsamlingen sker genom undervattensvideofilming och Kosters Havsbottenobservatorium (KSO) kommer att användas till att strömlinjeforma analysen av många timmar av videofilmningar. "Invasion av främmande arter är förutspått att öka i framtiden, så det är av yttersta vikt att vi lär oss använda dessa nya bildanalystjänster" säger Leon Green som studerar hur biodiversiteten kan begränsa spridningen av främmande arter. Han fortsätter: ".... speciellt, kombinationen av Big Data-metoder och medborgarforskning kan bli ett viktigt verktyg för att kartlägga spridningen och populationstillväxten av innvasiva fiskar" Projektet är en del av PLAN-SUBSIM och kommer starta under våren 2022.

Detta foto visar videouppsättningen för övervakning av inhemska och invasiva fiskar på den svenska västkusten

Nytt innovationsprojekt givet

I November 2021 fick vi nyheten att vårt förslag till Forskningsrådet för hållbar utveckling (FORMAS) gick igenom, Hurra!!!. I detta innovationsprojekt kommer vi utveckla Kosters Havsbottenobservatorium vidare till en nationell plattform för analys av undervattensbilder (projektförkortning SUBSIM). Närmare bestämt, kommer vi utveckla sömlösa kopplingar mellan existerande dataarkiv, tematiska eLab för datahantering, högpresterande datainfrastruktur (HPC) samt dataportaler och därigenom göra värdefulla undervattensdata och dataprodukter tillgängliga för akademiska forskare och andra slutanvändare i samhället. De föreslagna aktiviteterna (Arbetspaket) kommer inkludera i) Formulering av användarspecifikationer, ii) Implementeringstester, iii) skalningsoperationer.

Tidsram: December 2021- November 2023.
För mer information, kontakta Matthias Obst.

KSO testad för Kartläggning av habitat i Östersjön

Vi är glada att rapportera att vi startat ett nytt samarbete mellan Ocean Data Factory och Sveriges Geologiska Undersökning. Vi kommer efter sommaren att prova och anpassa KSOs system för extrahering av förekomst och mångfaldsdata från stora bildserier i Östersjön. Detta är ett bra tillfälle att vidareutveckla vår maskininlärningsmodell och stödja forskningen inom ekosystem i nya bottenmiljöer. Detta samarbete är också en del av European Open Science Cloud-projektet ESOC NORDIC, vilka utvecklar en infrastruktur för datakraftsintensiva analytiska tjänster, såsom de i KSO.

Denna figur visar resultaten av våra första modelltester för upptäckt av Blåmusslor. Dessa modeller kan användas för att skapa bottenhabitatskartor för Östersjön

Första vetenskapliga artikeln om Kosters havsbottenobservatorium publicerad.

Vi är glada att meddela den fulla beskrivelsen av vårt system med en serie av tekniska försök och ekologiska provfall i Kosterhavets nationalpark. Här är länken till artikeln: https://bdj.pensoft.net/article/60548/

Automatisk identifiering av koraller

Ett av våra första resultat är förmågan att känna igen ekologiskt viktiga arter på bilder från havsbotten. En av de viktigaste arterna är Ögonkorallen Lopehlia pertusa. Närvaron av denna art är en av orsakerna till att nationalparken blev instiftad här. Denna korall har varit på nedgång i mer än ett decennium och vi har fortfarande inte lyckats förstå orsaken bakom det.

Tack vare era anteckningar, Har Kosters havsbottenobservatorium börjat träna artificiella intelligensalgoritmer till att känna igen korallarter. Vi håller för tillfället på att finjustera algoritmerna till att känna igen flera viktiga korallarter, såsom Lophelia. Detta gör det möjligt för oss att analysera deras tillbakagång i området över de senaste 20 åren så att vi kan bättre förstå orsaken (eller orsakerna) till deras tillbakagång.

Denna video visar den när algoritmen för den artificiella intelligensen känner igen kallvattenkoraller i real-tid

This video shows the artificial intelligence algorithm recognising the deeplet sea anemone, Bolocera tuediae, in real-time

Analysera dina egna filmer för närvaro av koraller

Vi har också utvecklat en app som låter dig gå igenom redan klassificerade sekvenser, eller ladda upp dina egna bilder eller filmer. Du kan manipulera klassificeringströsklarna (IUC-tröskel, konfidenströskel) och interaktivt se förändringarna i modellen. Här är en länk till web-appen:http://koster.oceandatafactory.cloud/

Denna figur visar det grafiska användargränssnittet i web-appen

Källkoden

Vi öppnar alla våra källkoder och bjuder in alla att använda den. Här är förvaren associerade med Kosters havsbottenobservatorium:

Github repository for the machine learning model

Github repository for the system data flow

Student och forskningsprojekt

Kosters havsbottenobservatorium erbjuder spännande möjligheter för studenter och forskare att engagera sig med. Vi jobbar för tillfället med olika forskningsgrupper för att analysera data från Kosters havsbottenobservatorium, med både biologiska mönster och medborgarnas intresse och beteende i åtanke. Vi har också studenter som vidareutvecklar våra maskin-inlärningsmodeller.
Om du vill bli involverad, kontakta oss gärna och dela med dig av dina idéer och/eller tankar.

