На видео показали, как клюет рыба под водой
Сегодня найти в интернете подводные съемки рыбалки не составляет проблему благодаря специальным видеокамерам для такого рода съемок, приспособлений для подводной съемки и т.п.
Ротан, невесть как пришедший на наши водоемы и заполонивший многие озера и реки, в то же время очень вкусная рыба при, к сожалению или к счастью, своем малом весе. Но если наловить его в большом количестве, то вкусный ужин вам обеспечен. Посмотрите, как ведет себя ротан во время зимней рыбалки. Поучительное видео показывает, как клюет рыба под водой.
Подводная съемка на камеру при ловле донкой карася
Ловил донкой (пружина с двумя крючками) и снимал под водой. На червя ловить сразу перестал, так как сразу клевали окуньки. Использовал в качестве насадки чуть недоваренные макароны в виде звездочки (одевал их через дырочку пару штук) и фиксировал на крючке одним геркулесом. Прикормка- хлеб, клубничная прикормка. Мой канал- это (в основном) канал ЛЮБИТЕЛЯ-рыболова или рыбалка- как вижу ее я! Поклевки и ловля карася, карпа, тиляпии, тарани, линя и т.
Как клюет карась под водой
Всегда была интересна рыбалка, а именно как клюёт рыба под водой и как она играет с рыбаками! Я поехал на пруд где есть карась и поставил туда подводную камеру с кормушкой. Дно было очень илистое и камера прямо проваливалась под землю. Карась там летает, а не плавает! Все происходит так быстро, в темноте или и водорослей. Все что снял – показал.
Как клюет окунь на блесну и балансир
Первая подводная видеосъемка. Подводная видеосъемка в марте. Волга.
Камера SJ4000 (Для интересующихся, крепление на ПВХ трубе с подгрузкой).
Рыба абсолютно не боится посторонние предметы и шумы.
Для себя сделал интересные выводы:
– Нужно чаще менять тип игры балансиром
– Блесной играть на более низком уровне.
– Чем больше рыбы, тем активнее клюет
– Снимать рыбу с балансира нужно быстрее и быстрее кидать приманку в воду – иначе интерес пропадает при длительной паузе.
Комментарии под видео
Наталья Лапчик
Вот что я здесь делаю? У меня рабочий день, я девочка, зачем мне ловля окуня на блесну? И еще за рыбака болею… Дядька чужой, сидит на холоде, лунку просверлил, тяжело наверное было сверлить…, я эту рыбу даже не съем. 23 минуты жизни… Но в целом интересно, спасибо)
letchik7
+Наталья Лапчик Извините, что заставил вас поволноваться. Хочу сообщить, что сидеть не холодно – костюм фирменский, и в марте уже не морозит; ножи заточены – лед бурится хорошо.
Половина рыбок отпущена. Настроение отличное – кино успешно отснято) Да, и девочки незнакомые письма пишут))) Это вообще замечательно)
Подводная сьемка карпов
Узнайте, почему ротан клюет на все
Пьют ли рыбы воду?
Хотя морские рыбы пьют очень много воды, их пресноводные родственники не пьют почти ничего. Корень этого различия заключается в потребности рыб поддерживать нормальный баланс соли и воды в организме.
Вода в океане в три раза солонее, чем собственная жидкая среда живущей в океане рыбы. В результате естественного процесса, известного под названием осмоса, вода из тела морской рыбы устремляется наружу через кожу и жабры. Чтобы возместить утраченную жидкость, соленоводная рыба вынуждена поглощать большое количество морской воды.
Концентрация соли в теле пресноводных рыб превышает ее содержание в окружающей водной среде, поэтому пресноводные рыбы не пьют, как морские, а постоянно впитывают воду через кожу. Излишки жидкости они выделяют в виде обильного мочеиспускания.
1. Количество воды, которое поглощают морские рыбы, зависит от степени се солености. Чем солонее вода, тем больше рыба пьет.
2. Жабры рыбы, которая живет в соленой воде, впитывают некоторое количество соли.
3. Под действием осмоса рыбы могут пропускать через жабры большое количество воды.
4. Излишки соли выводятся с мочой.
5. Вода, проглоченная соленоводной рыбой, всасывается кишечником.
Пресноводные рыбы выделяют соль и впитывают воду через кожу, поэтому им не нужно пить воду. Уровень соли в организме пресноводных рыб восполняется с пищей и ионами (соли), оседающей в жабрах.
1. Движимая силой осмоса, вода поступает в тело рыбы через жабры.
2. Часть соли теряется жабрами в результате осмоса.
3. Пресноводные рыбы имеют излишки воды, которые они выделяют в виде очень разбавленной мочи.
Если рыб поменять местами
В своем привычном доме морские рыбы поддерживают нормальный водно-солевой баланс, выпивая большое количество воды и выделяя излишки соли. В пресной воде морская рыба впитывает воду, разбавляя ею жидкую среду своего организма. Неспособная удержать соль или избавиться от излишков воды, рыба погибает.
Обычно пресноводная рыба регулирует уровень соли в тканях своего тела, впитывая соль и выделяя воду. В соленой воде рыба теряет воду, которую не может возместить; содержание соли в ее теле возрастает до смертельного уровня.
Непостоянные натуры
Несколько видов рыб являются диадромными — это означает, что они могут жить и в соленой и в пресной воде, регулируя жидкий состав своего организма в соответствии с условиями окружающей среды. Они пьют воду — или воздерживаются от нее — в зависимости от концентрации соли в месте их обитания. Кроме того, их жабры и почки способны быстро перестроиться с перерабатывания соленой воды на пресную, и наоборот. Лососи, которые живут в океане, а нерестятся в реках, а также осетры, пузанки и миноги, обитающие в устьях рек, тоже принадлежат к числу легко адаптирующихся рыб. Некоторые виды диадромных рыб показаны на иллюстрации сверху.
Как рыбы дышат под водой?
Легко дышащие воздухом млекопитающие, в том числе люди, должны быть сухими и свободными от жидкостей для правильной жизнедеятельности. Когда мы делаем вдох, крошечные воздушные мешочки в наших легких вытягивают кислород из воздуха и переносят его в клетки нашего тела.
Давайте ответим по существу на три следующих вопроса:
- Как рыбы дышат под водой?
- У всех морских существ есть жабры?
- Почему дельфины и киты плавают на поверхности океана?
Легкие млекопитающих совсем не подойдут для рыбы, потому что первый же вдох под водой наполнит их жидкостью и сделает их бесполезными. Тем не менее, рыбе тоже нужен кислород, чтобы дышать. Чтобы получить кислород из воды, они используют специальные органы, называемые жабрами.
Жабры — это особый орган, полный кровеносных сосудов. Рыба дышит, принимая воду в рот и выталкивая ее через жаберные проходы. Когда вода проходит через тонкие стенки жабер, растворенный кислород попадает в кровь и поступает в клетки рыбы.
Если рыба может дышать под водой, то почему некоторые рыбы, такие как дельфины и киты, плавают на поверхности океана? Потому что дельфины и киты вовсе не рыбы! Они млекопитающие, как люди.
Дельфины и киты во многом похожи на людей: они рожают живых детей вместо откладывания икры, теплокровны и имеют легкие для дыхания воздухом. Когда кит или дельфин появляется на поверхности, он вдыхает воздух через нос (обычно называемый «сопкой») на макушке головы.
А знаете ли вы, что существует медуза, которая живет вечно — это turritopsis nutricula. Узнать о ней можно в отдельной статье на LifeGlobe.
Рыбные факты:
- Существует больше видов рыб, чем всех видов амфибий, рептилий, птиц и млекопитающих вместе взятых.
- Рыба была на земле более 450 миллионов лет.
- Самая большая рыба — это большая китовая акула, длина которой достигает 20 метров.
Понравилась статья? Принимайте участие в обсуждении ниже!
Что происходит, когда вы возвращаете рыбу в воду?
Бен Гратвик, рыбный эксперт и владелец озера Диггерлейкс в Девоне, рассказывает о том, что происходит с рыбой, после поимки, а также после возвращения в родную стихию. Почему обязательно нужно поливать рыбу водой и не дать ей высыхать.
Бен: «Во время вываживания рыба, конечно же переживает небольшой стресс. В соответствии с этим кровь начинает быстрее циркулировать по телу гораздо быстрее, чем обычно. Из-за этого часто меняется даже цвет рыбы. Эндокринная система вырабатывает гормоны из желез по всей области тела, этот процесс может происходить за считанные секунды, особенно, когда рыба напугана. Когда вы положили рыбу на мат, обязательно регулярно поливайте ее водой. Не жалейте на это времени и сил. Казалось бы, быстрые извлечение крючка, фото, и возвращение в родную стихию, без ополаскивания водой, могут нанести больший вред, если вы будете постоянно отвлекаться на то, чтобы полить рыбу. Все дело в рыбьей слизи, которой покрыто ее тело. Слизь обеспечивает рыбе известную скользкость тела, создает на его поверхности изолирующий слой, препятствующий проникновению бактерий, грибов и паразитов, вредных веществ, способствует быстрому свертыванию крови при повреждении кожи, участвует в осморегуляции, уменьшает трение при плавании и способствует коагуляции взвешенных частиц.
В маленьких прудах, часто после поимки рыбы, она не может успокоиться, потому что адреналин еще слишком высок. Она начинает кружить по акватории, а ее страх передается другим особям. Поэтому часто в небольших акваториях именно отпущенная рыба наводит больше страха, чем борющаяся во время вываживания.
Во всех случаях, практических без исключений, рыба после поимки перестает питаться из-за отсутствия аппетита и начинает терять вес. Голодовка может достигать многих дней, прежде чем рыба снова начнет питаться снова. Если говорить о поимке одной и той же особи в течение короткого промежутка времени, то да, такое бывает, но, как правило, очень редко».
Итак, фактора, которые вы должны всегда держать в голове:
- Рыба испытывает стресс — не форсируйте вываживание и старайтесь не делать никакх резких движений с без того напуганной особоью
- Ни в коем случае нельзя допускать малейшего шанса высыхания слизи, которая покрывает чешую. Не жалейте воды и сил на регулярные ежеминутные поливания рыбы
- Уровень адреналина падает не сразу, как вы выпустили рыбу в воду, а в течение какого-то времени.
- Рыба очень тяжело отходит от поимки и у нее может на долгое время пропасть аппетит.
Но самое главное — это то, что при правильной заботе о рыбе на берегу, карп выживает. Он останется живым и рано или поздно снова начнет питаться. Поэтому соблюдайте правила заботы о карпе и не жалейте денег на хороший мат, который спасет рыбу от травмы даже если она не дай бог выпала у вас из рук во время съемки фото.
Полное или частичное копирование без согласования с редакцией портала запрещено
Понравилось? Поделитесь с друзьями!
комментария, 171 рекомендация
В какой воде рыбкам нечем дышать
Выбираем воду для аквариума
В мире не существует абсолютно чистой воды, её добывают в лабораториях с помощью пошаговой дистилляции. Вода из водопровода или природного источника всегда содержит примеси различных веществ, которые играют важную роль в экосистеме. Учитывая то, что многие современные люди держат дома рыбок, каждый желает использовать для них самую качественную воду. Но какой должна быть вода, чтобы ею можно было залить домашний аквариум?
Что необходимо знать о родниковой воде
Долгое время считалось, что именно родниковая вода, набранная из кристально чистого ручейка, лучше всего подходит для декоративных пресноводных рыбок. Идеально чистая, прозрачная, без запаха и грязи – вот такой точно можно заливать ёмкость! Оказалось, что набирать такую не всегда безопасно. Её отличие от воды из-под крана – высокая жесткость. Даже мыло в ней с трудом растворяется, что уж говорить о корме для рыбок. За счет высокого содержания солей магния и кальция, она губительно влияет на здоровье рыбок и их потомство (икринки). К сожалению, воду из родника не рекомендуется добавлять в искусственный аквариум. Изредка её перемешивают с водопроводной, для повышения жесткости.
Дистиллированная и дождевая вода
Поскольку родники обладают повышенной жесткостью, может лучше залить в резервуар мягкую воду – дождевую или дистиллированную? Снова же, не всегда – только перемешивая её с водопроводной. Есть рыбки, любящие среду со смягченной водой, однако многие пресноводные виды всё же предпочитают воду средних, нейтральных параметров. Такая вода течет в отечественных реках и озерах – её очищенную можно лить в аквариум, заполняя ею не всё пространство.
Посмотрите видео о том, как менять воду в аквариуме.
Какую среду обитания больше всего любят аквариумные рыбы
Какая вода нужна для аквариума? Соединяя воду из разных источников, невозможно достигнуть идеальных параметров. Сколько рыбок, столько и запросов. Одни рыбки могут жить в талой воде горных озер, другие – в коричневой болотной. В первом случае вода очень жесткая, во втором – мягкая. Рыбок поселять приходится в разную среду. Оказывается, одни рыбки – это санитары, любящие подгнившую воду, другие не терпят таких параметров. Гнилая среда губительна за счет гуминовых кислот. Многие пресноводные биотопы нашей страны имеют рН нейтральную воду, средней кислотности, пониженной щелочности. Для большинства аквариумных рыб она подходит.
Аквариумная вода для неприхотливых рыб
Вода, которая должна быть подготовлена для не очень прихотливых декоративных рыбок, требует предварительной подготовки. В аквариум общий надо заливать мягкую (иногда – средней жесткости) рН-нейтральную воду. Это может быть обычная вода из-под крана. В ней хорошо приживаются икромечущие и живородящие рыбы, которые отлично приспосабливаются к разным условиям.
Посмотрите как менять воду и ухаживать за аквариумом.
Степень жесткости можно измерить с помощью лакмусовой бумаги, температуру воды – термометром. Воду высокой степени жесткости рекомендуется смешать с мягкой дождевой (фильтрованной) или дистиллированной. Также подойдет вода от чистого талого снега или льда. Перечисленные виды воды можно набирать в чистую ёмкость лишь после продолжительных осадков, достаточно залить в настоянную воду из-под крана 30% мягкой воды.
Воду из-под крана нельзя лить сразу. Лучше налить её в стакан, и посмотреть, покроется ли стекло пузырьками, будет ли исходить резкий запах. Такая вода насыщена соединениями газов, которые попали в неё в процессе фильтрации на очистной станции. Пустив рыбку в такую жидкость, тело питомца мгновенно покроется пузырьками, которые проникнут в жабры и внутренние органы. В итоге, рыбка погибнет. Кроме газа, в воду подмешивают хлор для дезинфекции, он также отравит живых существ.
Чтобы избавиться от газов, воду из крана можно лить в стеклянные ёмкости, и дать ей отстояться там несколько суток (2-3 дня). Есть еще один быстрый способ: налить воду в эмалированную посуду, довести на плите до 60 или 80 градусов, отставить и остудить. Кипяченая вода вредная – она оставляет на стенках посуды накипь из углекислого кальция и магния. Кипяченую воду можно заливать в нерестовик, но в крайних случаях. Чтобы заполнить всю площадь аквариума кипяченой водой, потребуется много времени. Еще один нюанс – кипяченая вода убивает всю полезную микрофлору.
Если у вас нет водоснабжения (такое встречается и в наше время), следует пойти на чистую реку или озеро (где нет указателей «Купаться запрещено!» и т.д), и взять воду оттуда. Если чистая, в ней действительно живут и процветают речные рыбки (окунь, лещ, плотва), есть растение водяная сетка, это неплохой знак. Для уничтожения паразитов такую воду прогревают в эмалированной посуде до 80-90 градусов, но не делать из неё кипяченую. Параметрами она будет отличаться от жидкости из-под крана, так что подумайте, стоит ли идти на такой риск. Можно поехать в другой дом, и набрать проточную воду там.
Кроме талой, родниковой, дождевой и дистиллированной, к настоянной жидкости из-под крана желательно наливать 30 % воды из старого аквариума. Если он содержался благополучно, рыбки и растения там не болели, вода в нем не мутнела – это находка. В старой (жилой) аквариумной воде, будь она налитой давно из-под крана, есть много полезных микробактерий, которые создадут в новом жилище естественную биологическую среду. В жилой аквариумной среде содержится ряд органических примесей, которые очень полезны для водной среды. Они делают воду более кислой, не позволяют гнилостным и болезнетворным бактериям размножаться. Если в резервуар лить качественную и проверенную воду – все его обитатели могут быть здоровы.
AkvariumnyeRybki.ru>
Почему умирают рыбки в аквариуме?
Очень неприятно, когда в аквариуме начинают погибать рыбки. Казалось бы, всё сделано правильно: налита чистая вода, работает аквариумное оборудование, рыбки своевременно получают корм. Несмотря на это, живность погибает. К сожалению, такая ситуация возникает у новичков аквариумного дела довольно часто, вот почему необходимо вооружиться знаниями о причинах подобного явления. Каждый начинающий аквариумист должен заранее уяснить следующее: если в водном домике для его обитателей созданы условия, максимально приближенные к естественной среде обитания, то они не будут болеть, а тем более умирать.
По крайней мере, риск летального исхода будет сведён к минимуму.
Практика показывает, что в подавляющем большинстве случаев смерть рыбок вызвана совсем не какими-то внешними болезнями, а ошибками в содержании, неграмотностью и беспечностью их владельцев. Существуют различные причины данного прискорбного явления или целая комбинация причин и факторов, которые следует рассмотреть подробно.
Плохое качество аквариумной воды
Это совсем не означает, что вода очень грязная или мутная. Нет, она может быть относительно чистой, но отравленной токсичными химическими соединениями, которые образуются в результате жизнедеятельности рыб.Вредная химия
Речь идёт об азотных соединениях, к которым относятся аммиак, аммоний, другие нитраты. Эти токсины неизбежно будут присутствовать в аквариуме, так как ежедневно рыбы оставляют много отходов, которые постоянно разлагаются.
Таким образом, визуальная чистота воды зачастую сопровождается появлением неприятного запаха гнили, что свидетельствует о высокой концентрации ядовитых соединений азота.
Особенно отчётливо ощущается данный запах, если аквариум перенаселён и система биологической очистки воды не справляется с переработкой токсинов. Как результат — рыба начинает постепенно отравляться и впоследствии умирает.
Такое состояние аквариумной воды образуется в следующих случаях:
- в новом аквариуме ещё не достигнут экологический баланс;
- полезные бактерии, перерабатывающие ядовитые нитриты в нейтральные нитраты, ещё не работают на полную мощность;
- в работающую сбалансированную аквасистему добавлены новые рыбки;
- перенаселённость аквариума;
- неисправность биофильтра;
- неправильное обслуживание и чистка биофильтра, повлекшие уничтожение колонии полезных микроорганизмов.
Исходя из этого, принимаются те или иные меры для предотвращения отравления воды. Это могут быть или подмены части её объёма, или установка нового биофильтра, или отселение лишних рыбок.
Параметры воды и запуск рыбок в аквариум
Плохое качество водной среды — это также нарушения pH-баланса и несоответствие жёсткости воды обычным условиям существования аквариумных питомцев.Нередки случаи, когда человек приносит только что купленную в зоомагазине рыбку и тут же отпускает её из пакета в свой аквариум, совершенно не задумываясь, что питомец может испытать натуральный шок от расхождения параметров среды содержания. И как результат — смерть в течении последующих суток.
Поэтому нужно не только знать точные условия содержания того или иного вида, но и уточнить у продавца параметры воды в зоомагазине. А при необходимости — организовать процедуру адаптации новой рыбы.
Температура воды
Гибель рыбок может произойти также по причине понижения или повышения температуры водной среды. Мнение о том, что отступление от определённого температурного режима на 2-3 градуса в ту или иную сторону никак не повлияет на здоровье аквариумных питомцев — глубоко ошибочное. Если температура понизится, существует опасность гибели от простуды, а при ее повышении рыбка может умереть от недостатка кислорода.
Недостаток кислорода как негативный фактор
Рыба, как известно, дышит воздухом, растворённым в воде, и она может задохнуться, если в акве его слишком мало. Хотя такие случаи очень редки, но они бывают.Как правило, даже новички предварительно приобретают всё необходимое для работы домашней аквасистемы оборудование.
И очень часто, покупая достаточно мощный фильтр, доверяют ему не только очистку воды, но и её аэрацию и перемешивание.
Всё-таки специалисты рекомендуют разделить эти две функции и обеспечить постоянную работу воздушного компрессора.Агрессия соседей по аквариуму
Даже если крупная рыба считается травоядной, она запросто может съесть мелкую живность, которая влезает в её рот. У многих обитателей домашнего водоёма степень агрессии многократно возрастает в период нереста.
Имеются агрессивные рыбы в силу своих природных особенностей, чьи укусы и удары весьма болезненны. Все перечисленные факторы также могут стать причиной гибели аквариумных питомцев.
При покупке той или иной рыбки не стоит целиком полагаться на мнение продавцов. Как правило, для них самым главным является факт продажи.
Лучше потратить время и побольше узнать о совместимости тех или иных видов ещё до похода в зоомагазин. Тематической информации на этот счёт в Интернете вполне достаточно.
Качество корма и перекорм
Многие начинающие аквариумисты искренне полагают, что давать рыбам ежедневно щепотку сухого коммерческого корма вполне достаточно. Далеко не так.Постоянное кормление одной и той же сухой едой может вызвать смерть животных от воспаления желудка или кишечника.
Достаточно представить, что произойдёт с организмом человека, если он будет постоянно, изо дня в день, питаться одной и той же сухой пищей!
Рацион подавляющего большинства рыб должен быть разнообразным, включать в себя как белковые, так и растительные продукты.Перекорм — весьма распространённая причина болезни и гибели живности. Здесь имеются два существенных момента. Сам по себе перекорм может привести к болезням внутренних органов. Кроме того, остатки пищи, оседая на грунте и постепенно разлагаясь, способствуют резкой концентрации азотных соединений, большая доза которых смертельна для подводных обитателей аквариума.
