El océano está experimentando un cambio rápido sin precedentes, y monitorear visualmente la biota marina en las escalas espacio-temporales necesarias para una administración responsable es una tarea formidable.
A medida que la comunidad investigadora busca líneas de base, el volumen y la velocidad de esta recopilación de datos necesaria supera rápidamente nuestra capacidad para procesarlos y analizarlos.
Los avances recientes en el aprendizaje automático permiten un análisis rápido y sofisticado de datos visuales, pero han tenido un éxito limitado en el océano debido a la falta de estandarización de datos, formatos insuficientes y demanda de grandes conjuntos de datos etiquetados.
Para enfrentar esta necesidad, investigadores de Monterey Bay Aquarium Research Institute, de NOAA, de CVision AI Inc., y del Ocean Discovery League crearon FathomNet, una base de datos de imágenes de código abierto que estandariza y agrega datos etiquetados seleccionados por expertos.
Métodos de monitoreo del océano
Los investigadores reportan que existen tres modalidades comunes para observar la biología y los proceso biológicos en el océano: acústica, las tecnologías ómicas e imágenes, cada una con sus fortalezas y debilidades.
La acústica permite observaciones de dinámicas a escala de población y de grupo; sin embargo, las observaciones a escala individual, especialmente la determinación de animales hasta grupos taxonómicos inferiores como las especies, son tareas desafiantes.
El campo prometedor de eDNA permite la identificación de comunidades biológicas en función de su ADN presente en la columna de agua. Sin bien los estudios de eDNA brindan vistas a gran escala de comunidades biológicas con solo unas pocas muestras, determinar la fuente espacial del ADN, relacionar las mediciones con el tamaño de la población y la presencia de marcadores biológicos no marinos confusos en las muestras son áreas activas de investigación que aún deben abordarse.
Las imágenes, un método no extractivo para la observación del océano, permiten la identificación de muchos animales a nivel de especie, aclaran la estructura de la comunidad y las relaciones espaciales en una variedad de hábitats, y revelan el comportamiento de los grupos de animales a escala fina. Sin embargo, el procesamiento de datos visuales, en particular los datos con escenas y organismos complejos que requieren clasificaciones expertas, es un proceso que requiere muchos recursos y no se puede escalar sin una inversión significativa, desarrollo de capacidades y avances en la automatización.
FathomNet
Para procesar imágenes y videos recopilados en cualquier parte del océanos del mundo, necesitamos un conjunto completo de datos de imágenes etiquetadas que pueda escalar al océano global.
“Si queremos reclutar personas que no sean expertos en la materia de imágenes marinas, sino científicos informáticos que estén familiarizados con el desarrollo de algoritmos de última generación para el análisis automatizado de imágenes, necesitamos un depósito central accesible para estos datos etiquetados”, citan los autores del estudio.
Para afrontar esta necesidad, los investigadores desarrollaron FathomNet, un conjunto de datos de imágenes etiquetadas distribuido y disponible públicamente construido sobre los principios de datos FAIR30, que utiliza formatos de datos de archivo Darwin CORE.
FathomNet tiene una API Rest y un sitio web: www.fathomnet.org, respaldados por una base de datos relacional que integra servicios web comunitarios ampliamente utilizados (por ejemplo el World Register of Marine Species or WoRMS32).
La base de datos FathomNet cuenta con imágenes icónicas y no icónicas existentes de animales marinos, equipos submarinos, desechos y otros conceptos, y permite futuras contribuciones de fuentes de datos distribuidas.
“Demostramos cómo se pueden usar los datos de FathomNet para entrenar e implementar modelos en otros videos institucionales para reducir el esfuerzo de anotación y permitir el seguimiento automatizado de conceptos submarinos cuando se integran con vehículos robóticos”, describen.
FathomNet tiene el potencial de incrementar la tasa de análisis de datos de imagen y video por los observadores humanos, contribuyendo a la generación de datos etiquetados, y creando algoritmos más inteligentes desplegados en vehículos robóticos para facilitar el muestreo y las observaciones de los animales marinos.
Conclusión
A medida que FathomNet continúa creciendo e incorporando más datos etiquetados de la comunidad, podemos acelerar el procesamiento de datos visuales para lograr un océano global saludable y sostenible.
Los investigadores invitan a los apasionados por el océano a resolver los desafíos relacionados a los datos visuales del océano a escalas temporal y espacial que son imposibles sin el apoyo de la semi-automatización.
“A través de FathomNet y su comunidad de usuarios, podemos crear un ecosistema en torno a los datos visuales marinos que pueden realizar una visión más inclusiva, equitativa y diversa de la exploración y el descubrimiento de los océanos”, finalizaron los investigadores.
Contacto
Kakani Katija
Monterey Bay Aquarium Research Institute, Research and Development, Moss Landing, 95039, USA
kakani@mbari.org
Referencia (acceso libre)
Katija, K., Orenstein, E., Schlining, B. et al. FathomNet: A global image database for enabling artificial intelligence in the ocean. Sci Rep 12, 15914 (2022). https://doi.org/10.1038/s41598-022-19939-2