Trålningens påverkan på mjukbottenfauna av Rasmus Torslund

Sjöpennor är koralldjur som lever på mjukbotten och är viktiga habitatsbyggare när de växer tätt. Sådana samlingar av sjöpennor skapar skydd för fiskar och skaldjur. Tidigare studier har visat på att sjöpennsmiljön är på nedgång på grund av skadliga fiskemetoder såsom bottentrålning, men också från andra hot. Genom att få en förståelse av utbredning och mängd av sjöpennor och hur mängden påverkas av trålningsaktivteter kan vi hoppas att få insikt i hur det ser ut och förändringar i mjukbottensekosystemet i Kattegattsregionen.

Applikation av maskin-inlärningsmodeller för studier av långsiktiga förändringar av bottenfauna i Kosterhavets Nationalpark av Joel Hjärne Kokk

I detta projekt undersökte jag effektiviteten och pålitligheten av makin-inlärningsmetoden jämfört med manuell analys. Jag testade prestationen av den nuvarande modellen för att finna tre arter Desmophyllym pertusum (Ögonkorall) Bolocera tuediae (Brännanemon) och Geodia barretti (Fotbollssvampdjur). Det andra målet var att använda modellen för att se huruvida utbredningen av dessa tre arter har ändrats under de senaste tjugo åren i ett av revområdena av Kosterhavets Nationalpark. Resultaten visar potential för användandet av maskininlärningsmodeller som analytiskt verktyg, men visar också de dilemman som behöver ses över för att göra systemet applicerbart för storskaliga studier på djupvattenfauna såsom bättre standardisering av undervattens-bildmaterial.

Utforska potentialen av syntetisk data för att hitta sällsynta arter i undervattens-bildmaterial av Sarah Al-Khateeb och Lisa Bodlak

Stora och variabla data är av yttersta vikt för att träna objektdetektionsmodeller ordentligt och för att uppnå tillräcklig förutsägelseprestanda. I vissa fall, såsom under utveckling av modeller för upptäckt av sällsynta arter, är data alltid begränsad, vilket resulterar i överanpassning och dålig modellprestation. Vidare kan undervattens-bildmaterial vara av låg kvalitet, med färgförvrängning och otydlighet. I denna tes har vi undersökt metoder för att öka och förbättra träningsdatan för objektklasser med lite träningsdata och därigenom förbättra noggrannhet för upptäckt. Vi exprimenterade med flera Generative Adversarial Networks (GANs) för att förbättra och öka träningsdatan. Resultaten förbereds för publikation och vi kommer snart att publisera länken nedan.

Exempel på träningsbilder (vänster) and syntetiska bilder (höger).

En marin chatbot av Phong Trang

Jag utvecklade en chatbot vars mål är att stödja och ge råd till volontärer allt medan de deltar i projektet. Chatbotten är designad att vara en kommunikations och chattkanal som kan ge kul, informativ och skräddarsydd information till volontärerna. Till exempel kan du ställa chatbotten frågor om de marina arterna eller till och med ha en liten dialog för en trevligare stund medan de håller på med Koster Seafloor Observatory. Ta dig en titt på några exempel nedan. Till vänster ser du chatbottens gränssnitt som finns på vår webbplats. I mitten ser du hur chatbotten erbjuder en rad av uppgifter för att assistera dig. Till höger ser du hur chatbotten kontaktar dig när den upptäcker att du kanske behöver assistans.

Analys av Kostervoluntärernas bidrag av Yixin Zhang

I detta projekt samlade i in data från voluntärernas bidrag mellan Oktober 1 2019 till Oktober 21 2021. Datasetet innehåller 110.953 klassificeringar från 6488 deltagare. En liten del av medborgarna bidrog med lejonparten av klassificeringarna, vilket ledde till skevt deltagande. De top 20 användarna bidrog med 20710 klassificeringar, vilket var 18,67% av de 110.953 klassificeringarna. Vi noterade också skillnader mellan användare som loggade in i systemet och de som inte loggade in. Bland de 6488 som bidrog loggade 4085 in i Zooniverse med användar ID, medan 2403 ej loggad in och dessa spårades med Cookies. De användare som loggade in i systemet bidrog med signifikant fler klassificeringar per användare, med ett medeltal på 20,99 klassificeringar per användare, och de 2403 som inte loggade in i systemet bidrog med ett medeltal av 10,53 klassificeringar per användare. Figuren nedan illustrerar skillnaderna i medeltal av klassificeringar mellan användare som loggade in och användare som inte loggade in. Resultaten förbereds för publikation och vi kommer publicera länken här snart.

Planerad utveckling

Nästa version av Kosters havsbottenobservatorium (KSO v 3.0) är i utveckling. Denna version kommer att inkludera nya filmer från andra områden i Sverige, såsom Östersjön. Den kommer också innehålla nya funktioner att ladda upp bild/filmdata, utforska, formatera och hantera klassificeringar, samt trana och testa objektdetekteringsmodeller. Håll ögonen öppna på denna sida för att hålla dig uppdaterad. 😃