Болезнь — самая распространённая причина
Это действительно так, но в данном случае надо выделять два основных фактора.Во-первых, болезнь может возникнуть как результат всех тех причин, которые перечислены выше. Любые из них если не убьют рыбку немедленно, то будут способствовать резкому снижению иммунитета. На этой почве и может развиться заболевание, способное привести к смерти. Если это произошло, то питомцев надо лечить, обратившись к специалистам.
Во-вторых, гибель рыбок может быть вызвана развитием заразных заболеваний. Это является худшим сценарием, который может быть в процессе содержания аквариума. Почему появляются заразные заболевания? Как правило, имеется две основные причины: запуск в аквариум уже заражённой рыбы или появление в водном домике паразитов. Грибковые заболевания, язвенная болезнь, лепидортоз, туберкулёз и многие другие инфекции могут стать причиной не только гибели отдельной особи, но и мора.
Необходимо ежедневно отслеживать поведение аквариумных питомцев, внимательно осматривать их, а в случае малейших подозрений отселить заболевшую особь в карантин и обратиться к специалисту.
К сожалению, хотя бы один раз рыбки умирают практически у каждого аквариумиста. И причины могут быть совершенно различные. Важно вдумчиво проанализировать случившееся происшествие, выявив конкретную причину, и постараться не допустить его повторения. А если знаний и опыта не хватает, имеется Интернет и советы опытных владельцев декоративных рыб.
aquariumguide.ru>
Как дышит рыба? Органы дыхания рыб. Как дышат рыбы под водой?
Как дышит рыба в воде? Очень интересный вопрос, ответить на него совсем не сложно. Она дышит жабрами, но как именно это происходит, ведь вода – это не воздух? И все ли рыбы имеют жабры? А могут ли они дышать атмосферным воздухом? А как они получают кислород из воды? Так много вопросов возникает сразу, если только задуматься, как можно дышать в воде. Попытаемся найти на них ответы.
Органы дыхания рыб
Основным органом дыхания рыб являются жабры. Они располагаются возле головы в жаберной полости. Это парный орган. К тому же они очень нежны, поэтому для защиты их прикрывает сверху жаберная крышка. Но все ли жабры имеют одинаковое строение? Конечно же, нет. У разных групп рыб оно разное. Например, у круглоротых жабры мешковидные, а у хрящевых, например акул, они пластинчатые. А вот у самой большой группы – костистых рыб — жабры гребенчатые. Они имеют самое сложное строение. Также очень интересный факт: в отличие от всех других костистые рыбы «дышат» через рот. А вот у круглоротых миксин и хрящевых скатов вода с кислородом поступает снаружи. В процессе эволюции органы дыхания рыб постоянно усложнялись и усовершенствовались. Большинство рыб дышит кислородом, растворенным в воде, но есть и исключения, те, что могут использовать и воздух.Двоякодышащие рыбы
Двоякодышащие рыбы дышат так же, как и все остальные виды. Но есть у них одна интересная особенность. Эта весьма древняя группа рыб имеет не только жаберное, но еще и легочное дыхание. Когда-то эти виды были широко распространены на Земле. Сейчас существует только один отряд – рогозубообразные. Они встречаются в Австралии, Африке и Южной Америке. В качестве органов для осуществления легочного дыхания у этих рыб есть один или два (в зависимости от вида) пузыря. Они расположены на пищеводе с брюшной стороны. Это и позволяет двоякодышащим долгое время находиться в обедненных кислородом водоемах, там, где другие рыбы выжить просто не могут.Органы дыхания круглоротых
На заре появления рыб, пожалуй, первыми, у кого развились, пусть и не самые сложные, но все же жабры, являются круглоротые. Это даже не совсем рыбы. Миноговые (круглоротые) появились значительно раньше и являются отдельным отрядом бесчелюстные. Их органы дыхания представлены жаберными мешками. Они имеют энтодермальное происхождение и возникли в результате отделения от глотки. Как дышит рыба минога с их помощью? У нее есть семь парных жаберных мешков, в каждом из них по два отверстия. Первое называется наружным, а второе – внутренним, оно ведет в дыхательную трубку. К тому же это отверстие может постоянно открываться и закрываться. Сама дыхательная трубка сформировалась в результате деления глотки. Верхняя ее часть стала пищеварительной, а нижняя – дыхательной. У большинства миноговых наружные жаберные отверстия объединены в один канал. Он открывается чуть дальше последнего жаберного мешка. У миног и миксин носовое отверстие соединено с глоткой. Поэтому, даже когда рыба зарывается в песок, она может дышать. Когда круглоротые питаются, то вода проникает в жаберные мешки не через ротовую или носовую полость, а через наружные жаберные отверстия.Строение жаберного аппарата костистых рыб
Костистые рыбы дышат жабрами. Они имеют сложное строение. Итак, жаберный аппарат состоит из пяти жаберных дуг. Они находятся в специальной полости за головой. Для того чтобы защитить дуги от механических повреждений, их сверху покрывает твердая и прочная жаберная крышка. Она растет по мере увеличения рыбы в размерах. Жаберные дуги на внешней стороне имеют два ряда лепестков, которые поддерживаются опорными хрящами. В них происходит процесс газообмена. К жаберным лепесткам подходит артерия и приносит артериальную кровь. Здесь она обогащается кислородом и разносит его ко всем органам и тканям. С внутренней стороны находятся жаберные тычинки. Они выполняют роль фильтра и защищают от попадания пищевых частичек.Как дышит рыба в воде?
Дыхание рыб происходит следующим образом. При вдохе она открывает широко ротовое отверстие. При этом жаберные дуги максимально раздвигаются, а жаберная крышка, напротив, плотно прижимается к голове. Таким образом, вода попадает в ротовое отверстие и проходит дальше, но не выходит наружу. Далее, в жаберной полости происходит поглощение кислорода через лепестки. Окисленная кровь, подходя к ним, насыщается. Обогатившись кислородом, она несет его ко всем тканям рыбы. При выдохе ротовое отверстие рыбы закрывается, а жаберные крышки приподнимаются. Таким образом, вода выдавливается наружу. В капиллярах лепесточков на жаберных дугах происходит не только газовый, но и водно-солевой обмен. В воду из кровеносных сосудов выделяется не только углекислый газ, но и аммиак и прочие вещества, которые вырабатываются в ходе метаболизма. Это подробное описание того, как дышат рыбы под водой.Дополнительные органы дыхания
Но как и у большинства видов, обитающих на Земле, у рыб есть дополнительные органы дыхания. Конечно, главными остаются жабры. Но помимо них, в процессе газообмена участвуют кожа, кишечник и даже специальные органы, такие как легочные мешочки или «лабиринт». Но обо всем этом стоит рассказать по порядку. У многих видов рыб, в особенности у тех, что в качестве места обитания выбирают мутные, обедненные кислородом воды, очень интенсивно осуществляется кожное дыхание. Как дышит рыба кожей? Она просто поглощает кислород через ее поверхность. Иногда такое дыхание даже выходит на первое место. Еще одно приспособление — плавательный пузырь. В нем скапливается воздух, и рыба поглощает кислород из него. Так она может даже некоторое время прожить вне воды. Такую же роль, как и плавательный пузырь, может выполнять и кишечник. У лабиринтовых рыб в жаберной полости есть специальный карманообразный отдел. Его стенки густо пронизаны капиллярами. В них происходят процессы газообмена. Примечательно, что лабиринтовые рыбы дышат атмосферным кислородом. Они могут обойтись без воды в течение нескольких дней. Конечно, это далеко не все примеры того, как удивительно приспосабливаются к окружающей среде разные виды рыб. У них есть еще много секретов, как выжить даже в очень тяжелых условиях.
fb.ru>
Что делать если нашли умершую рыбку?
Внезапно обнаружили что у вас в аквариуме сдохла рыбка и не знаете что теперь делать? Мы составили для вас пять подсказок чтобы справиться с гибелью рыбок и что делать если такое все же случилось. Но, помните, что даже в самых идеальных условиях, они все же гибнут. Часто внезапно, без видимых причин и очень досадно для хозяина. Особенно если это крупная и красивая рыба, типа цихлид.
Часто аквариумные рыбки погибают из-за того что у воды изменились параметры. Губительнее всего на них действует низкий уровень содержания кислорода в воде. Характерное при этом поведение — большая часть рыбы стоит в поверхности воды и заглатывает воздух с нее. Если ситуацию не исправить, то через некоторое время они начинают погибать. При этом, такие ситуации могут происходить даже у опытных акваруимистов! Содержание кислорода в воде зависит от температуры воды (чем выше она, тем меньше кислорода растворено), химического состава воды, бактериальной пленки на поверхности воды, вспышки водорослей или инфузорий. Помочь можно частичными подменами воды, включив аэрацию или направив поток от фильтра близко к поверхности воды. Дело в том, что при газообмене, именно колебания поверхности воды играют решающую роль.
1.Присматривайтесь
Проверяйте и пересчитывайте ваших рыб ежедневно, во время кормления. Все ли они живы? Все здоровы? У всех аппетит хороший? Шесть неонов и три крапчатых, все на месте?
Если кого-то недосчитались, проверьте углы аквариума и поднимите крышку, может она гдето наверху в растениях? Но вы можете рыбку не найти, вполне возможно что она умерла. В таком случае прекратите поиски. Как правило, дохлая рыбка все равно становится видна, она либо всплывает на поверхность, либо лежит на дне, пол корягами, камнями или даже попадает в фильтр. Каждый день осматривайте аквариум, не появилась ли умершая рыбка? Если нашли, то….
2.Удалите дохлую рыбку
Любая дохлая рыбка, как и крупные улитки (типа ампулярий или мариз) должны быть удалены из аквариума. Они очень быстро гниют в теплой воде и создают почву для развития бактерий, вода мутнее, начинает вонять. Это все отравляет других рыбок и приводит к их гибели.
3.Осмотрите умершую рыбку
Если рыбка еще не слишком разложилась, то не побрезгуйте ее осмотреть. Это неприятно, но нужно. Целые у нее плавники и чешуя? Может ее забили до смерти соседи? На месте ли глаза и не мутные ли они? Сильно раздут живот как на картинке? Может у нее внутренняя инфекция или она чем-то отравилась.
4.Проверьте воду
Каждый раз, как вы находите погибшую рыбку у себя в аквариуме, нужно проверять качество воды с помощью тестов. Очень часто причиной гибели рыб является повышение содержания в воде вредных веществ — аммиака и нитратов. Чтобы проверить их, приобретите заранее тесты для воды, лучше капельные.
5. Проанализируйте
Результаты тестов покажут два результата, либо у вас в аквариуме все отлично и вы должные искать причину в другом, либо вода уже порядком загрязнена и нужно провести ее подмену. Но, помните что менять лучше не более 20-25% от объема аквариума, чтобы не слишком резко менять условия содержания рыб.
Если с водой все в порядке, то нужно постараться определить причину гибели рыбы. Из наиболее распространенных: болезни, голод, перекармливание (особенно сухими кормами и мотылем), долгий стресс из-за неправильных условий содержания, возраст, нападение других рыб. И очень частая причина — а кто его знает почему…Поверьте, у любого аквариумиста, даже у того кто держит сложную рыбу много лет, случаются внезапные смерти следи любимых рыб.
Если случившееся единичный случай, то не стоит беспокоиться — просто следите чтобы новые рыбы ни гибли. Если же такое происходит постоянно, то явно что-то не так. Обязательно обратитесь к опытному аквариумисту, найти сейчас несложно, благо есть форумы и интернет.
catfishes.ru>
Как рыба дышит | All About
Как рыба дышит | All About
Похожие статьи
словно рыба в воде — это… Что такое словно рыба в воде?
- словно рыба в воде
- как <будто, словно, точно> рыба в воде Разг. Только в указ. ф. Свободно, непринужденно, хорошо. С глаг. несов. и сов. вида: чувствовать себя, почувствовать себя… как? как рыба в воде.
В обществе филателистов он чувствует себя как рыба в воде.
Словом, было очень весело, очень шумно, и юнга почувствовал себя как рыба в воде. (И. Ликстанов.)
Тимофей в рабочей среде как рыба в воде, всех знает и его все знают. (И. Попов.)
Учебный фразеологический словарь. — М.: АСТ. Е. А. Быстрова, А. П. Окунева, Н. М. Шанский. 1997.
- будто рыба в воде
- точно рыба в воде
Смотреть что такое «словно рыба в воде» в других словарях:
СЛОВНО РЫБА В ВОДЕ — чувствовать себя Свободно, непринуждённо, хорошо. Имеется в виду, что лицо, реже группа лиц (X) уверены в себе, ощущают себя естественно и просто, комфортно, словно пребывая в привычной для себя обстановке, и ведут себя со знанием дела. реч.… … Фразеологический словарь русского языка
КАК РЫБА В ВОДЕ — чувствовать себя Свободно, непринуждённо, хорошо. Имеется в виду, что лицо, реже группа лиц (X) уверены в себе, ощущают себя естественно и просто, комфортно, словно пребывая в привычной для себя обстановке, и ведут себя со знанием дела. реч.… … Фразеологический словарь русского языка
как рыба в воде — как <будто, словно, точно> рыба в воде Разг. Только в указ. ф. Свободно, непринужденно, хорошо. С глаг. несов. и сов. вида: чувствовать себя, почувствовать себя… как? как рыба в воде. В обществе филателистов он чувствует себя как рыба в… … Учебный фразеологический словарь
будто рыба в воде — как <будто, словно, точно> рыба в воде Разг. Только в указ. ф. Свободно, непринужденно, хорошо. С глаг. несов. и сов. вида: чувствовать себя, почувствовать себя… как? как рыба в воде. В обществе филателистов он чувствует себя как рыба в… … Учебный фразеологический словарь
точно рыба в воде — как <будто, словно, точно> рыба в воде Разг. Только в указ. ф. Свободно, непринужденно, хорошо. С глаг. несов. и сов. вида: чувствовать себя, почувствовать себя… как? как рыба в воде. В обществе филателистов он чувствует себя как рыба в… … Учебный фразеологический словарь
Рыба и рыбные блюда — Рыба испокон веков составляла кулинарную основу русского национального стола. Она занимала центральное место на нашем столе с тех пор, как возникла сама Русь, и вплоть до XIX века. Однако тысячелетнему господству рыбы в русском… … Большая энциклопедия кулинарного искусства
вода — сущ., ж., употр. наиб. часто Морфология: (нет) чего? воды, чему? воде, (вижу) что? воду, чем? водой, о чём? о воде; мн. что? воды, (нет) чего? вод, чему? водам, (вижу) что? воды, чем? водами, о чём? о водах вода как жидкость 1. Вода это… … Толковый словарь Дмитриева
вода — ы, вин. воду, мн. воды, водам и водам, водами и водами; о водах и о водах; ж. 1. Прозрачная, бесцветная жидкость, образующая ручьи, реки, озёра, моря и представляющая собой химическое соединение водорода с кислородом. Речная в. Морская в. В.… … Энциклопедический словарь
«МАСТЕР И МАРГАРИТА» — Роман. При жизни Булгакова не был завершен и не публиковался. Впервые: Москва, 1966, № 11; 1967, № 1. Время начало работы над М. и М. Булгаков в разных рукописях датировал то 1928, то 1929 г. Скорее всего, к 1928 г. относится… … Энциклопедия Булгакова
ТРИ ЦВЕТА: БЕЛЫЙ — «ТРИ ЦВЕТА: БЕЛЫЙ» (Trois couleurs: blanc) Франция Швейцария Польша, 1993, 88 мин. Экзистенциальная драма с элементами иронии. Кшиштоф Кесьлевский словно отрекся от прежней художественной манеры, доведенной до сомнамбулической изощренности в… … Энциклопедия кино
Как прикормить рыбу, чтобы улов был внушительным — Реальное время
«Рыбалка — такой процесс, который может быть долгим, и не каждому это дано. У кого есть усердие, терпение и труд — все получится. Не зря существует древняя поговорка — без труда не выловишь и рыбку из пруда», — говорит президент Федерации рыболовного спорта Татарстана, мастер спорта РФ по спортивному рыболовству Олег Гарипов. В День рыбака, отмечаемый во второе воскресенье июля, он раскрывает секреты успешной любительской рыбалки: какие снасти предпочесть, как правильно огрузить поплавок, что использовать для наживки, как и чем правильно прикормить рыбу, где предпочтительнее рыбачить и можно ли потом есть пойманную рыбу. Подробности — в материале «Реального времени».
«Спортсмену важен результат, а не сама рыба»— Чем спортивная рыбалка принципиально отличается от любительской?
— На любительскую рыбалку человек просто приходит отдохнуть. А в спортивной рыбалке — занимается спортом. Перед спортсменом стоит задача за определенный промежуток времени поймать как можно больше рыбы. А любитель не ограничен во времени, он спокойно отдыхает, может поехать на природу с семьей, делать шашлыки и попутно ловить рыбу.
— Бывает, что любители отпускают свой улов…
— Нет, как раз любители свой улов обычно не отпускают в силу того, что они потратили на снаряжение определенную сумму денег, время, и компенсируют это теми биологическими ресурсами, которые изымают из воды. То есть забирают всю рыбу, которую поймают. Порой они даже не смотрят на нормы законодательства и берут всю рыбу, которую вылавливают, несмотря на размерный ряд и сорта рыбы.
У спортсменов же есть более жесткие правила — они ограничены во времени. После взвешивания рыбы она выпускается в естественную среду обитания. Спортсмена не интересует рыба как продукт, который можно съесть. Спортсмену важен результат, а не сама рыба.
«Начинайте с азов — поплавочной удочки»— Что вы посоветует купить новичку-любителю, который планирует начать рыбачить? Спиннинг или удочку?
— Чтобы человек мог ловить рыбу для удовольствия, мой совет — начать с азов. А азы — это поплавочная удочка. Нужно купить удилище, леску, поплавок, крючок и грузило. Поплавочная удочка хороша тем, что даже в весенний период операции «Нерест», когда в Татарстане действует рыболовный запрет на другие снасти, она в любом случае разрешена.
Но мало купить удочку — нужно еще правильно огрузить поплавок. Не все знают, как правильно организовать этот процесс. Поплавок над водой должен торчать не более чем на 2 см. В этом случае при каждом касании рыбы чувствительность поплавка будет заметной для рыбака. Спортсмены используют более тонкие снасти, а рыболовы-любители — более толстые и грубые.
Поэтому у многих любителей незамеченной остается малейшая поклевка, которая легко заметна спортсменам. Причем грузики нужно располагать от меньшего к высшему — сначала вешается самая маленькая дробиночка, потом чуть больше и больше. Нужно периодически окунать поплавок в воду до тех пор, пока он над водой не будет выступать на 2 см. Раньше наши деды и прадеды рыбачили кто на что, например на спичку, или делали поплавки из коры дерева. Сейчас самый распространенный поплавок делается из гусиного или любого другого пера. Нужно очистить его от оперения, и получится поплавок.
Секрет — в правильном прикорме— Как правильно прикормить рыбу, чтобы улов был удачным?
— Летняя рыбалка отличается от зимней тем, что летом ты рыбу приваживаешь, а зимой ты ее ищешь. Летом можно прийти, закормить определенное место, и рыба сама на этот прикорм подтянется. А зимой эту рыбу нужно искать. Как бы ты ни прикармливал одну лунку, если рыбы там не будет, она и не подойдет.
Самый доступный и не затратный способ прикорма легко сделать самому. Нужно купить 2—3 кг панировочных сухарей. К ним добавить несколько пакетиков ванилина, немного сахара. Можно добавить корицу и какао, его аромат очень любит лещ, подлещ. Все это можно перемешать дома, а непосредственно на водоеме добавить воды и довести до консистенции, чтобы прикормка при сжатии в кулак образовывала шарики.
Нужно закормить ту точку, на которой собираются ловить рыбу. Тут есть еще один нюанс — нужно не просто разбросать эту прикормку, а закормить одну определенную точку. В этом случае много зависит от точности попадания в воду. Можно закормить большое пятно 3 на 3 метра, и ничего там не поймать. А можно закормить маленький пятачок 15 на 15 см, на который рыба как раз и подойдет. Рыбу нужно привлечь с помощью прикормки, чтобы она подошла, и подать наживку, которую она предпочтет.
— А она не наестся этим прикормом?
— Рыба начинает поглощать эту прикормку, но не наедается ей: основа же состоит из панировочных сухарей, уже сильно измельченных. Такая прикормка только привлекает и приманивает рыбу. При падении на дно из шарика прикорма начинают выходить пузырьки воздуха, постепенно поднимается небольшое облако мути, и прикорм сам рассыпается в воде. Рыба ввиду своего хорошего обоняния за много метров чувствует эту прикормку и начинает подходить именно на это место. И вот в этот момент все уже зависит от самого рыбака — насколько правильно у него настроена снасть.
Рыбалка — такой процесс, который может быть долгим, и не каждому это дано. У кого есть усердие, терпение и труд — все получится. Не зря существует древняя поговорка — без труда не выловишь и рыбку из пруда. Прежде чем поймать рыбу, нужно сначала потрудиться.
— А для наживки что лучше использовать?
— У спортсменов это традиционно опарыш и мотыль. И у любителей то же самое, только еще добавляется червь. Некоторые ловят на хлеб или на манку (делают мешай-мешай — разводят манную кашу с водой до консистенции густого теста), кто-то отваривает перловку. Тут на вкус и цвет товарищей нет. Но традиционно рыба питается мотылем, потом идет опарыш и червь. Червя можно пойти накопать, не затратив ни копейки.
«Лучше всего искать место с небольшим течением»— В наших условиях рыбу какого веса реально поймать?
— На поплавочную удочку вполне реально поймать тех же лещей — весом в 1—2 кг. Все зависит от места и среды обитания. Если вы будете ловить в прудах, лещ там не разводится, лещ в основном живет на водохранилищах или в реках. В пруду распространены плотва, верховка, окунь и карась. В прудах им жить очень комфортно.
Если человек хочет поймать леща, нужны большие водоемы, реки. Желательно, чтобы там были небольшие омутки, ямочки, куда лещ может спуститься в жару в более прохладное место.
— На что обращать внимание при выборе места для рыбалки?
— В первую очередь на берега. Если у реки один берег бывает пологим, другой, как правило, — более обрывистым и высоким. И тут все зависит от умения рыболова. Лучше всего искать место, где присутствует небольшое течение. Эти небольшие течения на изгибах рек образуют омутки и небольшие заводи. Естественная еда рыбы по течению спускается, в этих омутах делает оборот, там течение замедляется, и она опускается на дно. В этих случаях лучше всего найти такое место, где течение замедляется: именно там можно комфортно посидеть и половить рыбу.
«Если я укажу рыбные места и там ничего не поймают, меня проклянут»— В какие места лучше ехать, чтобы не нарваться на неприятности, но уйти с уловом?
— Я не могу подсказать такие места. Потому что если я укажу, что надо ехать туда, и все рванут туда, но при этом ничего не поймают, они меня проклянут.
У каждого рыболова есть свое потаенное место, куда ему приятно приезжать. Я уповаю на то, что рыболов — это исследователь. И он должен не все время приезжать на одно и то же место, а открывать для себя как можно больше новых мест. Это будет лучше для его рыболовного опыта, расширит его кругозор, обогатит его прекрасными видами природы. В каждом уголке татарстанская природа по-своему прекрасна. Чем больше он будет ездить, уходить от дома и проводить времени на природе, будет только лучше.
Можно бесконечно смотреть на огонь, воду и то, как другие работают, но лучше смотреть на воду и ловить рыбу, тем более вода очень успокаивает. И любой рыболов найдет место, куда чаще других будет приезжать с семьей, получать удовольствие и следить за местом, куда он приезжает — убирать мусор.
Спортсмены, когда приезжают на соревнования, перед стартом обязательно убирают берег. В менталитете наших людей, к сожалению, закреплено — бросить мусор на месте и уехать. У спортсменов принято весь мусор собирать и оставлять после себя чистое место.
«Я не рекомендую есть рыбу, которую поймали на Казанке»— Можно ли употреблять в пищу рыбу, выловленную в наших водоемах?
— По опыту скажу: невозможно есть рыбу с реки Казанка. У нас есть недобросовестные продавцы рыбы, которые ни за что не скажут, откуда привезли рыбу, потому что это бизнес. Тут уже должен работать Роспотребнадзор. Те, кто продает рыбу, обязаны предоставить покупателю сертификат, что рыба не опасна для здоровья человека.
Я не рекомендую есть рыбу, которую поймали на Казанке. У нас есть предприятия, сбрасывающие свои отходы в Казанку, а насколько качественные фильтры у них стоят, мы не знаем. Но и утверждать, что рыба с Казанки отравленная, я тоже не могу. Просто, по моему опыту, я не рекомендую.
Я не рекомендую употреблять и рыбу, выловленную в зимний период на реке Свияга. Буинский сахарный завод каждую зиму делает определенный сброс под лед, после чего вода становится красной.
«Рыба клюет практически в любую погоду»— Если человек хочет уйти с гарантированным уловом, платные водоемы для рыбалки — оптимальный вариант?
— Есть частные пруды, где специально выращивают рыбу и которые заточены под платную рыбалку, чтобы каждый клиент мог поймать рыбу и довольный, отдохнувший, с приятными впечатлениями и уловом покинул это прекрасное место. Но рыба — это все-таки природа. И бывают периоды — в зависимости от погодных условий и других факторов, когда рыбу никак не заставишь клюнуть. Иногда даже бывалые рыболовы возвращаются домой без улова. Причем рыба есть, она показывает, что присутствует, но ни в какую не берет наживку. Даже некоторые спортсмены на соревнованиях остаются без улова: значит, они что-то сделали неправильно и не заставили рыбу клюнуть.
— Какие идеальные погодные условия для рыбалки?
— Для меня как для спортсмена все условия хороши. Я не обращаю внимания на погоду, потому что заточен на результат. И я его достигаю любыми способами, борюсь до конца, чтобы поймать рыбу. Любитель этого сделать не сможет — у него найдется сто причин. Якобы направление ветра поменялось, погода изменилась, пошел дождь — отговорок можно найти много. Плохому танцору, как говорится…
Рыба клюет практически в любую погоду. Если человеку комфортно, стало быть, и рыбе будет хорошо. Если человек нервничает, переживает — он начинает суетиться, все делать неправильно. И рыба у него клевать не будет. Нужны спокойствие, размеренность и продуманность действий.
Хороший рыболов — это наблюдательный человек. Уже придя на водоем, он обращает внимание, где больше всего расходится кругов, где идут всплески. Если камыши рядом, это говорит о гарантированном присутствии рыбы. Рыбаку остается только разложить свои снасти, преподнести прикормку и попытаться поймать эту рыбу.
— То есть у камышей рыбу ловить лучше?
— Поплавочной удочкой однозначно. Где есть камыши, есть и водоросли, которыми рыба питается. В этих водорослях водятся жучки и паучки, которыми рыба тоже питается в летний период. Но я не говорю про сами камыши — там должны быть прогалы, где человеку можно спокойно забросить удочку, чтобы крючок не цеплялся за траву.
— Обычно считается, что рыбаки верят в приметы. Есть действительно работающие приметы?
— Я как спортсмен уже перестал верить в приметы. Например, что с собой на рыбалку нельзя брать рыбу, рыбные консервы. Ни в коем случае почему-то с собой нельзя брать вареные яйца. Но это все пустые суеверия. Но у нас на соревнованиях однажды был интересный случай. Сейчас уже семикратный чемпион мира Алексей Шанин однажды приезжал в Татарстан на этап российской спиннинговой лиги. Это был береговой этап, когда спортсмены друг за другом шли и выбирали место для ловли. Товарищи ради шутки в рюкзак, который нес Алексей, положили банку рыбных консервов. Он, конечно, поймал рыбу, но не столько, сколько обычно и сколько хотелось бы. Когда ему со смехом признались, что подложили банку консервов, он тоже посмеялся. Но вот здесь эта банка консервов сработала.
«Есть индивидуумы — лед только встал, а они уже поперлись на рыбалку»— Как вы относитесь к зимней рыбалке?
— Я ее люблю больше, чем летнюю. Это постоянное движение. Нужно найти рыбу, и покрупнее, чем ловят остальные. Необходимо правильно подобрать снасть. Татарстан славится тем, что зимой у нас очень много судака. Видимо, так сложилось географически. У судака на наших акваториях есть простор, где отнереститься. Все едут в район Камского Устья, Лаишевский район — там судак выходит. К нам едут из Ульяновска, Самарской области, Чувашии, Марий Эл для зимней рыбалки на судака. Они приезжают на рыболовные базы и ловят судака, берша.
— Зимняя рыбалка считается опасной. Ежегодно происходят трагедии…
— Ни одна рыболовная база не повезет вас в место, где это будет опасно. Существуют понятия как инстинкт самосохранения. Но есть индивидуумы… Лед только встал — 2—3 см, а они уже поперлись на рыбалку, многие проваливаются, и мы их теряем. Но это мизерный процент, который создает определенную статистику. И каждый год у нас отрываются льдины с рыбаками. Я не понимаю, что ими движет, чтобы ступать на первый лед. Спортсмены ни за что не пойдут на первый лед до тех пор, пока он не достигнет толщины сантиметров в 10.
Мне бы не хотелось, чтобы рыбаки гибли из-за своей беспечности. Рыбалка должна приносить радость, а не горе. Но каждый год проваливаются, тонут, к сожалению.
«Рыболову законодательно разрешается вылавливать 5 кг рыбы в день»— Какая тенденция наблюдается в Татарстане? Стало ли в последнее десятилетие больше рыбаков?
— У нас рыболовов за последние 10 лет явно прибавилось. Рыболовов в разы больше, чем охотников. Человек купил удочку — и уже автоматически стал рыболовом. К сожалению, мы их не можем количественно посчитать. Раньше рыболовов можно было сосчитать, потому что они состояли в общественных организациях, сдавали членские взносы и получали за это 2 кг плюсом к улову обыкновенного рыболова. Раньше обычным рыбакам можно было вылавливать 3 кг рыбы, а членам общества — 5 кг.
— А сейчас как?
— Сейчас для всех вне зависимости от принадлежности к той или иной организации норма вылова составляет 5 кг рыбы в день. То есть каждому рыболову на территории Татарстана законодательно разрешается вылавливать 5 кг рыбы в день.
— То есть если наловил 6,5 кг, то 1,5 кг нужно выпустить обратно?
— По сути, если рыбак поймал одну рыбу весом более 5 кг, то для него рыбалка на сегодня должна закончиться. Он может оставить эту рыбу, но остальную — либо ловить и отпускать, либо вообще закончить рыбалку. Но у нас же люди не такие. Многие думают: если клюет, то я буду набивать мешки до победного. Пройдет еще 5—10 лет, чтобы у народа переключилось мировоззрение.
Все-таки представьте себе, если человек каждый день ходит на рыбалку и приносит по 5 кг рыбы. Куда ее девать?
— Продавать.
— Тогда это уже бизнес. Тут уже должно быть другое налогообложение. Но для собственного пропитания 5 кг в день — это слишком много.
Я бы не приравнивал рыбалку к источнику дохода. Иногда это бывает очень затратно. Многие рыболовы-любители не занимаются промышленным выловом рыбы, а ловят чисто для себя. Вот мне зачем каждый день 5 кг рыбы? Если она лежит неделю в холодильнике, то теряет свои вкусовые качества. Только что пойманная и освежеванная рыба, пожаренная на сковородке с маслицем — у нее даже мясо сразу отходит от косточек и раздается бесподобный аромат, специфический вкус. Как только она полежала в холодильнике — ее заморозили, разморозили, пожарили… Конечно, она все равно вкусная, но я такую есть уже не стану.
Хочу завершить разговор просьбой ко всем рыболовам — пускай не оставляют мусор на водоемах, убирают за собой. И пускай не жадничают и оставят рыбу нашим детям.
Кристина Иванова, фото: vk.com
Удаленное подводное видео показывает более высокое разнообразие и изобилие рыб на лугах морских водорослей, а также различия в трофических взаимодействиях среды обитания
Пэрриш, Дж. Д. Рыбные сообщества взаимодействующих мелководных местообитаний в тропических районах океана. MEPS 58 , 143–160 (1989).
ADS Статья Google Scholar
Хек, К. Л., Эйбл, К. У., Роман, К. Т. и Фахей, М. П. Состав, численность, биомасса и продукция макрофауны в устье Новой Англии: сравнение лугов угря и других питомников. Эстуарии 18 , 379 (1995).
Артикул Google Scholar
Поллард, Д. А. Обзор экологических исследований сообществ водорослей и рыб с особым упором на недавние исследования в Австралии. Aquatic Botany 18 , 3–42 (1984).
Артикул Google Scholar
Орт Р. Дж., Хек К. Л. и ван Монфранс Дж.Фаунистические сообщества в зарослях водорослей: обзор влияния структуры растений и характеристик добычи на хищников: взаимоотношения с жертвами. Эстуарии 7 , 339 (1984).
Артикул Google Scholar
Ансуорт, Р. К. Ф. и др. . Высокая степень связи сообществ морских водорослей Индо-Тихоокеанского региона с местами обитания мангровых зарослей и коралловых рифов. Mar. Ecol. Прог. Сер. 353 , 213–224 (2008).
ADS Статья Google Scholar
Дуарте, К. М. и Чискано, К. Л. Биомасса и производство водорослей: переоценка. Aquatic Botany 65 , 159–174 (1999).
Артикул Google Scholar
Ganthy, F., Sottolichio, A. & Verney, R. Сезонная модификация динамики плоских приливных отложений на луговых лугах Zostera noltii (Bassin d’Arcachon, Франция). Журнал морских систем 109–110 , S233 – S240 (2013).
Артикул Google Scholar
Short, FT & Short, CA В Устье как фильтр 395–413, https://doi.org/10.1016/B978-0-12-405070-9.50024-4 (Elsevier, 1984 ).
Гасия, Э. и Дуарте, К. М. Удержание отложений на средиземноморском лугу Posidonia oceanica: баланс между отложением и повторным взвешиванием. Estuarine, Coastal and Shelf Science 52 , 505–514 (2001).
ADS Статья Google Scholar
Hays, G.C. et al. . Новые инструменты для определения местоположения лугов морских водорослей: морские травоядные как индикаторы среды обитания. Фронт. Мар. Sci . 5 (2018).
Ансуорт, Р. К. Ф. и Каллен, Л. К. Признание необходимости сохранения водорослей Индо-Тихоокеанского региона. Консерв. Lett. 3 , 63–73 (2010).
Артикул Google Scholar
Костанза, Р. и др. . Ценность мировых экосистемных услуг и природного капитала. Nature 387 , 253–260 (1997).
ADS CAS Статья Google Scholar
Морские травы: биология, экология и сохранение, https: // doi.org / 10.1007 / 978-1-4020-2983-7 (Springer, Нидерланды, 2006).
de Groot, R. et al. . Глобальные оценки стоимости экосистем и их услуг в денежных единицах. Экосистемные услуги 1 , 50–61 (2012).
Артикул Google Scholar
Шивс, М., Бейкер, Р., Нагелькеркен, И. и Коннолли, Р. М. Истинная ценность устьевых и прибрежных питомников для рыб: сочетание сложности и динамики. Эстуарии и побережья 38 , 401–414 (2015).
Артикул Google Scholar
Бертелли, К. М. и Ансуорт, Р. К. Ф. Защита руки, которая нас кормит: водоросли (Zostera marina) служат средой обитания промысловой молоди рыб. мар. Загрязнение. Бык. 83 , 425–429 (2014).
CAS Статья Google Scholar
Нордлунд, Л. М., Ансуорт, Р. К. Ф., Гуллстрём, М., Каллен-Ансуорт, Л. К. Глобальное значение промысла морских водорослей. Рыба Рыба. 19 , 399–412 (2017).
Артикул Google Scholar
Каллен-Ансуорт, Л. К. и др. . Луга с водорослями в глобальном масштабе как взаимосвязанная социально-экологическая система: последствия для благополучия человека. мар. Загрязнение. Бык. 83 , 387–397 (2014).
CAS Статья Google Scholar
Gillanders, BM In Seagrasses: Biology, Ecology and Conservation 503–505, https://doi.org/10.1007/978-1-4020-2983-7-21 (Springer, Нидерланды, 2006) .
Дальгрен, К. П. и др. . Морские питомники и эффективные среды обитания молоди: концепции и применения. Mar. Ecol. Прог. Сер. 312 , 291–295 (2006).
ADS Статья Google Scholar
Орт, Р. Дж. и др. . Глобальный кризис экосистемы морских водорослей. Биология 56 , 987 (2006).
Артикул Google Scholar
Waycott, M. et al. . Ускоряющаяся гибель морских водорослей во всем мире угрожает прибрежным экосистемам. Proc Natl Acad Sci USA 106 , 12377–12381 (2009).
ADS CAS Статья Google Scholar
де ла Торре-Кастро, М., Ди Карло, Г. и Джиддави, Н. С. Важность водорослей для мелкомасштабного рыболовства в тропиках: необходимость управления морскими пейзажами. мар. Загрязнение. Бык. 83 , 398–407 (2014).
Артикул Google Scholar
Мамби, П. Дж. и др. . Мангровые заросли увеличивают биомассу сообществ рыб коралловых рифов в Карибском бассейне. Nature 427 , 533–536 (2004).
ADS CAS Статья Google Scholar
Перри Д., Стейвли Т. А. и Гуллстрём М. Связь рыб со средой обитания в мелководных морских ландшафтах умеренного пояса. Фронт. Мар. Sci . 4 , (2018).
Dorenbosch, M., Grol, MGG, Nagelkerken, I. & van der Velde, G. Грядки водорослей и мангровые заросли как потенциальные рассадники для исчезающих индо-тихоокеанских губанов-горбатых, Cheilinus undulatus и карибских радужных рыб-попугаев. , Скарус гуакамая . Биологический заповедник 129 , 277–282 (2006).
Артикул Google Scholar
Эмсли, М. Дж., Чил, А. Дж., МакНил, М. А., Миллер, И. Р. и Свитман, Х. П. А. Сообщества рифовых рыб напуганы подводными исследованиями, и на восстановление могут уйти часы. PeerJ 6 , e4886 (2018).
Артикул Google Scholar
Уильямс, И. Д., Уолш, У. Дж., Тиссо, Б. Н. и Халлахер, Л. Е. Влияние уровня опыта наблюдателей на количество рыб при подводных визуальных съемках. Mar. Ecol. Прог. Сер. 310 , 185–191 (2006).
ADS Статья Google Scholar
Уиллис, Т. Дж., Миллар, Р. Б. и Бэбкок, Р. С. Обнаружение пространственной изменчивости относительной плотности рыб: сравнение визуального учета численности, рыбной ловли и подводного видео с наживкой. Mar. Ecol. Прог. Сер. 198 , 249–260 (2000).
ADS Статья Google Scholar
Маллет Д. и Пеллетье Д. Методы подводного видео для наблюдения за морским биоразнообразием прибрежных районов: обзор публикаций за шестьдесят лет (1952–2012). Fisheries Research 154 , 44–62 (2014).
Артикул Google Scholar
Летесье, Т. Б., Юхель, Ж.-Б., Виглиола, Л. и Мееуиг, Дж. Дж. Недорогие малые экшн-камеры в стереосистеме позволяют получать точные подводные измерения рыб. Журнал экспериментальной морской биологии и экологии 466 , 120–126 (2015).
Артикул Google Scholar
Пеллетье, Д. и др. . Дистанционное вращающееся видео высокой четкости позволяет быстро проводить пространственные исследования морской подводной макрофауны и местообитаний. PLoS ONE 7 , e30536 (2012).
ADS CAS Статья Google Scholar
Гилландерс, Б. М., Эйбл, К. В., Браун, Дж. А., Эгглстон, Д. Б. и Шеридан, П. Ф. Доказательства связи между средами обитания молодых и взрослых для мобильной морской фауны: важный компонент питомников. Mar. Ecol. Прог. Сер. 247 , 281–295 (2003).
ADS Статья Google Scholar
Whitmarsh, S.K, Fairweather, P.G. и Huveneers, C. Что задумал Big BRUVver? Способы и применение подводного видео с наживкой. Ред. Fish Biol. Рыбы. 27 , 53–73 (2017).
Артикул Google Scholar
Энрикес С. и Пантоха-Рейес Н. И. Форм-функциональный анализ влияния морфологии полога на самозатенение листьев у морских водорослей Thalassia testudinum. Oecologia 145 , 235–243 (2005).
ADS Статья Google Scholar
Беллвуд, Д. Р. и Чоут, Дж. Х. Описание цветовых схем ювенильной фазы у 24 видов рыб-попугаев (семейство Scaridae) из Большого Барьерного рифа, Австралия. Рек. Aust. Mus. 41 , 1–41 (1989).
Артикул Google Scholar
Каппо, М., Харви, Э., Малкольм, Х. и Спир, П.Возможности видеотехники для мониторинга разнообразия, численности и размера рыбы при изучении морских охраняемых территорий. В: Beumer JP, Grant A, Smith DC, редакторы. Proc World Congr по водным заповедникам. Норт-Бич, Западная Австралия: Австралийское общество биологии рыб, стр. 455–464 (2003).
Langlois, T. J. et al. . Экономичный отбор рыбных скоплений: сравнение видеостанций с наживкой и водолазных трансект. Aquat. Биол. 9 , 155–168 (2010).
Артикул Google Scholar
Гладстон, В., Линдфилд, С., Колман, М. и Келахер, Б. Оптимизация проектов дистанционного отбора подводных видеоданных с наживкой для сообществ эстуарных рыб. Журнал экспериментальной морской биологии и экологии 429 , 28–35 (2012).
Артикул Google Scholar
Диккенс, Л. К., Гоутли, К.Х. Р., Таннер, Дж. К. и Беллвуд, Д. Р. Количественная оценка относительных эффектов дайвера в подводных визуальных учётных записях. PLoS ONE 6 , e18965 (2011).
ADS CAS Статья Google Scholar
Ариас-Гонсалес, Дж. Э., Лежандр, П. и Родригес-Сарагоса, Ф. А. Расширение бета-разнообразия на коралловых рифах Карибского моря. Журнал экспериментальной морской биологии и экологии 366 , 28–36 (2008).
Артикул Google Scholar
Йегер, Л. А. и Ариас-Гонсалес, Дж. Э. Предварительное исследование состава рыбных сообществ в местах обитания морских водорослей в двух бэк-рифовых лагунах в южной части Мексиканского Карибского бассейна. GCR 20 , 41–47 (2008).
Артикул Google Scholar
Schmitter-Soto, J. J. et al. . Междекадные тенденции в составе, плотности, размере и среднем трофическом уровне видов и гильдий рыб до и после освоения прибрежных районов Карибского бассейна Мексики. Biodivers. Консерв. 27 , 459–474 (2018).
Артикул Google Scholar
Колтон, М. и Свирер, С. Е. Сравнение двух методов съемки: различия между подводным визуальным обследованием и удаленным подводным видео с наживкой. Mar. Ecol. Прог. Сер. 400 , 19–36 (2010).
ADS Статья Google Scholar
Уотсон, Д. Л., Харви, Э. С., Андерсон, М. Дж. И Кендрик, Г. А. Сравнение скоплений рифовых рыб умеренного пояса, записанных с помощью трех подводных стереовидео техник. Mar. Biol. 148 , 415–425 (2005).
Артикул Google Scholar
Стобарт Б. и др. . Техника подводного видео с наживкой для оценки сообществ мелководных средиземноморских рыб: методологическая оценка. Журнал экспериментальной морской биологии и экологии 345 , 158–174 (2007).
Артикул Google Scholar
Уотсон Д. Л. и Харви Е. С. Поведение рифовых рыб умеренного и субтропического климата по отношению к неподвижному ныряльщику с аквалангом. марта Freshw. Behav. Physiol. 40 , 85–103 (2007).
Артикул Google Scholar
Накамура Ю., Кавасаки Х. и Сано М. Экспериментальный анализ моделей пополнения коралловых рифовых рыб в зарослях водорослей: влияние типа субстрата, формы и жесткости. Estuarine, Coastal and Shelf Science 71 , 559–568 (2007).
ADS Статья Google Scholar
Стоунер А. В. Распространение рыб на лугах водорослей: роль биомассы макрофитов и видовой состав. Бюллетень рыболовства — Национальное управление океанических и атмосферных исследований (1983).
Стоунер А. В. и Льюис Ф. Г. Влияние количественных и качественных аспектов сложности среды обитания на тропических лугах с морской травой. Журнал экспериментальной морской биологии и экологии 94 , 19–40 (1985).
Артикул Google Scholar
Heck, KL & Orth, RJ In Estuarine Perspectives (ed. Kennedy, VS) 449–464, https://doi.org/10.1016/B978-0-12-404060-1.50043-5 (Эльзевир, 1980).
Макклоски, Р. М. и Ансуорт, Р. К. Ф. Уменьшение плотности водорослей отрицательно влияет на связанную с ними фауну. PeerJ 3 , e1053 (2015).
Артикул Google Scholar
Джексон, Э. Л., Атрилл, М. Дж. И Джонс, М. Б. Характеристики местообитаний и пространственное расположение, влияющие на разнообразие рыб и скоплений десятиногих морских водорослей (Zostera marina) у побережья Джерси (Ла-Манш). Estuarine, Coastal and Shelf Science 68 , 421–432 (2006).
ADS Статья Google Scholar
Cocheret de la Morinière, E., Nagelkerken, I., van der Meij, H., van der Velde, G. Что привлекает молодых коралловых рифовых рыб в мангровых зарослях: сложность среды обитания или тень? Mar. Biol. 144 , 139–145 (2004).
Артикул Google Scholar
Кэмпбелл, Дж. Э. и др. . Сообщество травоядных определяет масштабы и механизм воздействия питательных веществ на субтропические и тропические водоросли. J. Ecol. 106 , 401–412 (2017).
Артикул Google Scholar
Мамби П. Дж., Гастингс А. и Эдвардс Х. Дж. Пороги и устойчивость коралловых рифов Карибского моря. Природа 450 , 98–101 (2007).
ADS CAS Статья Google Scholar
Уиллис, Т. Дж. И Бэбкок, Р. С. Подводная видеосистема с наживкой для определения относительной плотности хищных рифовых рыб. Морские и пресноводные исследования (2000).
Харви, Э. С., Каппо, М., Батлер, Дж. Дж., Холл, Н. и Кендрик, Г. А. Привлечение наживки влияет на работу удаленных подводных видеостанций при оценке структуры сообщества донных рыб. Mar. Ecol. Прог. Сер. 350 , 245–254 (2007).
ADS Статья Google Scholar
Дорман, С. Р., Харви, Э. С.И Ньюман, С. Дж. Эффекты приманки при отборе проб скоплений рыб коралловых рифов с помощью стерео-BRUV. PLoS ONE 7 , e41538 (2012).
ADS CAS Статья Google Scholar
Verweij, M. C. et al. . Структура, еда и тень привлекают молодых коралловых рифовых рыб в мангровые заросли и водоросли: полевой эксперимент. Mar. Ecol. Прог. Сер. 306 , 257–268 (2006).
ADS Статья Google Scholar
Ньюман С. П., Хэнди Р. Д. и Грубер С. Х. Пространственные и временные изменения фаунистических сообществ мангровых зарослей и морских водорослей в Бимини, Багамы. Bull Mar Sci 80 , 529–553 (2007).
Google Scholar
Nagelkerken, I. In Ecological Connectivity между тропическими прибрежными экосистемами (изд. Nagelkerken, I.) 357–399, https://doi.org/10.1007/978-90-481-2406-0_10 (Springer, Нидерланды, 2009).
Cocheret de la Morinière, E. et al. . Онтогенетические диетические изменения коралловых рыб в континууме мангровые заросли-водоросли-риф: стабильные изотопы и анализ содержания в кишечнике. Mar. Ecol. Прог. Сер. 246 , 279–289 (2003).
ADS Статья Google Scholar
Thomsen, M. S. et al. . Вторичные виды основы увеличивают биоразнообразие. Nat.Ecol. Evol. 2 , 634–639 (2018).
Артикул Google Scholar
Vaslet, A., Phillips, DL, France, C., Feller, IC & Baldwin, CC Относительная важность мангровых зарослей и зарослей морских водорослей как мест кормления для постоянных и временных рыб среди различных местообитаний мангровых зарослей во Флориде и Белиз: данные анализа питания и стабильных изотопов. Журнал экспериментальной морской биологии и экологии 434–435 , 81–93 (2012).
Артикул Google Scholar
Heck, KL & Orth, RJ In Seagrasses: Biology, Ecology and Conservation 537–550, https://doi.org/10.1007/978-1-4020-2983-7_22 (Springer, Нидерланды, 2007).
Кимирей, И. А., Нагелькеркен, И., Гриффиоен, Б., Вагнер, К. и Мгая, Ю. Д. Онтогенетическое использование среды обитания коралловыми рыбами, связанными с мангровыми зарослями / водорослями, демонстрирует гибкость во времени и пространстве. Estuarine, Coastal and Shelf Science 92 , 47–58 (2011).
ADS Статья Google Scholar
Сёдзи, Дж., Митамура, Х., Итикава, К., Киношита, Х. и Араи, Н. Повышение риска хищничества и трофического уровня, вызванное ночными посещениями рыбоядных рыб в ложе водорослей умеренного климата. Sci. Отчет 7 , 3895 (2017).
ADS Статья Google Scholar
Яньес-Арансибия, А., Лара-Домингес, А. Л. и Дей, Дж. У. Взаимодействие между средами обитания мангровых зарослей и водорослей, опосредованное сообществами нектона эстуариев: сочетание первичной и вторичной продукции. Hydrobiologia 264 , 1–12 (1993).
Артикул Google Scholar
Morrison, M. & Carbines, G. Оценка численности и размерной структуры устьевой популяции спарид Pagrus auratus с использованием буксируемой камеры в периоды ночного бездействия и сравнение с традиционными методами отбора проб. Fisheries Research 82 , 150–161 (2006).
Артикул Google Scholar
Ричардсон, Дж. Р., Ширс, Н. Т. и Тейлор, Р. Б. Использование относительного размера глаз для оценки длины рыбы по изображению с одной камеры. Mar. Ecol. Прог. Сер. 538 , 213–219 (2015).
ADS CAS Статья Google Scholar
Харви, Э., Шортис, М., Стадлер, М. и Каппо, М. Сравнение точности и точности измерений одиночных и стереовидеосистем. мар. технол. соц. j. 36 , 38–49 (2002).
Артикул Google Scholar
Longo, G.O., Ferreira, C.E.L. и Floeter, S.R. Herbivory управляет крупномасштабными пространственными вариациями трофических взаимодействий рифовых рыб. Ecol. Evol. 4 , 4553–4566 (2014).
Артикул Google Scholar
Лонго, Г. О., Хей, М. Э., Феррейра, К. Э. Л. и Флотер, С. Р. Трофические взаимодействия через 61 градус широты в Западной Атлантике. Global Ecol. Биогеогр. https://doi.org/10.1111/geb.12806 (2018).
Артикул Google Scholar
Харви, Э., Флетчер, Д. и Шортис, М. Сравнение точности и точности оценок длины рифовой рыбы, определенной визуально водолазами, с оценками, полученными с помощью стереовидеосистемы. Fishery Bulletin 99 , 63–71 (2001).
Google Scholar
Эдгар, Дж. Дж., Барретт, Н. С. и Мортон, А. Дж. Предубеждения, связанные с использованием методов подводной визуальной переписи для количественной оценки плотности и размерной структуры популяций рыб. Журнал экспериментальной морской биологии и экологии 308 , 269–290 (2004).
Артикул Google Scholar
Деласи, К. Р. и др. . Доступная и точная стереовидеосистема для измерения размеров под водой: пример из океанических белоперых акул Carcharhinus longimanus . Mar. Ecol. Прог. Сер. 574 , 75–84 (2017).
ADS Статья Google Scholar
Наварро-Мартинес, З. М. и де ла Гуардиа, Э. Примерас испытывают con estéreo video operado por buzos para muestrear peces de arrecife на Кубе / Первые опыты с управляемым дайвером стерео видео для наблюдения за рифовыми рыбами на Кубе. Revista de Investigaciones Marina 4 , 1–18 (2017).
van Tussenbroek, B. Надземная и подземная биомасса и продукция Thalassia testudinum в лагуне тропических рифов. Aquatic Botany 61 , 69–82 (1998).
Артикул Google Scholar
Humann, P. & DeLoach, N. Идентификация рифовых рыб — Флорида, Карибские острова, Багамы (New World Publications, 2014).
Робертсон, Д. Р. и Тасселл, Дж. В. Shorefishes of the Greater Caribbean: онлайн-информационная система. Версия 1.0 Смитсоновский институт тропических исследований, Бальбоа, Панама, http://biogeodb.stri.si.edu/car Caribbean/en/pages (2015).
Froese, R. & Pauly, D. FishBase. на http://www.fishbase.org (2018).
Оксанен, Дж. и др. . Веган: Пакет «Экология сообщества». (cran.ism.ac.jp, 2018).
Чао, А. и др. . Редкость и экстраполяция с числами Хилла: основа для выборки и оценки в исследованиях видового разнообразия. Ecol. Monogr. 84 , 45–67 (2014).
Артикул Google Scholar
Военные пробуют ловить рыбу в качестве подводных шпионов
Мы, люди, часто наблюдаем и удивляемся дикой природе. Но новая инициатива оборонного агентства меняет положение дел — оно направлено на использование морских животных для наблюдения за деятельностью человека.
Агентство хочет знать, могут ли морские обитатели, от биолюминесцентного планктона до груперов-голиафов, служить компонентами систем подводного наблюдения, способных обнаруживать беспилотные летательные аппараты противника, большие атомные подводные лодки и другие подводные аппараты. Это исследование называется «Постоянные датчики жизни в водной среде» (PALS).
Многие морские животные реагируют на слух или визуально на звуковые, оптические, электромагнитные и химические сдвиги в воде вокруг них. Например, стаи черного морского окуня меняют свое поведение, когда им мешают подводные аппараты, а определенные микробы реагируют на магнитные сигнатуры подводных лодок.Существующая технология наблюдения может уловить это поведение, но обычно рассматривает его как фоновый шум.
«Программа PALS была разработана для того, чтобы использовать высокую чувствительность организмов в океане к изменениям в окружающей их среде», — говорит Лори Адорнато, менеджер инициативы, находящейся в ведении Федерального агентства перспективных исследовательских проектов в области обороны (DARPA).
Sonar — это традиционный подход к подводному наблюдению. Однако злоумышленники также могут обнаружить эти эхо-запросы.А датчики гидролокатора дороги, трудоемки в установке и подвержены коррозии или налету организмов. Некоторым приходится даже оставаться рядом с кораблем или берегом, чтобы добраться до источников энергии. Таким образом, ВМФ в основном использует подводное наблюдение для защиты ценных активов, таких как порты и авианосцы.
Напротив, живые организмы обладают автономным питанием и могут воспринимать визуальные, магнитные и химические сигналы, а также звуки. «Это дает вам гораздо больше гибкости в том, как вы будете наблюдать за объектами в океане», — говорит Адорнато.Кроме того, эти датчики уже «установлены» по всему морю, и каждое поколение, естественно, заменяет предыдущее. Все эти особенности делают океанскую жизнь идеальным агентом для непрерывного, долгосрочного наблюдения. «Воспользовавшись преимуществами организмов, вы сможете наблюдать за устойчивостью и широким охватом, в отличие от использования одного единственного датчика, который выполняет всю работу», — говорит Адорнато.
По крайней мере, две проблемы связаны с использованием живых организмов для морского мониторинга. Во-первых, DARPA потребуются детекторы, чтобы фиксировать соответствующее поведение животных.Эти детекторы могут столкнуться с теми же проблемами, что и обычные сенсоры. Во-вторых, «вы должны иметь некоторое представление о поведении животных, и это всегда большая дикая карта», — говорит Ким Мартини, океанограф-физик из Сиэтла, который не участвует в этой инициативе.
Чтобы увидеть, что возможно, DARPA начало выделять в общей сложности 45 миллионов долларов пяти исследовательским группам, каждая из которых изучает конкретный морской организм и его реакцию на подводные аппараты. Исследователи будут использовать комбинацию гидрофонов, сонара, камер и других датчиков для изучения и записи поведения организмов.Затем они проанализируют данные, чтобы отсеять ложные срабатывания. Наконец, команды разработают технологию, которая сможет ретранслировать сигналы военным.
Группа во главе с Лораном Черубином, физическим океанографом из океанографического института гавани Атлантического университета Флориды, будет использовать финансирование PALS для записи и анализа шума, издаваемого групером-голиафом. Эти территориальные рыбы, которые могут вырастать до 8,2 футов в длину и весить до 800 фунтов, как известно, издают отчетливые низкочастотные «удары», когда к ним приближаются дайверы.Исследователи подозревают, что бум — это сигнал бедствия, сделанный в ответ на всех видов злоумышленников, включая подводные дроны и подводные лодки.
Чтобы проверить эту теорию, Черубин и его коллеги будут хорошо знакомы со всеми аспектами поведения этого вида, выявляя невиданные ранее формы поведения, — говорит Черубин. Работа начнется с содержащихся в неволе рыб, прежде чем перейти к окуням-голиафам в естественной среде обитания, чтобы увидеть, наблюдается ли какое-либо поведение только в дикой природе.
Элисон Лаферриер, инженер-океанограф Raytheon BBN Technologies, возглавит группу биологов, занимающихся ловлей креветок.Креветки-щелкуны длиной всего несколько сантиметров являются одними из самых громких морских организмов, производя хлопающие звуки мощностью 200 децибел, которые Лаферриер сравнивает с шипением жареного бекона. Попы путешествуют на большие расстояния, поэтому они могут поражать вражеские машины и возвращаться к датчикам, как это делает сонар. «Он способен обнаруживать даже самые тихие транспортные средства, которые могут быть там», — говорит Лаферриер.
Лаферриер рада, что ее проект PALS также внесет вклад в фундаментальные исследования. Слушая коллективные звуки креветок в океане, ее команды также будут следить за здоровьем среды обитания и биоразнообразием.И они открывают новые возможности; По ее словам, никто не изучал, как щелкающие креветки реагируют на присутствие подводного аппарата и как это влияет на общий звуковой ландшафт.
Другие команды будут использовать камеры и машинное обучение для поиска полезных закономерностей в реакции биолюминесцентных организмов на подводные аппараты. Ожидается, что все исследователи опубликуют свои выводы, по крайней мере, несекретные, в ближайшие несколько лет. И когда они это сделают, мы тоже сможем подслушать.
Автоматическое обнаружение рыбы в подводных видеороликах с помощью гибридной системы обучения движению на основе глубокой нейронной сети | Журнал ICES по морским наукам
Аннотация
Интересно разработать эффективные методы отбора проб рыбы с использованием подводных видеороликов и обработки изображений для автоматической оценки и последующего мониторинга биомассы и скопления рыб в водоемах.Такие подходы должны быть устойчивыми к существенным различиям в сценах из-за плохой освещенности, ориентации рыб, структур морского дна, движения водных растений на заднем плане и разнообразия изображений по форме и текстуре у рыб разных видов. Помня об этой проблеме, мы предлагаем единый подход к обнаружению свободно движущихся рыб в неограниченных подводных средах с использованием региональной сверточной нейронной сети, современной техники машинного обучения, используемой для решения общих задач обнаружения и локализации объектов.Для обучения нейронной сети мы применяем новый подход к использованию информации о движении рыб в видео с помощью вычитания фона и оптического потока, а затем объединяем результаты с необработанным изображением для создания областей-кандидатов, зависящих от рыбы. Мы используем два набора контрольных данных, извлеченных из большого хранилища подводных видео Fish5Knowledge, набора данных сложных сцен и набора данных о рыбе LifeCLEF 2015, чтобы проверить эффективность нашего гибридного подхода. Мы достигли точности обнаружения (F-Score) 87.44% и 80,02% соответственно для этих наборов данных, которые поддерживают использование нашего подхода для задачи обнаружения рыбы.
Введение
Мониторинг воздействия превентивных и восстановительных мер требует оценки биомассы и численности рыб путем регулярного отбора проб их популяций в водоемах, таких как озера, реки и океаны (Jennings and Kaiser, 1998). Это требует наблюдения за взаимодействием разных видов рыб с изменяющимися условиями окружающей среды.Это важный процесс, особенно в тех регионах мира, где определенные виды рыб либо находятся под угрозой исчезновения, либо находятся под угрозой исчезновения из-за потери и изменения среды обитания, промышленного загрязнения, обезлесения, изменения климата и коммерческого перелова рыбы (Tanzer et al. , 2015). Морские биологи и защитники природы проявляют устойчивый и растущий интерес к использованию неразрушающих методов отбора проб рыбы (McLaren et al. , 2015). Подводные видеообнаружения рыбы использовались для обеспечения неразрушающего и многократного отбора проб в течение многих лет (Harvey and Shortis, 1995; Shortis et al., 2009 г.). Ручная обработка подводных видеороликов трудоемка, отнимает много времени, дорого и часто приводит к ошибкам, связанным с утомляемостью. Напротив, автоматическая обработка подводных видеороликов для классификации видов рыб и измерения биомассы является привлекательной альтернативой. Однако высокая изменчивость подводной среды из-за изменений условий освещения, прозрачности воды и нечеткости фона из-за яркой структуры морского дна создает большие проблемы для автоматического обнаружения рыбы.Эти факторы приводят к компромиссу в отношении точности, что поддерживает продолжающуюся практику менее рентабельного и сложного ручного отбора проб и мечения рыбы.
В общем, автоматический отбор проб рыбы включает следующие три основные задачи: (i) Обнаружение рыбы, которое позволяет отличить рыбу от других объектов в подводных видеороликах. Объекты, не связанные с рыбой, включают коралловые рифы, водные растения, заросли морской травы, сидячих беспозвоночных, таких как губки, горгонарии, асцидии и другие фоновые животные. (ii) Классификация видов рыб, которая определяет виды каждой обнаруженной рыбы из заранее определенного пула различных видов (Siddiqui et al., 2017). (iii) Измерение биомассы рыбы с использованием методов регрессии длины и биомассы (Froese, 2006). В этой статье рассматривается первая задача, и заинтересованный читатель может обратиться к литературе для получения подробной информации о следующих двух этапах общего процесса.
Для обнаружения рыб и, следовательно, оценки их скоплений использовались различные подходы с использованием алгоритмов обработки изображений и видео. В общих чертах, эти подходы можно разделить на две категории в зависимости от среды, доступной для выборки, а именно ограниченную и неограниченную выборку.В первом случае были предприняты первые попытки обнаружения рыб с использованием информации об их форме и цвете (Strachan and Kell, 1995) или 3D-моделирование рыбы для получения таких характеристик, как высота, ширина или толщина (Storbeck and Daan, 2001). . Харви и Шортис (1995) представили подход к получению подводных изображений рыб в контролируемых условиях. Этого удалось добиться, заставив рыбу проплыть через камеру с контролируемым освещением. Безусловное обнаружение и классификация подводной рыбы не предполагает каких-либо конкретных условий окружающей среды и, следовательно, сталкивается с трудностями в достижении требуемой точности из-за значительных различий в вышеупомянутых условиях.Чтобы решить эту проблему, Spampinato et al. (2008) представил основанный на обработке изображений метод обнаружения и подсчета рыб путем захвата текстуры рыбы в естественной подводной среде. Им удалось добиться средней точности около 84% на пяти подводных видео. В прошлом было предпринято несколько попыток решить ту же проблему в подводных видеороликах с помощью машинного обучения. Анализ главных компонентов (Turk and Pentland, 1991), линейный дискриминантный анализ (Mika et al., 1999), а обнаружение на основе разреженного представления (Hsiao et al. , 2014) представило некоторые способы захвата зависящих от рыбы функций с помощью математического моделирования, которое предполагало независимость моделируемой рыбы от окружающей среды на видео. Другими словами, такая информация, как цвет, текстура и форма рыбы, была извлечена с предварительным предположением, что экземпляры рыбы переднего плана легко отличить от фона. На самом деле, сложно различить рыбу в подводных видео / изображениях из-за маскировки фоном, плохой видимости и потери контрастности в результате ослабления света в водной среде, слабого освещения и мутности воды.В целях подавления эффектов изменчивости окружающей среды Шейх и Шах (2005) использовали подход «Дескрипторы ядра в оценке плотности ядра» (KDE) с информацией о цвете для моделирования пикселей фона в изображениях. Напротив, текстурно-зависимые особенности, вычисленные с помощью локальных двоичных шаблонов для моделирования фона, были предложены в Yao and Odobez (2007).
Фоновое моделирование — это популярный метод разделения движущихся объектов переднего плана и фона в видеопоследовательностях.Подход, основанный на обнаружении рыбы на видео, был представлен Hsiao et al. (2014). Этот метод реализует вычитание фона путем моделирования пикселей фона в видеокадрах с использованием моделей смеси Гаусса (GMM). Несмотря на обучение GMM, предполагается, что в последующих кадрах видео отсутствуют экземпляры рыбы. Движение обнаруживается в видеокадрах (очевидно, от рыбы), когда определенная область кадра не вписывается в обученную фоновую модель. Этот подход дает результаты обнаружения рыбы со средней вероятностью успеха 83.99% на нескольких подводных видео, собранных около южного Тайваня. Аналогичная схема была предложена для ковариационного моделирования фона и переднего плана (экземпляры рыб) в видеокадрах с использованием цветовых и текстурных особенностей рыб (Palazzo, Murabito, 2014). Используя набор данных из четырех подводных видеороликов с большим разбросом яркости, сильными движениями фона, динамическими текстурами и богатым фоном, они смогли достичь средней точности обнаружения 78,01%. В настоящее время подходы к обнаружению рыбы на основе GMM и KDE считаются самыми современными (Spampinato et al., 2014). В следующем разделе мы сравним эффективность различных современных методов с предлагаемым нами подходом.
Все вышеупомянутые подходы к машинному обучению и извлечению функций относятся к категории архитектур поверхностного обучения (Bengio, 2009). Эти методы не могут точно моделировать сложность зависящих от рыбы функций в присутствии сильно изменчивой и разнообразной среды, и поэтому эти методы обнаружения рыбы на основе видео или изображений демонстрируют низкую производительность в реальных сценариях (Siddiqui et al., 2017). В последнее десятилетие глубокое обучение было в центре внимания многих исследователей, разрабатывающих алгоритмы обнаружения и классификации в области компьютерного зрения. Отмеченные своей способностью извлекать и моделировать сильно нелинейные данные, глубокие архитектуры использовались в многочисленных задачах, связанных с компьютерным зрением, включая распознавание лиц, обработку речи, обнаружение общих объектов и классификацию в видео и неподвижных изображениях, дающих состояние современного состояния. результаты искусства (Lin et al., 2015; Ren et al. , 2017). При реализации глубокой архитектуры многослойные глубокие нейронные сети являются одними из наиболее успешных схем, способных извлекать зависящие от задачи особенности при наличии изменчивости изображений. Наиболее часто используемые варианты глубоких нейронных сетей включают глубокие сверточные нейронные сети (CNN), которые представляют собой параметрические модели нейронных сетей, способные извлекать специфические для задачи особенности и широко используются в задачах компьютерного зрения, таких как распознавание объектов на изображениях и распознавание лиц (LeCun et al. ., 2015).
Глубокое обучение в последнее время используется для решения задач, связанных с рыбой (Moniruzzaman et al. , 2017). Важная работа с использованием CNN была предложена Sung et al. , (2017) для обнаружения рыб на подводных изображениях со средней точностью 65,2% в наборе данных, содержащем 93 изображения с экземплярами рыб. Система была обучена на изображениях сырой рыбы для сбора информации о цвете и текстуре для локализации и обнаружения экземпляров рыбы на изображениях. В аналогичной работе CNN на основе глубинных регионов (R-CNN) использовались для оценки численности рыбы по 4909 подводным изображениям, сделанным на побережье юго-восточного Квинсленда, Австралия.В этой работе сообщалось о точности 82,4% при использовании системы R-CNN, настроенной для обнаружения и обнаружения экземпляров рыбы на изображении с помощью единой сетевой структуры.
Несмотря на высокую точность, достигаемую классификацией видов рыб на основе глубокого обучения, задача автоматического обнаружения рыбы на основе зрения в неограниченных подводных видео все еще находится в стадии обширных исследований, поскольку большинство предыдущих попыток сообщали о результатах на относительно небольших наборах данных с ограниченным разнообразием. в окружающей среде.Следовательно, важно оценить надежность и эффективность любой системы в большом наборе данных с высокой степенью изменчивости окружающей среды.
В этой статье мы обращаемся к обнаружению рыбы в самых разнообразных и неограниченных подводных средах и предлагаем гибридную систему, основанную на явном извлечении признаков на основе движения, за которым следует заключительная фаза обнаружения с использованием глубоких CNN. На первом этапе мы используем вычитание фона, моделируя неподвижные пиксели видеокадров с помощью GMM.Эти модели представляют пиксели, относящиеся к ряду коралловых рифов, особенностей морского дна и водных растений. Объекты переднего плана сегментируются от фона на основе движения в сцене, которое не соответствует модели фона. Чтобы повысить качество извлеченных функций в каждом видеокадре, мы объединяем выходные большие двоичные объекты-кандидаты GMM с движущимися кандидатами, сгенерированными оптическим потоком, — хорошо зарекомендовавший себя подход, используемый для обнаружения движения в видео (Brox et al. , 2004). . Однако из-за плохого качества изображения, шума и путаницы с фоном обнаружение остается далеким от идеального.Чтобы решить эту проблему, мы настраиваем параметры GMM и систем оптического потока для обеспечения высокой степени отзыва, пробуя различные значения количества распределений Гаусса, начальной дисперсии, размера капли и чувствительности в случае GMM, а также размера пирамиды, количества слои пирамиды и размер окна в случае оптического потока. Детали этих параметров приведены в Zivkovic and Heijden (2006) для GMM и в Beauchemin and Barron (1995) для оптического потока. В частности, на этом этапе все сущности, которые демонстрируют даже небольшое движение, распознаются как рыбы.На втором этапе мы различаем все области-кандидаты в видеокадрах как рыбные и не рыбные объекты, используя архитектуру CNN, организованную иерархическим образом для точной настройки системы обнаружения. Наша CNN обучается с использованием контролируемого стиля обучения, в котором GMM и капли оптического потока действуют как входные данные, в то время как наземные точки достоверности (указанные в обучающих данных) действуют как желаемый результат. Мы работали с двумя разными наборами данных; набор данных сложных сцен Fish5Knowledge, целью которого является обнаружение рыбы с помощью видео, сгруппированных по семи различным категориям в зависимости от изменений в подводной среде; и набор данных LifeCLEF 2015 (LCF-15), который также предназначен для обнаружения свободно плавающих рыб в видеопоследовательностях.Эти наборы данных содержат морские сцены и виды; К сожалению, не существует общедоступных наборов эталонных данных, содержащих подводные записи в пресных водоемах.
Целью данной работы является преодоление основной проблемы, с которой сталкиваются традиционные подходы к обнаружению движения и классификации изображений с использованием глубокого обучения. Эти модули глубокого обучения обучены выбирать релевантную информацию из данных и сводить к минимуму путаницу, которая способствует ложным тревогам или пропущенным обнаружениям.Такой подход повышает точность обнаружения и классификации, особенно данных, отмеченных высокой изменчивостью окружающей среды, таких как подводные видео с рыбой без ограничений. Наша новизна заключается в предлагаемой гибридной установке для добычи релевантного информационного содержания движения путем объединения информации, генерируемой GMM и оптическим потоком, и уточнения результатов с помощью глубоких CNN. Наш подход позволяет обнаруживать рыбу на видео в ее неподвижном или движущемся состоянии с локализацией объектов на основе региона. Это снабжает нашу систему обнаружения временной информацией, связанной с движением, которая недоступна иным образом, чтобы повысить эффективность обнаружения в случаях, когда рыба закрыта или замаскирована на заднем плане.
Материалы и методы
Набор данных
В нашем исследовании мы используем два набора эталонных данных, оба из которых специально разработаны, чтобы предоставить ресурс для тестирования алгоритмов обнаружения и классификации рыб на изображениях и видеопоследовательностях, и были использованы для эталонного тестирования ряда подходов. Первый набор данных используется для задачи обнаружения рыбы и представляет собой набор из 17 видеороликов в различных условиях окружающей среды (http: // f4k.dieei.unict.it/datasets/bkg_modeling/). Второй набор данных взят из рыбной задачи LCF-15 (http://www.imageclef.org/lifeclef/2015/fish). Этот набор данных содержит 93 подводных видео с участием 15 различных видов рыб. Оба набора данных получены из очень большой базы данных по рыбам Fish5Knowledge (Fisher et al. , 2016). Набор данных Fish5Knowledge, содержащий более 700 000 подводных видеороликов в неограниченных условиях, был собран в течение 5 лет для мониторинга морской экосистемы коралловых рифов вокруг Тайваня.Этот регион является домом для одной из крупнейших в мире сред по биоразнообразию рыб, насчитывающей более 3000 видов рыб.
Первый набор данных, именуемый далее FCS (Fish5Knowledge со сложными сценами), включает семь наборов выбранных видео, записанных в типичных подводных условиях, с учетом сложной изменчивости сцен. Таким образом, изменения окружающей среды создают серьезную проблему для идентификации рыб и подразделяются на следующие категории:
Размытые , состоящие из трех низкоконтрастных размытых видео.
Сложный фон , состоящий из трех видеороликов с богатыми структурами морского дна, которые обеспечивают высокую степень смешения фона.
Crowded , в котором три видео с высокой плотностью движущихся рыб в каждом кадре видео создают определенные проблемы для методов обнаружения рыбы, особенно когда речь идет о высокой точности воспроизведения и точности при наличии закрывающих объектов.
Динамический фон , в котором два видеоролика снабжены богатыми текстурами фона коралловых рифов и движущихся растений.
Изменение яркости , состоящее из двух видеороликов, включающих внезапные изменения яркости из-за воздействия поверхностных волн. Это явление может вызывать ложные срабатывания при обнаружении из-за движущихся световых лучей.
Камуфляж переднего плана , выбраны два видео, решающих задачу обнаружения рыб, замаскированных на текстурированном и красочном фоне.
Гибрид , в котором выбраны два видео, чтобы показать комбинацию всех вышеупомянутых условий изменчивости.
В таблице 1 обобщена техническая информация об обоих наборах данных, используемых в этой статье. Для набора данных FCS сложность специально изображена для всех семи условий окружающей среды. Набор данных LCF-15 используется для обнаружения экземпляров рыбы на видео, то есть для подсчета всех рыб на видео независимо от их вида. Из 93 видеороликов, приведенных в LCF-15, 20 используются для обучения компьютерному зрению или модулей машинного обучения, а остальные 73 видеоролика предназначены для тестирования / проверки разработанных алгоритмов.Всего в обучающем наборе LCF-15 доступно 9000 аннотированных экземпляров рыб и 13 493 аннотированных экземпляра для тестовых видеороликов. Все эти видео вручную аннотируются экспертами. Помимо видео, в LCF-15 есть 20 000 помеченных неподвижных изображений, каждое из которых состоит из одной рыбы. Эти изображения также можно использовать в качестве дополнения к обучающей выборке при необходимости. Таким образом, всего в наборе данных LCF-15 имеется 42 493 помеченных экземпляра рыбы на видео и неподвижных изображениях. Набор данных FCS также разработан и используется для задачи обнаружения рыбы.Таким образом, наземная правда доступна для всех движущихся рыб, кадр за кадром в каждом видео. Всего для набора данных FCS доступно 1328 аннотаций рыб. На рисунке 1 показаны некоторые видеокадры, извлеченные из наборов данных FCS и LCF-15, демонстрирующие вариации в окружающей среде, структуре рыб, форме, размере и качестве изображения.
Рис. 1.
Примеры изображений, иллюстрирующие большие различия в подводной среде. Первые две строки отображают семь категорий набора данных FCS слева направо сверху вниз: Размытый , Сложный фон , Динамический фон , Переполненный , Вариация яркости , Камуфляжный передний план и Гибрид .В последней строке показаны отрывки из разных видеороликов набора данных LCF-15.
Рис. 1.
Примеры изображений, иллюстрирующие большие различия в подводной среде. Первые две строки отображают семь категорий набора данных FCS слева направо сверху вниз: Размытый , Сложный фон , Динамический фон , Переполненный , Вариация яркости , Камуфляжный передний план и Гибрид . В последней строке показаны отрывки из разных видеороликов набора данных LCF-15.
Таблица 1.Информация о наборах рыбных данных LCF-15 и FCS.
| Набор данных . | Количество видео . | Формат . | разрешение . | кадров / сек . | Количество помеченных экземпляров рыбы . | ||||
|---|---|---|---|---|---|---|---|---|---|
| LCF-15 | 93 | FLV | 640 × 480, 320 × 240 | 24 | 42 493 | ||||
| FCS | 17 | 320 × 910 240 | 24.5 | 1 328 |
| Набор данных . | Количество видео . | Формат . | разрешение . | кадров / сек . | Количество помеченных экземпляров рыбы . | ||||
|---|---|---|---|---|---|---|---|---|---|
| LCF-15 | 93 | FLV | 640 × 480, 320 × 240 | 24 | 42 493 | ||||
| FCS | 17 | 320 × 910 240 | 24.5 | 1 328 |
Информация о наборах рыбных данных LCF-15 и FCS.
| Набор данных . | Количество видео . | Формат . | разрешение . | кадров / сек . | Количество помеченных экземпляров рыбы . | ||||
|---|---|---|---|---|---|---|---|---|---|
| LCF-15 | 93 | FLV | 640 × 480, 320 × 240 | 24 | 42 493 | ||||
| FCS | 17 | 320 × 910 240 | 24.5 | 1 328 |
| Набор данных . | Количество видео . | Формат . | разрешение . | кадров / сек . | Количество помеченных экземпляров рыбы . | ||||
|---|---|---|---|---|---|---|---|---|---|
| LCF-15 | 93 | FLV | 640 × 480, 320 × 240 | 24 | 42 493 | ||||
| FCS | 17 | 320 × 910 240 | 24.5 | 1 328 |
Предлагаемый алгоритм
Для обнаружения рыбы мы предлагаем гибридную систему, основанную на начальном извлечении признаков движения из видео с использованием GMM и кандидатов оптического потока. Эти характерные изображения комбинируются с необработанными изображениями в оттенках серого и передаются в систему CNN для маркировки окончательно обнаруженной рыбы. Таким образом, предлагаемая нами гибридная система обнаружения рыбы состоит из трех компонентов: GMM, оптического потока и CNN.
Моделирование гауссовой смеси
В машинном обучении GMM — это метод неконтролируемого генеративного моделирования для изучения статистических оценок характеристик входных данных первого и второго порядка (Stauffer and Grimson, 1999; Zivkovic and Heijden, 2006).Этот подход и его варианты часто используются в задачах компьютерного зрения и обработки речи. GMM представляет функцию плотности вероятности Pxt в момент времени t данных x как взвешенную сумму множества индивидуальных нормальных распределений ηxi для пикселя i. Таким образом, каждая плотность характеризуется средним значением и ковариацией представленных данных. Используя комбинацию отдельных гауссовых плотностей, любое распределение вероятностей можно оценить с произвольной точностью (Reynolds and Rose, 1995). В нашем случае каждое значение пикселя с фиксированным положением в видеокадре действует как функция.Несколько таких значений из последовательных кадров объединяются, чтобы сформировать вектор признаков. Как показано на рисунке 2, мы получаем общее количество векторов признаков, равное общему количеству пикселей в видеокадре. GMM требует определенного количества обучающих данных для эффективной оценки среднего значения и ковариации класса объектов. Для обнаружения рыбы в видео существует два класса: фон и передний план. В идеале фон в подводных видеороликах должен охватывать все в кадре, кроме движущихся рыб.Например, структура морского дна, коралловые рифы, водные растения и воздействие волн, вызывающих колебания в интенсивности света, классифицируются как фон. С другой стороны, свободно движущаяся рыба — это передний план. GMM используется для изучения функций фона в статистической модели с использованием средних значений и значений ковариации данных пикселей и отделения их от распределения пикселей переднего плана. Другими словами, любое случайное и внезапное изменение значения пикселя кадра вызывает несоответствие с фоновой моделью этого пикселя, и, следовательно, предполагается, что движение обнаруживается.Статистический паттерн движения переднего плана (в нашем случае рыбы) обычно отличается от паттерна неподвижных объектов, таких как структуры морского дна, коралловые рифы, а также объектов с ограниченным движением, таких как движение растений и преломленных световых лучей от поверхности. Выходными данными GMM являются капли-кандидаты, отмеченные ограничивающими прямоугольниками, локализующими движущиеся объекты в кадре (см. Рисунок 2).
Рисунок 2.
(A) Иллюстрация вычитания фона и сегментации переднего плана с использованием GMM, который обнаруживает любое изменение переднего плана, сопоставляя его с моделью фона.(B) Обнаружение движения в установке оптического потока для оценки направления движущихся объектов в двух измерениях (x, y) для последовательных кадров во времени t видеопоследовательности.
Рисунок 2.
(A) Иллюстрация вычитания фона и сегментации переднего плана с использованием GMM, который обнаруживает любое изменение переднего плана, сопоставляя его с моделью фона. (B) Обнаружение движения в установке оптического потока для оценки направления движущихся объектов в двух измерениях (x, y) для последовательных кадров во времени t видеопоследовательности.
Видеокадры, которые используются для обучения GMM, не должны включать никаких экземпляров рыбы, а только фон. Однако снимать такие видео в естественной среде очень сложно, так как рыба может появляться в любом количестве кадров. Когда GMM обучается на видеороликах, которые не имеют чистого фона, но также содержат некоторые рыбы, рыба также будет смоделирована как фон, что приведет к ошибкам в обнаружении в следующих тестовых кадрах.
Оптический поток
Чтобы компенсировать этот недостаток GMM, мы дополнительно извлекли особенности оптического потока, которые чисто генерируются движением, происходящим в подводных видео (см. Рисунок 2).Оптический поток — это двумерный вектор движения в видеозаписи, вызванный трехмерным движением отображаемых объектов (Warren and Strelow, 1985). Существуют различные методы оценки оптического потока. Мы выбрали простой, но эффективный метод, при котором движение обнаруживается между двумя последовательными видеоизображениями, снятыми в моменты времени t и t + Δt в каждой позиции, с использованием приближения ряда Тейлора с частными производными по пространственным и временным координатам (Beauchemin and Barron, 1995). Область интереса (ROI) в видеокадре в момент времени t и координаты x, y могут быть представлены с точки зрения интенсивности как Ix, y, t.После любого движения в следующем кадре интенсивность становится Ix + Δx, y + Δy, t + Δt, где обозначение Δ представляет изменение координат и времени. На основе ограничения движения можно определить оптический поток, как описано, например, в Beauchemin and Barron (1995).
Оптический поток зависит от анализа последовательных кадров для оценки разницы в векторе интенсивности пикселя в конкретном месте. Однако такой анализ также подвержен ложному обнаружению движения, за исключением рыб, когда применяется к динамическому фону с движущимися водными растениями и резким изменением яркости из-за возмущений на поверхности воды.Параметры GMM и алгоритма оптического потока выбраны таким образом, чтобы обнаруживать даже малейшие движения. Другими словами, чувствительность алгоритмов максимальна, что приводит к высокому уровню ложных тревог в дополнение к обнаружению рыб, что приводит к высокой скорости отзыва. На следующем этапе точность системы еще больше повышается за счет точной настройки и уточнения областей в кадрах для локализации движущейся рыбы. Для этого требуется надежный детектор для классификации движения рыбы в сложных и изменчивых условиях.Мы предлагаем использовать R-CNN (далее именуемые R-CNN), обученные на изображениях, созданных путем объединения областей-кандидатов, сгенерированных GMM и оптическим потоком, вместе с исходными изображениями в градациях серого в контролируемой обучающей установке.
Сверточная нейронная сеть на основе регионов
Deep CNN — это нелинейная параметрическая модель нейронной сети, способная извлекать и изучать сложные, но абстрактные характеристики входных данных. Вариации условий освещения, размера, формы и ориентации рыбы, плохое качество изображения и значительный шум — это факторы, которые вносят нелинейность в данные (Bengio, 2009).Поскольку все эти проблемы встречаются в видеороликах, записанных в неограниченном подводном сценарии, традиционным алгоритмам машинного обучения сложно моделировать особенности данных при наличии такой нелинейности. Однако глубокие нейронные архитектуры, особенно CNN, учатся извлекать инвариантные и уникальные особенности интересующих объектов в данных при правильном обучении с достаточным количеством помеченных данных (LeCun и др. , 2004; Симонян и Зиссерман, 2014). Глубокая архитектура, представленная R-CNN, использованная в нашем исследовании, представляет собой иерархическую параметрическую модель, состоящую из двух модулей.Первый модуль — это универсальная глубокая CNN, обученная распознаванию универсальных объектов в очень большом наборе данных под названием ImageNet (Deng et al. , 2009). Меньше, чем первый модуль CNN, второй модуль представляет собой еще одну CNN, которая действует как детектор объектов и называется сетью предложений региона (RPN) (Ren et al. , 2017). Он выбирает области-кандидаты в пространстве признаков входного изображения, в которых, вероятно, произошло движение.
Вся система используется для обнаружения движущихся объектов, как показано на рисунке 3.Первый модуль использует концепцию трансферного обучения (Siddiqui et al. , 2017). Он изучает представление характерных признаков интересующего объекта на входном изображении, чтобы распознавать и классифицировать объекты на изображении. При трансферном обучении CNN, предварительно обученная на совершенно другом, но релевантном наборе данных, используется как средство извлечения общих признаков для интересующего набора данных. В нашем случае CNN была обучена на огромном наборе данных ImageNet, который содержит 1,2 миллиона изображений очень большого и разнообразного количества объектов.Этот набор данных не связан и не предназначен для распознавания видов рыб или обнаружения рыб в подводных видеороликах. Однако он обеспечивает высокую степень вариабельности для обнаружения общих объектов с разным фоном во входных изображениях на основе их текстуры, размера и особенностей формы. После обучения сети ее можно применить к другому набору данных, в нашем случае к подводным видеоизображениям рыб, в качестве экстрактора признаков. Трансферное обучение подходит для приложений, в которых недоступен большой объем обучающих данных для обучения глубоких CNN (Siddiqui et al., 2017). Это как раз проблема в текущих наборах подводных данных. Обучение на таких относительно небольших наборах данных (см. Таблицу 1) превосходит глубокую CNN для повышения производительности на обучающем наборе данных и терпит неудачу на ранее невидимых наборах тестовых данных. Другими словами, обучающий набор данных настолько мал, что CNN может запомнить его и дать хорошие результаты только на обучающем наборе данных. Мы используем глубокую CNN, известную как ResNet-152, в качестве предварительно обученной модели (He et al. , 2016). Параметры этой сети дополнительно уточняются за счет включения в обучение примеров видеоизображений из нашего набора данных рыб.Эта сеть состоит из входного слоя, различных скрытых слоев и выходного слоя для обработки входного изображения для получения его выходного представления функции (LeCun и др. , 2004). Начиная с входного слоя, который представляет пиксели изображения, скрытые слои связаны между собой набором весов, которые настраиваются в результате процедуры обучения. Таким образом, каждый скрытый слой представляет форму представления пространственных объектов более высокого уровня. В нашей сети используются несколько типов скрытых слоев, например.г. слой свертки, который выполняет математическую операцию свертки между пикселями изображения (значениями входного слоя) или значениями признаков (значениями скрытых слоев) с векторами весовых коэффициентов. Свертка обычно используется при обработке изображений для уменьшения шума или обнаружения таких особенностей, как края или другие узоры (LeCun et al. , 1989). В CNN за сверткой следует слой нелинейной активации, чтобы вызвать нелинейность в векторах признаков. Есть несколько типов нелинейных функций, например.г. ReLU (выпрямленные линейные единицы), сигмовидная и гиперболическая касательная (LeCun и др. , 2004; Симонян, Зиссерман, 2014; He и др. , 2016). Выбор нелинейной функции зависит от распределения данных и нелинейности входных данных. Из-за насыщающих областей функции касательной гиперболической и сигмоидной функции ReLU фактически является стандартом в последних современных моделях. Слои максимального и среднего пула отбирают наиболее выдающиеся значения из выходных данных слоев, вызывающих нелинейность, на основе максимумов или операций усреднения, чтобы уменьшить размерность векторов признаков и сохранить полезную информацию, отбрасывая избыточность.Последний уровень — это выходной слой, который обычно представляет собой слой классификации с выходными узлами, равными количеству желаемых классов для данного набора данных. Каждый выходной узел производит оценку или вероятность для связанного класса. Затем спрогнозированная метка сопоставляется с меткой наземной истины для расчета точности.
Рис. 3.
Предлагаемая гибридная система, в которой ResNet-152 CNN обучается на изображениях, которые создаются путем комбинирования выходных сигналов GMM и алгоритмов оптического потока, связанных с движением, с необработанными видеоизображениями в градациях серого.Это аналог трехканального изображения RGB.
Рисунок 3.
Предлагаемая гибридная система, в которой ResNet-152 CNN обучается на изображениях, которые создаются путем комбинирования выходных сигналов GMM и алгоритмов оптического потока, связанных с движением, с необработанными видеоизображениями в оттенках серого. Это аналог трехканального изображения RGB.
ResNet-152 — модульная глубокая CNN с различными скрытыми слоями. Архитектура предназначена для обработки изображений размером 224 × 224, учитывая тот факт, что этого разрешения достаточно для извлечения полезных функций за разумное время вычислений.Таким образом, после применения пяти слоев пула размер карты признаков уменьшается до 7 × 7, что может быть обработано полностью подключенным слоем из 1000 узлов прогнозирования меток, поскольку ResNet-152 был разработан для обучения на подмножестве набора данных ImageNet с 1000 классами.
Полную информацию об архитектуре ResNet-152 можно найти в He et al. (2016). Расположение вышеупомянутых слоев в этой архитектуре экспериментально определено, чтобы обеспечить больший успех визуальных функций из крупномасштабного набора данных ImageNet.Используя эту сеть в качестве предварительно обученной модели для наших наборов данных о рыбе FCS и LCF15, можно получить информативное визуальное представление объектов-рыб и их движения. После применения предварительно обученной сети ResNet-152 на входе, которая представляет собой конкатенацию необработанных видеокадров в градациях серого и кандидатов движения, сгенерированных GMM и оптическим потоком, мы получаем выходные характеристики. Эта комбинация из трех входов является альтернативой стандартному трехканальному изображению RGB. Выходные характеристики, извлеченные с помощью ResNet-152, передаются в RPN для создания областей-кандидатов, в которых может присутствовать рыба.Это достигается перемещением небольшого окна размером 3 × 33 × 3 на каждой из карт функций для создания k предложений, называемых якорными блоками, с различным соотношением сторон и масштабом. Мы используем три разных масштаба (128 × 128, 256 × 256, 512 × 512), каждый с 3 различными пропорциями (2: 1, 1: 1 и 1: 2), чтобы сделать k = 9 предложений. Цель использования различных предложений — поймать рыбу разных размеров, которая может появиться на изображении. Затем эти предложения классифицируются с помощью уровня двоичной классификации RPN для обнаружения ROI.Другой родственный уровень RPN выводит кодировки координат для каждого классифицированного предложения. Эта операция изображена на рисунке 4. ROI, предлагаемые RPN, объединяются с использованием уровня объединения ROI и передаются в окончательную классификационную головку, которая уточняет и классифицирует предлагаемую ROI по фактическому количеству имеющихся классов, а именно рыбных и других классов. рыбы. Полная сеть обучается сквозным образом с использованием функций, сгенерированных моделью ResNet-152 в качестве входных данных, и соответствующих наземных истин, предоставляемых набором данных.Во время обучения мы используем алгоритм обратного распространения ошибки (Hinton et al. , 2006).
Рисунок 4
Иллюстрация функциональности RPN для обнаружения и локализации рыбы. Предложение, наиболее подходящее для данного экземпляра рыбы, выбирается из k вариантов.
Рисунок 4
Иллюстрация функциональности RPN для обнаружения и локализации рыбы. Предложение, наиболее подходящее для данного экземпляра рыбы, выбирается из k вариантов.
Как упоминалось ранее, параметры алгоритма обнаружения движения на основе GMM выбраны таким образом, чтобы он обнаруживал даже очень небольшое движение либо рыб, либо объектов, не относящихся к рыбе, с высокой частотой ложных тревог или повторных вызовов. Архитектура R-CNN, которая представляет собой комбинацию извлечения признаков на основе ResNet-152 и RPN, за которой следует последний уровень классификации для локализации движущихся объектов, уточняет вывод GMM и кандидатов движения оптического потока. Следовательно, информация о движении, поступающая от GMM и оптического потока, подается в R-CNN для окончательного обнаружения и локализации объектов.Помимо кандидатов движения, сгенерированных GMM и оптическим потоком, использование необработанных изображений в градациях серого в сочетании с кандидатами движения в качестве входных данных для ResNet-152 CNN помогает сохранить текстурную информацию о рыбах, появляющихся в видеокадре, что увеличивает возможности сеть, чтобы вызвать разделение между рыбными и не рыбными объектами. Причиной использования изображения в градациях серого вместо RGB для точной настройки R-CNN является наблюдение, что информация о цвете в используемых наборах данных недостаточно различима для повышения точности обнаружения, поскольку фон также является ярким по цветам.Более того, это увеличивает вычислительные затраты.
В этой работе мы использовали компьютерные системы, оснащенные процессорами Intel Core-i7 и графическими процессорами (GPU) Nvidia Titan X. Предлагаемая система обучена и протестирована с использованием библиотеки глубокого обучения TensorFlow (https://www.tensorflow.org) с Tf-Fast-rcnn версии , в то время как исходные коды GMM и оптического потока были взяты из общедоступных авторских репозиториев (https: //github.com/andrewssobral/bgslibrary).
Утилита системы обнаружения рыбы
Наша программная система доступна для развертывания и готова к использованию морскими учеными для автоматического обнаружения рыбы в любом наборе данных. Как описано в разделе Сверточная нейронная сеть на основе регионов, раздел , глубокая сеть, которая является основой нашего алгоритма, предварительно обучается на большом и универсальном репозитории изображений объектов под названием ImageNet и действует как средство извлечения общих признаков. Однако для использования предварительно обученной сети в таком подходе к обучению с переносом система должна быть настроена на фактические наборы данных в руке; следовательно, полное повторное обучение на новом наборе данных не требуется.В нашем случае мы использовали наборы данных FCS и LCF-15, обновив веса верхних полносвязных слоев ResNet-152 R-CNN, сохранив при этом нижние уровни нетронутыми. Кроме того, алгоритмы GMM и оптического потока могут использоваться как есть, поскольку для генерации выходных данных им требуется только доступный набор данных. Исходный код предлагаемой нами гибридной системы доступен для загрузки из следующего репозитория: https://github.com/ahsan856jalal/Fish-Abundance. Ученые могут использовать этот готовый код для обнаружения рыбы / объекта в любом наборе данных, видеозаписях или даже неподвижных изображениях.
Результаты
Подводный фон видео моделируется GMM с использованием обучающих данных из нескольких начальных кадров видео, тогда как остальная часть видео обрабатывается как тестовый набор данных. Поскольку каждое видео в наших наборах данных имеет различный фон, нам нужно сохранить первые N кадров каждого видео для моделирования фона. В наших экспериментах мы принимаем N = 50, поскольку это значение было выбрано на пробной основе, чтобы получить оптимальную производительность GMM в наших наборах данных. Меньшие значения N приводят к худшей производительности, а увеличение выше этого значения не приносит никаких улучшений и увеличивает время обучения GMM.Оптический поток не требует никаких обучающих данных, а просто использует соседние кадры для вычисления представления движения. R-CNN, с другой стороны, требует больше данных для настройки весовых параметров для точного обнаружения движения. Необработанные видеоизображения и кандидаты движения, сгенерированные GMM и оптическим потоком, подаются в R-CNN для обучения. По одному видео из каждой из семи категорий набора данных FCS выделено для обучения GMM и R-CNN. Вдобавок к этому GMM также требует первых 50 кадров каждого видео для создания фоновой модели и создания капли движущихся объектов в тестовых кадрах.С другой стороны, набор данных LCF-15 уже сегментирован на наборы для обучения и тестирования, 20 видеороликов из 93 используются в обучении, а оставшаяся часть используется для тестирования. Еще раз, модели GMM для всех 93 видео создаются с использованием N начальных кадров. В таблице 2 перечислены показатели эффективности для задачи обнаружения рыбы в виде F-меры (Palazzo and Murabito, 2014) для предлагаемой нами гибридной системы и ее независимых компонентов, таких как GMM, оптический поток и автономная R-CNN, которые обучаются на необработанных изображениях RGB. из видео.
Таблица 2.Анализ производительности отдельных компонентов предлагаемой нами гибридной структуры в сравнении с их совместной точностью.
| Набор данных . | GMM . | Оптический поток . | R-CNN . | Наша гибридная система . | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| FCS | |||||||||||
| Размыто | 77.80 | 45,94 | 85,62 | 86,76 | |||||||
| Комплексный фон | 75,94 | 49,77 | 52,74 | 89,54 67922 9103 | |||||||
| Динамический фон | 64,30 | 44,62 | 62,06 | 90,36 | |||||||
| Изменение яркости | 59.07 | 58.67 | 70.17 | 81.44 | |||||||
| Камуфляжный объект переднего плана | 70.03 | 67.00 | 66.25 | 89.97 | 91,50|||||||
| Среднее значение | 71,01 | 56,13 | 64,99 | 87,44 | |||||||
| LCF-15 | 76.21 | 52,73 | 77,30 | 80,02 |
| Набор данных . | GMM . | Оптический поток . | R-CNN . | Наша гибридная система . |
|---|---|---|---|---|
| FCS | ||||
| Размытый | 77,80 | 45.94 | 85,62 | 86,76 |
| Комплексный фон | 75,94 | 49,77 | 52,74 | 89,54 |
| Динамический фон | 64,30 | 44,62 | 62,06 | 90,36 |
| Изменение яркости | 59.07 | 58.67 | 70.17 | 81.44 |
| Камуфляжный объект переднего плана | 70.03 | 67.00 | 66.25 | 89.97 | 91,50
| Среднее значение | 71,01 | 56,13 | 64,99 | 87,44 |
| LCF-15 | 76.21 | 52,73 | 77,30 | 80,02 |
Анализ производительности отдельных компонентов предлагаемой нами гибридной структуры в сравнении с их совместной точностью.
| Набор данных . | GMM . | Оптический поток . | R-CNN . | Наша гибридная система . | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| FCS | |||||||||||
| Размыто | 77.80 | 45,94 | 85,62 | 86,76 | |||||||
| Комплексный фон | 75,94 | 49,77 | 52,74 | 89,54 67922 9103 | |||||||
| Динамический фон | 64,30 | 44,62 | 62,06 | 90,36 | |||||||
| Изменение яркости | 59.07 | 58.67 | 70.17 | 81.44 | |||||||
| Камуфляжный объект переднего плана | 70.03 | 67.00 | 66.25 | 89.97 | 91,50|||||||
| Среднее значение | 71,01 | 56,13 | 64,99 | 87,44 | |||||||
| LCF-15 | 76.21 | 52,73 | 77,30 | 80,02 |
| Набор данных . | GMM . | Оптический поток . | R-CNN . | Наша гибридная система . |
|---|---|---|---|---|
| FCS | ||||
| Размытый | 77,80 | 45.94 | 85,62 | 86,76 |
| Комплексный фон | 75,94 | 49,77 | 52,74 | 89,54 |
| Динамический фон | 64,30 | 44,62 | 62,06 | 90,36 |
| Изменение яркости | 59.07 | 58.67 | 70.17 | 81.44 |
| Камуфляжный объект переднего плана | 70.03 | 67.00 | 66.25 | 89.97 | 91,50
| Среднее значение | 71,01 | 56,13 | 64,99 | 87,44 |
| LCF-15 | 76.21 | 52,73 | 77,30 | 80,02 |
F = 2 × отзыв × PrecisionRecall + Precision
, гдеPrecision = True PositivesTrue Positives + False Positives
и Истинные положительные результаты + ложно отрицательные результатыЭти оценки рассчитываются на основе перекрытия между областями ограничивающих прямоугольников, относящихся к наземным истинам и обнаруженной рыбе. Средняя точность обнаружения 87,44% была достигнута предложенной гибридной системой для набора данных FCS для всех семи категорий изменений окружающей среды.Для сравнения, один только GMM показал среднюю точность на 71,01%, превышающую оптический поток и автономный R-CNN со значительными запасами. Мы также провели аналогичные эксперименты с тестовым набором данных LCF-15 из 73 подводных видео. Здесь наша предложенная гибридная система превосходит все другие системы, обеспечивая точность 80,02% по сравнению с 76,21, 52,73 и 77,30% по GMM, оптическому потоку и автономной R-CNN, соответственно.
Параметры GMM были тщательно выбраны для получения наилучших возможных результатов путем изменения дисперсии для подгонки модели и количества кадров для обучения модели на каждом видео.Меньшее количество обучающих кадров на видео приводит к снижению производительности. Однако увеличение количества обучающих кадров сверх 50 не привело к значительному улучшению общей производительности. Точно так же для нашей предлагаемой гибридной системы, а также для автономной R-CNN, обученной на необработанных изображениях RGB, были опробованы различные современные предварительно обученные CNN, которые включают Inception-V4 (Szegedy et al. , 2016 ) и DenseNet (Хуанг и др. , 2017). Все эти сети предварительно обучены на наборе данных ImageNet с одинаковыми экспериментальными настройками.Кроме того, было оценено различное количество слоев свертки для сети RPN, и был протестирован выбор размера скользящего окна 2 × 22 × 2, 4 × 4 и 5 × 5 с максимальной производительностью 3 × 33 × 3. . Производительность начала немного ухудшаться за пределами размера окна 3 × 33 × 3, вероятно, из-за большего совпадения между внутренним размером рыбы, покрывающей кадр видео в наших наборах данных. Результаты, полученные с помощью Inception-V4 и ResNet-152, были сопоставимы без каких-либо существенных различий, но последний использует меньшую вычислительную мощность при обучении и тестировании по сравнению с первым.Наша реализация оптического потока, с другой стороны, представляет собой необучаемый подход к обработке для обнаружения движения и, следовательно, не имеет никаких обучаемых параметров. Здесь стоит упомянуть, что GMM, выбранный для нашей предлагаемой гибридной системы, отличается от того, который указан в таблице 2, поскольку его параметры были настроены для обеспечения более высокой скорости отзыва за счет снижения точности, чтобы охватить максимально возможное движение пикселей в видео обеими рыбами. и объекты, не связанные с рыбой. Подсистемы CNN и RPN затем учатся выбирать подходящего кандидата движения путем уточнения результатов, генерируемых GMM и оптическим потоком.На рисунке 5 показаны результаты производительности на примере видео для GMM, оптического потока, R-CNN и предлагаемой гибридной системы для наборов данных FCS и LCF-15. Очевидно, что алгоритм оптического потока генерирует больше ложных тревог и чувствителен даже к очень незначительному движению, которое может быть связано с нарушениями в сцене или изменениями яркости. С другой стороны, GMM и автономный R-CNN, который обучается только на необработанных изображениях RGB, также выявляют ложные тревоги и / или пропущенное обнаружение. Однако оба они дают лучшие результаты по сравнению с оптическим потоком благодаря эффективному фоновому моделированию и сквозному обучению с учителем; возможности, которых нет в оптическом потоке, и они необходимы для уменьшения несущественного движения, создаваемого объектами, не являющимися рыбами.Предлагаемая нами гибридная система, с другой стороны, обеспечивает наилучшую производительность (см. Таблицу 2).
Рисунок 5.
Пример результатов обнаружения рыбы по различным алгоритмам. Слева направо, наземная истина, оптический поток, GMM, автономный R-CNN и предлагаемая гибридная система для всех семи категорий категории набора данных FCS (первые семь строк) и одно видео набора данных LCF-15 (последняя строка) .
Рисунок 5.
Пример результатов обнаружения рыбы различными алгоритмами.Слева направо, наземная истина, оптический поток, GMM, автономный R-CNN и предлагаемая гибридная система для всех семи категорий категории набора данных FCS (первые семь строк) и одно видео набора данных LCF-15 (последняя строка) .
Чтобы проверить эффективность нашей системы, в таблице 3 мы провели сравнение с различными опубликованными эталонными подходами, которые часто используются для обнаружения объектов на основе движения в неподвижных или видеоизображениях. Сравнение проводится на наборе данных FCS, для которого мы можем напрямую свести в таблицу опубликованные оценки с помощью этих методов с теми же экспериментальными настройками, что и наши.Очевидно, что предлагаемая нами гибридная система превосходит все остальные в большинстве условий окружающей среды и по общим средним F-баллам. В другом наборе экспериментов, о котором здесь не сообщается, мы изменили разделение поездов-тестов в наборах данных FCS и LCF-15 для расчета оценок обнаружения, но не наблюдали значительных изменений. Это демонстрирует хорошую способность нашей системы к обобщению.
Таблица 3.F — баллы (в процентах) для различных методов в наборах данных FCS для обнаружения рыбы, как указано в Spampinato et al. (2014).
| Класс видео . | KDE . | МЛ-БКГ . | EIGEN . | VIBE . | ТКДЭ . | Наша гибридная система . | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Размытые | 92,56 | 70,26 | 81,71 | 85,13 | 93,25 | 86.76 | ||||||||||||
| Сложный фон | 87,53 | 83,67 | 74,78 | 74,17 | 81,79 | 89,54 | ||||||||||||
| 82,49 | 84,27 | |||||||||||||||||
| Динамический фон | 59,13 | 77,51 | 71,48 | 67,01 | 75,59 | 90.36 | ||||||||||||
| Изменение яркости | 72.06 | 82.66 | 70.41 | 70.37 | 72.95 | 81.44 | ||||||||||||
| 89,97 | ||||||||||||||||||
| Гибридные видео | 85,69 | 72,20 | 80,69 | 79,75 | 82.63 | 91,50 | ||||||||||||
| Среднее значение | 76,22 | 77,08 | 74,73 | 76,76 | 81,80 | 87,44 |
| KDE . | МЛ-БКГ . | EIGEN . | VIBE . | ТКДЭ . | Наша гибридная система . | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Размытое | 92,56 | 70,26 | 81,71 | 85,13 | 93,25 | 86,76 | ||||||||||||
| 86,76 | ||||||||||||||||||
| 86,76 | ||||||||||||||||||
| 89,54 | ||||||||||||||||||
| Переполненный | 82,46 | 79,81 | 73,87 | 84,64 | 84.19 | 84,27 | ||||||||||||
| Динамический фон | 59,13 | 77,51 | 71,48 | 67,01 | 75,59 | 90,36 | ||||||||||||
| 72,95 | 81,44 | |||||||||||||||||
| Камуфляжный объект переднего плана | 54,14 | 73,51 | 70,20 | 76.30 | 82,23 | 89,97 | ||||||||||||
| Гибридные видеоролики | 85,69 | 72,20 | 80,69 | 79,75 | 82,63 | 82,63 | 910 | 76,76 | 81,80 | 87,44 |
F — баллы (в процентах) для различных методов в наборах данных FCS для обнаружения рыбы, как указано в Spampinato et al. (2014).
| Класс видео . | KDE . | МЛ-БКГ . | EIGEN . | VIBE . | ТКДЭ . | Наша гибридная система . | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Размытые | 92,56 | 70,26 | 81,71 | 85,13 | 93,25 | 86.76 | ||||||||||||
| Сложный фон | 87,53 | 83,67 | 74,78 | 74,17 | 81,79 | 89,54 | ||||||||||||
| 82,49 | 84,27 | |||||||||||||||||
| Динамический фон | 59,13 | 77,51 | 71,48 | 67,01 | 75,59 | 90.36 | ||||||||||||
| Изменение яркости | 72.06 | 82.66 | 70.41 | 70.37 | 72.95 | 81.44 | ||||||||||||
| 89,97 | ||||||||||||||||||
| Гибридные видео | 85,69 | 72,20 | 80,69 | 79,75 | 82.63 | 91,50 | ||||||||||||
| Среднее значение | 76,22 | 77,08 | 74,73 | 76,76 | 81,80 | 87,44 |
| KDE . | МЛ-БКГ . | EIGEN . | VIBE . | ТКДЭ . | Наша гибридная система . | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Размытое | 92,56 | 70,26 | 81,71 | 85,13 | 93,25 | 86,76 | ||||||||||||
| 86,76 | ||||||||||||||||||
| 86,76 | ||||||||||||||||||
| 89,54 | ||||||||||||||||||
| Переполненный | 82,46 | 79,81 | 73,87 | 84,64 | 84.19 | 84,27 | ||||||||||||
| Динамический фон | 59,13 | 77,51 | 71,48 | 67,01 | 75,59 | 90,36 | ||||||||||||
| 72,95 | 81,44 | |||||||||||||||||
| Камуфляжный объект переднего плана | 54,14 | 73,51 | 70,20 | 76.30 | 82,23 | 89,97 | ||||||||||||
| Гибридные видеоролики | 85,69 | 72,20 | 80,69 | 79,75 | 82,63 | 82,63 | 910 | 76,76 | 81,80 | 87,44 |
Обсуждение
В этом исследовании мы предложили R-CNN для обнаружения рыбы с использованием расширенных функций, чувствительных к естественному движению рыбы в подводных видеороликах, в дополнение к функциям, также представляющим различимую форму и текстурную информацию, характерную для рыб в контролируемой обучающей иерархии.Мотивация использования такой глубокой нейронной сети заключается в моделировании сложных и сильно нелинейных атрибутов в подводных изображениях рыб. Эти атрибуты не моделируются эффективно с помощью обычных алгоритмов машинного обучения и методов обработки изображений (Хинтон и Салахутдинов, 2006; Ларошель, и др., , 2009). Этот гибридный подход привел к разумному уровню точности обнаружения для использования этого метода при обнаружении рыбы по записанным видео.
Важнейшим достижением данного исследования является высокая точность обнаружения свободно плавающих рыб.С нашей предлагаемой гибридной системой, которая включает в себя функции, чувствительные к движению, принятые в качестве входных данных для R-CNN, мы можем достичь точности обнаружения 87,44% для набора данных FCS. Эта производительность значительно превосходит лучшие результаты по этому набору данных. Вторая по величине средняя точность 81,80% для всех семи категорий изменчивости была получена с использованием KDE для моделирования объектов заднего и переднего плана путем сбора текстурной информации в очень низкоконтрастных областях видеокадров (Spampinato et al., 2014). Интересное наблюдение можно сделать из таблицы 3 для классов видео Динамический фон , Камуфляжный объект переднего плана и Гибридные видео , что разрыв в производительности между предлагаемой гибридной системой и остальными методами значительно велик. Динамический фон видеороликов демонстрируют нарушение водной поверхности и движение водных растений, что вызывает смешение с движением рыб. Следовательно, алгоритмы KDE, ML-BKG и TKDE, которые основаны на оценке распределения данных переднего плана путем моделирования фоновых данных, не могут разделить движение рыбных и не рыбных объектов.Алгоритмы EIGEN и VIBE также показали низкую производительность по схожим причинам. Здесь предлагаемая нами гибридная система использует зависящие от рыбы особенности, полученные с помощью компонента R-CNN, с использованием изображений в градациях серого для точного обнаружения рыбы. С другой стороны, рыбу на видео Камуфляж переднего плана объекта чрезвычайно сложно отделить от фона. Следовательно, все алгоритмы снова не дают лучших результатов из-за невозможности создать разницу между моделями переднего и заднего плана.Здесь наш подход использует информацию о движении от GMM и оптического потока, чтобы максимизировать свой потенциал обнаружения рыбы, поскольку форма, текстура и цвет рыбы в этом случае напоминают фон и их трудно обнаружить компонентом R-CNN. Точно так же гибридные видео объединяют в себе все проблемы других шести классов, и предлагаемая нами гибридная система более эффективна, чем все другие подходы. Чтобы еще больше подтвердить эффективность нашего подхода, мы использовали больший набор данных, включив LCF-15 с 93 видео.Наше решение получило среднюю точность 80,02%. В таблице 2 приведены сравнительные характеристики предлагаемой нами гибридной системы с тремя другими методами, а именно GMM, оптическим потоком и R-CNN, которые являются компонентами нашей системы в целом. GMM превосходит оптический поток и автономный R-CNN, обученный на необработанных изображениях, со значительным запасом для набора данных FCS. В наборе данных LCF-15 GMM дает лучшие результаты, чем оптический поток, и сравним с R-CNN. Это означает эффективное изучение модели фона GMM для каждой новой видеопоследовательности.Модель охватывает все вариации фона, демонстрируемые объектами, не относящимися к рыбам, для статической конфигурации подводной камеры, которая помогает обнаруживать даже незначительные движения за счет неравномерного изменения интенсивности пикселей, которое не совпадает с распределением пикселей фона.
Мы наблюдаем, что обучение фоновой модели GMM уравновешивает частоту ложных тревог и неправильного обнаружения, что дает лучший F-балл. Считается, что GMM и его варианты в целом обеспечивают отличную производительность для задач обнаружения объектов на основе движения (Yong, 2013; Spampinato et al., 2014). С другой стороны, оптический поток отставал от всех других методов с точки зрения производительности на обоих наборах данных. Причина такого поведения может быть связана с необучаемой структурой этого алгоритма, поскольку система не может адаптироваться к динамической среде в видео. Не требуется обучения, чтобы различать моделирование фона и переднего плана, как в GMM и нейронных сетях. Оптический поток включает прямое сравнение между соседними кадрами видео, и любое небольшое нарушение интенсивности пикселей, вызванное рыбой или объектами, не относящимися к рыбе, генерирующими изменение яркости, преобразуется в достоверное движение.Это приводит к многочисленным ложным тревогам, что приводит к очень высокому отзыву, но, следовательно, к низкой точности, что приводит к низкому F-баллу. Поскольку выбранные нами наборы данных включают в себя высокие вариации окружающей среды, особенно в наборе данных FCS, оптический поток не работает хорошо, в отличие от других алгоритмов. По сравнительным причинам и GMM, и оптический поток отстают от предлагаемой нами гибридной системы для наборов данных FCS и LCF-15. Другим объяснением относительно худшей производительности этих подходов по сравнению с предлагаемой системой, показанной в таблице 2, является важное наблюдение, которое можно сделать, просмотрев видео в наборах данных.Рыбы в каждом кадре могут не показывать движение и иногда оставаться бездействующими в течение нескольких кадров, даже если большую часть времени они плавают, что делает сцены динамичными. GMM иногда путает рыбу со стационарным профилем в качестве фона, особенно когда внешний вид рыбы совпадает с фоном. Следовательно, отсутствие информации о движении в видеокадрах приводит к невозможности обнаружения рыбы с помощью GMM и оптического потока. R-CNN, с другой стороны, представляет собой специализированную нейронную сеть, используемую для локализации объектов на изображениях (Ren et al., 2017) и учится улавливать зависящую от рыбы информацию со стационарных изображений.
Обнаружение подводной рыбы в естественной среде — сложная задача, поскольку основная цель заключается в разделении рыбы и игнорировании не связанных с рыбой объектов во всем кадре видео. Обычные алгоритмы машинного обучения и обработки изображений, как правило, предназначены для обнаружения интересующих объектов в наборах данных, где они явно присутствуют в изображениях, и, следовательно, их легче сегментировать (Russakovsky et al., 2015). Напротив, высокая степень путаницы при разделении рыб с яркими, разнообразными и непостоянными объектами, не относящимися к рыбам, в подводных видеороликах приводит к снижению производительности для автономного R-CNN с точностью 64,99 и 77,30% для наборов данных FCS и LCF-15. , соответственно. Как упоминалось ранее, во многих видеороликах, особенно в наборе данных FCS, отсутствует информация о текстуре и форме рыбы, что является необходимым ингредиентом для повышения производительности таких систем, как автономный R-CNN. Эта проблема эффективно решается предлагаемой нами гибридной системой, использующей и изучающей информацию из чувствительных к движению и текстурных функций.На рисунке 6 показаны некоторые результаты наборов данных FCS и LCF-15, где все алгоритмы, включая предлагаемую нами систему, не смогли обнаружить рыбу. Это крайние случаи размытости, маскировки, мутности воды и неузнаваемости, текстуры и формы рыбы, которые либо приводят к ложным тревогам, либо к ошибкам обнаружения. В этих ситуациях чрезвычайно сложно захватить объекты на основе движения и формы / текстуры.
Рисунок 6.
Примеры ложного обнаружения рыбы всеми алгоритмами, включая предложенную нами гибридную систему.Здесь ограничивающие прямоугольники означают либо пропущенное обнаружение рыбы, либо ложные срабатывания. Черно-белые изображения — соответствующие основные истины.
Рисунок 6.
Примеры ложного обнаружения рыбы всеми алгоритмами, включая предложенную нами гибридную систему. Здесь ограничивающие прямоугольники означают либо пропущенное обнаружение рыбы, либо ложные срабатывания. Черно-белые изображения — соответствующие основные истины.
В будущем мы стремимся использовать унифицированную глубокую архитектуру, способную обрабатывать видеопоследовательности в реальном времени за счет строгой оптимизации нашего алгоритма и лучшего математического моделирования.Такая установка будет применима как для обнаружения рыб, так и для классификации их видов одновременно и, следовательно, будет более подходящей для эффективного отбора проб ихтиофауны. Кроме того, точность системы можно повысить, отслеживая траекторию движущихся рыб и имея предварительную информацию об их перемещении в нескольких кадрах. Этот шаг может повысить точность обнаружения в видеокадрах, где предложенный подход не может распознать рыбу из-за крайней размытости и маскировки фона.Мы планируем включить этот этап обработки с использованием рекуррентных нейронных сетей (Гордон и др. , 2018) с возможностью временной обработки видео.
Выводы
В этой статье мы представили автоматический метод, который использует глубокие сети R-CNN для обнаружения и локализации рыб в неограниченных подводных видео, которые демонстрируют различные степени сложности сцены. Главный вклад этой работы состоит в том, что в ней используется гибридный подход, включающий выходы GMM и оптического потока, чтобы объединить функции ввода, чувствительные к движению, с необработанными видеокадрами, несущими текстурную информацию и информацию о форме.Эти смешанные данные используются в качестве входных данных для глубинной R-CNN для точной настройки категоризации рыбы в присутствии в кадре видео объектов, не относящихся к рыбам. Это помогло в достижении современных результатов для задачи обнаружения рыбы, что подтверждено сравнительным исследованием. Предлагаемая гибридная система требует относительно больших вычислительных ресурсов по сравнению с традиционными методами компьютерного зрения и машинного обучения, но дает преимущество более высокой точности. Однако с появлением быстрых микропроцессоров и графических процессоров сложные математические операции, связанные с глубокими нейронными сетями, такими как CNN, могут выполняться быстро, что даже делает их пригодными для задач, требующих обработки почти в реальном времени.Следовательно, объединение гибридного обнаружения рыбы с другими задачами, связанными с рыбой, такими как классификация рыб, даже с использованием глубокого обучения (Салман и др. , 2016) и отслеживания может стать возможным в стремлении реализовать полностью автоматизированные системы для развертывания в реальных приложениях. рыболовства. Мы считаем, что это исследование поможет ученым, связанным с рыболовством, внедрить автоматические подходы к обнаружению, классификации и отслеживанию ихтиофауны при неразрушающем отборе проб. Более того, в будущем мы стремимся использовать унифицированную глубокую архитектуру, способную обрабатывать видеопоследовательности в реальном времени за счет строгой оптимизации нашего алгоритма и лучшего математического моделирования.Такая установка будет применима для обнаружения рыб, а также для классификации их видов одновременно и, следовательно, будет более подходящей для эффективного отбора проб ихтиофауны.
Благодарности
Авторы выражают признательность за поддержку гранту Австралийского исследовательского совета LP110201008 и гранту проекта 57243488 «FIBEVID» Немецкой службы академических обменов (DAAD). Авторы также благодарят Nvidia Corporation, США, за их пожертвование графических процессоров (GPU) в рамках их Программы грантов GPU.Графические процессоры Nvidia использовались для проведения экспериментов в работе, проведенной в этой статье.
Список литературы
Bengio
Y.
2009
.Изучение архитектуры для искусственного интеллекта
.Основы и тенденции машинного обучения
,2
:1
—127
.Beauchemin
S. S.
,Barron
J. L.
1995
.Расчет оптического потока
.ACM Computing Surveys
,27
:433
—466
.Brox
T.
,Bruhn
A.
,Papenberg
N.
,Weickert
J.
2004
. Оценка оптического потока с высокой точностью на основе теории деформации. InComputer Vision-ECCV 2004. Конспект лекций по информатике
,3024
. Эд. поPajdla
T.
,Matas
J.
.Springer
, г.Берлин, Гейдельберг
.Deng
J.
,Dong
W.
,Socher
R.
,Li
LJ.
,Li
K.
,Fei-Fei
L.
2009
.ImageNet: крупномасштабная база данных иерархических изображений
. IEEE CVPR-2009
,Майами, Флорида, США
,248
—255
стр.Fisher
R.
,Чен-Бургер
Y-H.
,Giordano
D.
,Hardman
L.
,Lin
F-P.
(Ред.)2016
. Fish5Knowledge: Сбор и анализ видеоданных о рыбах из массивных коралловых рифов.Справочная библиотека интеллектуальных систем,
104
,Издательство Springer International
. DOI: 10.1007 / 978-3-319-30208-9.Froese
R.
2006
.Закон куба, зависимости коэффициента условности и веса от длины: история, метаанализ и рекомендации
.Журнал прикладной ихтиологии
,22
:241
—253
.Гордон
Д.
,Фархади
А.
,Фокс
Д.
2018
.Re3: сети рекуррентной регрессии в реальном времени для визуального отслеживания общих объектов
.Письма по робототехнике и автоматизации IEEE
,3
:788
—795
.Харви
E. S.
,Shortis
M. R.
1995
.Система для стерео-видео измерения суб-приливных организмов
.Журнал Общества морских технологий
,29
:10
—22
.He
K.
,Zhang
X.
,Ren
S.
,Sun
J.
2016
.Глубокое остаточное обучение для распознавания изображений
.IEEE CVPR-2016
,Лас-Вегас, Невада, США
,770
—778
стр.Хинтон
Г.
,Салахутдинов
Р.
2006
.Уменьшение размерности данных с помощью нейронных сетей
.Science
,313
:504
—507
.Hinton
G. E.
,Osindero
S.
,Teh
Y-W.
2006
.Алгоритм быстрого обучения для сетей глубоких убеждений
.Нейронные вычисления
,18
:1527
—1554
.Hsiao
Y.
,Chen
C.
,Lin
S.
,Lin
F.
2014
.Распознавание и идентификация подводных рыб в реальном мире с использованием разреженного представления
.Экологическая информатика
,23
:13
—21
.Huang
G.
,Liu
Z.
,Weinberger
K. Q.
2017
.Плотно связанные сверточные сети
.IEEE CVPR-2017
,Гонолулу, Гавайи, США
,2261
—2269
стр.Jennings
S.
,Kaiser
M. J.
1998
.Воздействие рыболовства на морские экосистемы
.Достижения в морской биологии
,34
:201
—352
.Larochelle
H.
,Bengio
Y.
,Louradour
J.
,Lamblin
P.
2009
.Изучение стратегий обучения глубоких нейронных сетей
.Журнал исследований в области машинного обучения
,10
:1
—40
.LeCun
Y.
,Boser
B.
,Denker
J. S.
,Henderson
D.
,Howard
R. E.
,Hubbard
W.
,Jackel
L. D.
1989
.Обратное распространение применяется для распознавания рукописного почтового индекса
.Нейронные вычисления
,1
:541
—551
.LeCun
Y.
,Huang
F.
,Bottou
L.
2004
.Методы обучения универсальному распознаванию объектов с неизменностью позы и освещения
.IEEE CVPR-2004
,Вашингтон, округ Колумбия, США
,97
—104
стр.LeCun
Y.
,Bengio
Y.
,Hinton
G.
2015
.Глубокое обучение
.Природа
,521
:436
—444
.Лин
T. Y.
,RoyChowdhury
A.
,Maji
S.
2015
.Билинейные модели CNN для детального визуального распознавания
.IEEE ICCV-2015
,Сантьяго, Чили
,1449
—1457
стр.McLaren
BW
,Langlois
TJ
,Харви
ES
,000
nsShortland 9-Jones
Р.
2015
.Небольшой закрытый морской заповедник обеспечивает постоянную защиту мелких видов прилова, но не крупных видов с высоким риском
.Журнал экспериментальной морской биологии и экологии
,471
:153
—163
.Mika
S.
,Ratsch
G.
,Weston
J.
,Scholkopf
B.
,Mullers
K. R.
1999
1999
1999
Дискриминантный анализ Фишера с ядрами
.Международный семинар IEEE по нейронным сетям для обработки сигналов
,Мэдисон, Висконсин, США
,41
—48
стр.Moniruzzaman
M.
,Islam
S. M. S.
,Bennamoun
M.
,Lavery
P.
2017
.Глубокое обучение по обнаружению подводных морских объектов: обзор
. InAdvanced Concepts for Intelligent Vision Systems. ACIVS 2017. Под ред. Дж. Блан-Талон, Р. Пенне, У. Филипс, Д. Попеску и П. Шёндерс. Конспект лекций по информатике, том 10617
, Springer, Cham.Palazzo
S.
,Murabito
F.
2014
. Определение видов рыб на реальных подводных снимках. В3-й международный семинар ACM по мультимедийному анализу экологических данных
,Орландо, Флорида
, стр.13
—18
.Рен
S.
,He
K.
,Girshick
R.
,Sun
J.
2017
.Более быстрый R-CNN: на пути к обнаружению объектов в реальном времени с помощью сетей региональных предложений
.Транзакции IEEE по анализу шаблонов и машинному анализу
,39
:1137
—1149
.Рейнольдс
Д. А.
,Роуз
Р. К.
1995
.Надежная независимая от текста идентификация говорящего с использованием моделей динамиков со смесью Гаусса
.Транзакции IEEE по акустике, речи и обработке сигналов
,3
:72
—83
.Русаковский
O.
,Deng
J.
,Su
H.
,Krause
J.
,Satheesh
S.
,Ma
S. Huang
Z.
et al.2015
.Проблема визуального распознавания изображений в ImageNet
.Международный журнал компьютерного зрения
,115
:211
—252
.Салман
А
,Джалал
А.
,Shafait
F.
,Mian
A.
,Shortis
M.
,Seager
J.
,Harvey
E.
2016
.Классификация видов рыб в неограниченных подводных средах на основе глубокого обучения
.Лимнология и океанография: методы
,14
:570
—585
.Siddiqui
S. A.
,Salman
A.
,Малик
M. I.
,Shafait
F.
,Mian
A.
,Shortis
M. R.
,Harvey
E. S.
2017
.Автоматическая классификация видов рыб в подводных видеороликах: изучение предварительно обученных моделей глубинной нейронной сети для компенсации ограниченных данных с метками
.Журнал морских наук ICES
,75
:374
—389
.Шейх
Ю.
,Шах
М.
2005
.Байесовское моделирование динамических сцен для обнаружения объектов
.IEEE Transaction on Pattern Analysis and Machine Intelligence
,27
:1778
—1792
.Shortis
M.
,Harvey
E. S.
,Abdo
D.
2009
. Обзор подводных измерений стереоизображений для морской биологии.ВОкеанография и морская биология: ежегодный обзор
. Эд. автор:Gibson
R. N.
,Atkinson
R.J.A.
,Гордон
J.D.M.
.CRC Пресс
,США
.Симонян
К.
,Зиссерман
А.
2014
.Очень глубокие сверточные сети для распознавания крупномасштабных изображений
.arXiv
:1409.1556.
Спампинато
С.
,Chen-Burger
Y.
,Nadarajan
G.
,Fisher
R. B.
2008
.Обнаружение, отслеживание и подсчет рыбы на непринужденной подводной видеозаписи низкого качества
.Международная конференция по теории и приложениям компьютерного зрения
,Фуншал, Мадейра, Португалия
,2
:514
—519
.Spampinato
C.
,Palazzo
S.
,Кавасидис
I.
2014
.Подход к оценке плотности ядра на основе текстонов для моделирования фона в экстремальных условиях
.Международный журнал компьютерного зрения и понимания изображений
,122
:74
—83
.Storbeck
F.
,Daan
B.
2001
.Распознавание видов рыб с помощью компьютерного зрения и нейронной сети
.Fisheries Research
,51
:11
—15
.Страчан
Н. Дж. К.
,Келл
Л.
1995
.Возможный метод различения запасов пикши с помощью компьютерного зрения с использованием канонического дискриминантного анализа
.Морской журнал ICES
,52
:145
—149
.Stauffer
C.
,Grimson
W.E. L.
1999
.Адаптивные модели фоновой смеси для отслеживания в реальном времени
.IEEE CVPR-1999, Форт-Коллинз, Колорадо, США
,2
:246
—252
.Сун
M.
,Yu
S.
,Girdhar
Y.
(2017)
.Обнаружение рыбы в реальном времени на основе технического зрения с использованием сверточной нейронной сети
.IEEE OCEAN-2017
, г.Абердин, Великобритания
,1
—6
стр.Сегеди
C.
,Иоффе
S.
,Vanhoucke
V.
2016
.Inception-v4, inception-resnet и влияние остаточных соединений на обучение
.Конференция AAAI по искусственному интеллекту
, Феникс, Аризона, США,4278
—4284
стр.Танзер
Дж.
,Фуа
К.
,Лоуренс
А.
,А.
,Roxburgh
T.
,Gamblin
P.
(Ред.)2015
. Живая голубая планета.Виды, среда обитания и благополучие человека
.WWF
, г.Сальник
.Turk
M.
,Pentland
A.
1991
.Собственные лица для распознавания
.Журнал когнитивной неврологии
,3
:71
—86
.Уоррен
Д.H.
,Strelow
E. R.
1985
.Электронное пространственное зондирование для слепых: влияние восприятия
.Спрингер
. ISBN 90-247-2689-1.Яо
Дж.
,Одобез
Дж. М.
2007
.Вычитание многослойного фона на основе цвета и текстуры
.IEEE CVPR-2007, Миннеаполис, Миннесота, США
,1
—8
стр.Йонг
X.
2013
.Улучшенная модель смеси Гаусса в видеообнаружении движения
.Мультимедийный журнал
,8
:527
—533
.Живкович
Z.
,Heijden
F.
2006
.Эффективная адаптивная оценка плотности на пиксель изображения для задачи вычитания фона
.Буквы распознавания образов
,27
:773
—780
.© Международный совет по исследованию моря, 2019. Все права защищены. Для получения разрешений обращайтесь по электронной почте: [email protected]
Стремясь к прогрессу в понимании воздействия подводного шума на рыбу: дополнительные потребности в исследованиях в помещении и на открытом воздухе
DOI: 10.1007 / 978-1-4939-2981-8_131.Принадлежности Расширять
Принадлежность
- 1 Кафедра поведенческой биологии, Институт биологии Лейдена, Лейденский университет, Лейден, 2300 RA, Нидерланды[email protected].
Элемент в буфере обмена
Ханс Слаббекорн. Adv Exp Med Biol. 2016 г.
Показать детали Показать вариантыПоказать варианты
Формат АннотацияPubMedPMID
DOI: 10.1007 / 978-1-4939-2981-8_131.Принадлежность
- 1 Кафедра поведенческой биологии, Институт биологии Лейдена, Лейденский университет, Лейден, 2300 RA, Нидерланды. [email protected].
Элемент в буфере обмена
Полнотекстовые ссылки Опции CiteDisplayПоказать варианты
Формат АннотацияPubMedPMID
Абстрактный
Антропогенный шум может нанести вред водным организмам из-за физического вреда и воздействия на поведение.Физический вред рыбам наносится только очень близко к обычно кратковременным, но мощным источникам. Поведенческое воздействие проявляется на более умеренных уровнях и имеет гораздо более широкое пространственное и временное распространение. Необходимы дополнительные исследования, чтобы лучше понять влияние на поведение рыб. Исследования в помещении и на открытом воздухе различаются по своей акустической и поведенческой достоверности, а также по количеству экспериментального контроля. Хотя каждый подход имеет свои ограничения, научный прогресс и прикладные идеи будут зависеть от использования их взаимодополняющего потенциала.
Ключевые слова: Антропогенный шум; Поведенческие эффекты; Методология; Звуковое воздействие.
Похожие статьи
- Шумная весна: влияние глобального повышения уровня шума под водой на рыбу.
Слаббекорн Х., Бутон Н., ван Опзиланд I, Коэрс А., тен Кейт С., Поппер А.Н.. Slabbekoorn H, et al. Trends Ecol Evol. 2010 июл; 25 (7): 419-27. DOI: 10.1016 / j.tree.2010.04.005. Epub 2010 17 мая. Trends Ecol Evol. 2010 г. PMID: 20483503 Обзор.
- Обзор биоакустики рыб и воздействия антропогенных звуков на рыб.
Поппер А. Н., Хокинс А. Д..Поппер А.Н. и др. J Fish Biol. 2019 Май; 94 (5): 692-713. DOI: 10.1111 / jfb.13948. Epub 2019 5 апр. J Fish Biol. 2019. PMID: 30864159 Бесплатная статья PMC. Обзор.
- Акустическая коммуникация у рыб и возможные эффекты шума.
Манн Д.А. Манн Д.А. Adv Exp Med Biol. 2016; 875: 673-8. DOI: 10.1007 / 978-1-4939-2981-8_81. Adv Exp Med Biol. 2016 г.PMID: 26611018 Обзор.
- Экология слуха рыб.
Putland RL, Montgomery JC, Radford CA. Putland RL, et al. J Fish Biol. 2019 июл; 95 (1): 39-52. DOI: 10.1111 / jfb.13867. Epub 2018 27 декабря. J Fish Biol. 2019. PMID: 30447064 Обзор.
- Звуковое картирование по источнику: пространственное, временное и спектральное распределение звука в Северном море Голландии.
Sertlek HÖ, Slabbekoorn H, Ten Cate C, Ainslie MA. Sertlek HÖ и др. Загрязнение окружающей среды. 2019 Апрель; 247: 1143-1157. DOI: 10.1016 / j.envpol.2019.01.119. Epub 2019 1 февраля. Загрязнение окружающей среды. 2019. PMID: 30823343
Процитировано
10 статей- Может ли звук кормления привлечь цветочную рыбу (Ptychobarbus kaznakovi)?
Ван М, Ван Цюй, Ни М, Да В, Ван И, Ши Икс, Лю Г.Ван М. и др. J Comp Physiol A Neuroethol Sens Neural Behav Physiol. 2021 24 июня. Doi: 10.1007 / s00359-021-01501-6. Интернет впереди печати. J Comp Physiol A Neuroethol Sens Neural Behav Physiol. 2021 г. PMID: 34165600
- Шум от судна влияет на повседневное плавание и реакцию на спасение рыб коралловых рифов.
Веласкес Хименес Л., Факан Е.П., Маккормик М.И. Веласкес Хименес Л. и др.PLoS One. 2020 23 июля; 15 (7): e0235742. DOI: 10.1371 / journal.pone.0235742. Электронная коллекция 2020. PLoS One. 2020. PMID: 32702032 Бесплатная статья PMC.
- Причины и последствия внутривидовой изменчивости реакции животных на антропогенный шум.
Harding HR, Gordon TAC, Eastcott E, Simpson SD, Radford AN. Harding HR, et al. Behav Ecol. 2019 ноябрь-декабрь; 30 (6): 1501-1511.DOI: 10,1093 / beheco / arz114. Epub 2019 1 июл. Behav Ecol. 2019. PMID: 31723315 Бесплатная статья PMC. Обзор.
- Непрерывный, но не прерывистый шум отрицательно сказывается на успехе спаривания у морских рыб с отцовской заботой.
Блом Э.Л., Кварнемо С., Дехла И., Шельд С., Андерссон М. Х., Свенссон О., Аморим МКП. Blom EL, et al. Sci Rep.2 апреля 2019; 9 (1): 5494.DOI: 10.1038 / s41598-019-41786-х. Научный представитель 2019. PMID: 30
1 Бесплатная статья PMC.
- Судостроительные доки как экспериментальные системы для реалистичной оценки антропогенных стрессоров на морские организмы.
Брюнтьес Р., Хардинг Х.Р., Банс Т., Берч Ф., Листер Дж., Спига I, Бенсон Т., Россингтон К., Джонс Д., Тайлер К.Р., Рэдфорд А.Н., Симпсон С.Д. Bruintjes R, et al.Биология. 2017 г. 1 сентября; 67 (9): 853-859. DOI: 10.1093 / biosci / bix092. Epub 2017 6 сентября. Биология. 2017 г. PMID: 29599545 Бесплатная статья PMC.
Типы публикаций
- Поддержка исследований, за пределами США. Правительство
Условия MeSH
- Поведение, Животные / физиология
- Воспроизводимость результатов
LinkOut — дополнительные ресурсы
Источники полных текстов
Другие источники литературы
Медицинские
10 погружений под водой без погружений с аквалангом
Почти три четверти поверхности Земли покрыто водой.Под ними находится увлекательный и загадочный мир затопленных каньонов, блестящих кораллов и ослепительных морских обитателей.
Попадание в дом китов, медуз и других морских существ обычно означает подводное плавание с аквалангом, требующее углубленного обучения в открытой воде и сертификации для использования сложного оборудования. Но новые технологии дайвинга, подводные лодки и подводные направления дают тем, кто не занимается дайвингом, шанс приблизиться к царствам под поверхностью. (Смотрите красивые фотографии подводной жизни.)
Вот 10 незабываемых подводных приключений, доступных каждому — хотите ли вы нырнуть, покататься на спинке или остаться сухим под водой.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Слева : Пребывание в затопленной спальне на курорте Манта у острова Пемба Занзибара.
Справа : Коралловые рифы курорта Manta на Занзибаре в Танзании привлекают морских существ, от морских слизней до осьминогов.
Фотография предоставлена Джеспером Анхеде, курорт Manta
Промокнуть
Трубка с маской ниндзя h3O: Традиционное плавание с маской и трубкой часто означает борьбу с туманными масками и неудобными дыхательными трубками. Но полнолицевая маска ниндзя h3O позволяет нормально дышать, глядя на морское дно. Революционный дизайн компании из Гавайев включает технологию Dry Top, которая предотвращает попадание воды в воздушную трубку, даже когда вы ныряете под водой, и систему защиты от запотевания, которая снижает запотевание до 90 процентов.Новейшие модели оснащены креплениями GoPro, которые помогут снимать ваши островные приключения.
Dive with snuba : Snuba ликвидирует разрыв между сноркелингом и подводным плаванием; Вы можете полностью погрузиться в воду без громоздкого и сложного снаряжения для подводного плавания. Простой регулятор и длинный шланг подключаются к системе подачи воздуха, плавающей на плоту, что позволяет пловцам свободно перемещаться и нырять на глубину до 15 футов. Флорида-Кис с прозрачным мелководьем является одним из самых популярных мест для любителей снуба. Дайверы могут исследовать Большой риф Флориды протяженностью 140 миль, единственный барьерный риф в континентальной части Соединенных Штатов.
Прокатитесь на подводном самокате : с B.O.S.S. (Подводный самокат с наблюдением за дыханием), вам даже не нужно плавать. Самоходный моторизованный мотоцикл движется по воде на восемь футов ниже поверхности. Над головой и плечами лежит прозрачный купол, позволяющий нормально дышать; на велосипеде находится прикрепленный к нему акваланг. Это как в собственной (мини) желтой подводной лодке. Компания B.O.S.S., базирующаяся на Виргинских островах США. туры можно найти в Гондурасе, Гавайях и Маврикии.
Stay Dry
Норвежский ресторан Under: Новый норвежский ресторан Under на скалистом побережье Линдеснес находится на 18 футов ниже ледяных вод Северного моря, как перевернутый перископ. Дегустационное меню Immersion от шеф-повара Николая Эллицгаарда включает почти 20 сезонных блюд с акцентом на местные норвежские морепродукты. Экологичность заложена в самом ресторане: грубый бетонный фасад привлекает блюдец и водорослей, постепенно образуя искусственный риф; приезжие исследователи изучают биологию и поведение многочисленной холодноводной морской флоры и фауны.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Under, ресторан в Норвегии, предлагает обширное дегустационное меню и виды на старую морскую жизнь.
Фотография любезно предоставлена Ингер Мари Грини, Бо Бедре Норге, Под (слева) и фотография любезно предоставлена Иваром Кваалом, Под (справа)5.8 Подводный ресторан на Мальдивах: Названный в честь его глубины 5,8 метра (19 футов) под поверхностью, Hurawalhí Resort’s Водный ресторан расположен на морском дне недалеко от атолла Лавияни на Мальдивах.С четкой изогнутой крыши открывается панорамный вид на рыб и кораллов Индийского океана, где над головой плавают скаты, а любопытные рыбы-попугаи подходят прямо к стеклу. Еда ориентирована на морепродукты: в меню есть обжаренные гребешки, копченый лобстер и мусс из морских ежей.
Manta Resort в Танзании: Manta Resort’s Underwater Room — это плавучий оазис в морском заповеднике у острова Пемба, части архипелага Занзибар. На крыше можно позагорать днем и полюбоваться звездами ночью, а лестница ведет в затопленную спальню, окруженную окнами, обрамляющими риф (и косяки тропических рыб).Ночью подводные прожекторы привлекают кальмаров, осьминогов и пылающих красных морских слизней испанской танцовщицы, которые проносятся мимо стекла. (Найдите другие необычные отели по всему миру.)
Huvafen Fushi Pearl Spa, Мальдивы: Спа — это места для умиротворения и уединения, где исчезают все ваши заботы. Что может быть лучше, чем под морем? В спа-салоне Pearl Spa Huvafen Fushi на атолле Северный Мале на Мальдивах есть два подводных массажных кабинета для пар, из которых открывается вид на стаи серебристых рыб, порхающих над рифом.Двухчасовая процедура «Подводное рандеву» включает в себя восстанавливающий массаж с головы до ног с использованием кокосового масла местного происхождения, который становится еще более успокаивающим благодаря вихревым течениям за его пределами.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права.Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права.Несанкционированное использование запрещено.
Пожалуйста, соблюдайте авторские права. Несанкционированное использование запрещено.
1/25
1/25
Каждую весну таяние снега поднимает Грюнер Зее («зеленое озеро») примерно на 30 футов, затопляя его окрестности и создавая подводный парк. Прыгая через скамейки и деревья, пишет Хенауэр, «вы пересекаете границу волшебного мира».
Каждую весну таяние снегов поднимает Грюнер Зее («зеленое озеро») примерно на 30 футов, затопляя окрестности и создавая подводный парк.Прыгая через скамейки и деревья, пишет Хенауэр, «вы пересекаете границу волшебного мира».
Фотография МАРКА ХЕНАУЭРА, National Geographic Your ShotПрокатись
Подводные лодки Aquatica: проворные подводные лодки Stingray на три и пять человек могут проскользнуть через места, недоступные большинству других подводных лодок, и нырнуть на глубину до 3300 футов. Исследовательские экспедиции в Голубую дыру Белиза и на Британские Виргинские острова создали трехмерные карты и оценивают состояние рифов. На Тихоокеанском Северо-Западе любители субэнтузиастов могут совершить экскурсию по красивым 9000-летним стеклянным губчатым рифам у побережья Британской Колумбии, единственным известным существующим существам.
Подводные лодки Atlantis: От Гавайев до Карибского моря и Гуама 10 подводных лодок Atlantis бороздят глубины до ста футов и могут перевозить десятки пассажиров. Подводные лодки с батарейным питанием не выделяют вредных веществ и бесшумно скользят по воде, чтобы не нарушать жизнь океана. На дайв-сайтах в Вайкики и Мауи компания установила искусственные рифы из затонувших кораблей, создав среды обитания, где процветают зеленые морские черепахи, желтые хвосты и рифовые акулы. (Узнайте больше об затонувших кораблях по всему миру.)
Lover’s Deep: Это идеальное развлечение для медового месяца: частная роскошная подводная лодка, где пары могут провести ночь под волнами. Подводную лодку можно пришвартовать где угодно, от рифа у Сент-Люсии до затонувшего линкора в Красном море, а интерьер можно адаптировать к их предпочтениям. Цена высока (от 230000 долларов), но в нее входят личный повар, дворецкий и дегустационное меню с устрицами, шампанским и шоколадным фондю.
Базируется в Вашингтоне, округ Колумбия.К. Карен Кармайкл часто участвует в программе National Geographic Travel. Следите за ее приключениями в Twitter и Instagram.Подводный мир
Смотреть Новые Подводный мир видео
Наше современное состояние на 75000 галлонов установка на солнечной энергии считается одним из лучших в мире.
| Один из крупнейших в стране, шириной 4 фута, Этот протеиновый скиммер высотой 13 футов является частью модели современная система фильтрации, сохраняющая домашний скот в отличном состоянии. |
ЗДОРОВАЯ, ВЫСОКОКАЧЕСТВЕННАЯ РЫБА ПО ПРЕВОСХОДНОЙ ЦЕНЕ
В подводном мире вы найдете самый широкий выбор лучших экзотических и редких морских рыба, кораллы и беспозвоночные, завезенные из окружающих тропических морей мир.
Основанная в 1975 году, мы стали одним из крупнейших и самые уважаемые оптовые торговцы морской рыбой в Калифорнии, обслуживающие более 600 розничных торговцев тропическими рыбами, оптовиков, импортеров и общественные аквариумы по всей территории Соединенных Штатов. и по всему миру.
ЭКСКЛЮЗИВНЫЕ ЗАБРОНИРОВКИ СЕТЬ СЕТИ
Покупаем только высочайшее качество морских образцов — большинство из нашей эксклюзивной сети поставок по сбору станции. Наличие собственной всемирной сети поставок означает, что у нас всегда есть обильный выбор рыбы на выбор, даже в сезон, когда рыба редки.
Наш эксклюзивный зарубежный поставщики внимательно отобрано и обучено человек.Мы тесно сотрудничаем с ними в долгосрочной перспективе. партнерство, направленное на импорт только лучшего и самого здорового скота.
ВЫСОКОЕ КАЧЕСТВО КОНТРОЛЬ
После того, как рыба попадает в наши помещения для хранения, она проходит интенсивную проверку качества. контроль со стороны нашей хорошо обученной бригады до гарантировать доставку только самых здоровых и качественных образцов в ты.
Наши Современная солнечная энергия на 75000 галлонов объект рядом с международным аэропортом Лос-Анджелеса считается быть одним из лучших в своем роде в мире , обеспечение воды высочайшего качества в любое время.
Мы уделяем особое внимание упаковке , чтобы свести к минимуму стоимость фрахта, при этом убедитесь, что ваша рыба прослужит не менее 48 часов в пути.
AN НЕПРЕВЗОЙДЕННАЯ ЦЕННОСТЬ
Мы предлагаем одни из лучших цен в любом месте. Наш эксклюзивный зарубежный сбор станций и долгосрочные обязательства перед нашими поставщиками позволяют нам получать лучшие цены, которые мы передаем вам.Наш конкурентоспособных оптовые цены на высококачественную рыбу предложат вам лучшее соотношение цены и качества. найдет, что даст вам большое преимущество перед конкурентами.
В Underwater World мы стремимся помочь вам прибавка ваши продажи, прибыль и репутация .
СЕРВИС! СЛУЖБА! СЛУЖБА!
Наша философия — постоянно обеспечивать высочайшее качество и здоровый образ жизни. акции по отличной цене.При покупке в Underwater World вы будете работать с ваш личный торговый представитель, всегда получающий знающих, вежливое обслуживание .
Ваша первая партия расскажет вам, что мы подразумеваем под качественной рыбой и качеством. служба. Позвоните сегодня, чтобы узнать прайс-лист и текущие специальные предложения / список товаров или напишите нам по адресу [email protected].
1-310-670-1502
Самые юные монстры океана готовы к гламурным снимкам
Для большинства аквалангистов немногие места под водой могут сравниться с визуальными ощущениями калейдоскопического кораллового рифа, изобилующего разноцветными рыбками.Для Джеффа Милисена, морского биолога и фотографа из Кона, Гавайи, нет лучшего места для ныряния, чем открытый участок глубокого океана. Ночью, вечером.
«Здесь много ничего, — сказал он. «Нет ни дна, ни стен, только это пространство, уходящее в бесконечность. И вы понимаете, что там много морских монстров, но они крошечные.
Конечно, есть и большие монстры, вроде акул. Но существа, о которых говорит г-н Милисен, являются частью ежедневного движения личинок рыб и беспозвоночных, которые поднимаются из глубины на поверхность каждый вечер в рамках одного из крупнейших миграций организмов на планете.Возникающее хобби — фотографировать их — известно как фотография «черной воды».
Большинство личинок не больше ногтя; другие еще меньше. И их легко принять за кусочки морских водорослей или дрейфующий мусор. Но вблизи, когда они запечатлены камерой с использованием специального объектива, называемого макросъемкой, животные могут казаться такими же большими, как дикие животные на сафари — сафари на другой планете.
Пять лет назад г-н Милисен начал делиться своими фотографиями в группе на Facebook, и там он обнаружил сообщество страстных ночных авантюристов, которые снимали образы живых существ, которые раньше редко можно было увидеть.Озадаченные и удивленные тем, что они снимают, г-н Милисен и другие члены сообщества, названные Blackwater Photo Group, начали связываться с рыбологами, прося помощи в определении того, что они видят.
Даже самые опытные специалисты ответили недоверчиво.
«Люди, даже ученые, спрашивают номер один:« Что это, черт возьми? »- сказал Нед ДеЛоах, опытный подводный фотограф, который вместе со своей женой Анной и писателем Полом Хуманом опубликовал восемь книг по морским рыбам.«Почему эти изображения так эффектны и популярны, потому что они такие потусторонние. Люди и представить себе не могли, что существуют такие существа, и это привлекало фотографов ».
Дэвид Дж. Джонсон, куратор по рыбам в Смитсоновском национальном музее естественной истории, был одним из первых ученых, с которыми связались члены группы Facebook. Он сказал, что фотографии сразу же поразили его.
«У вас есть поведение, цвета», — сказал он. «Это действительно большой прогресс в том, что касается того, что мы можем узнать о ранних этапах жизни рыб.”
По мере того, как хобби Blackwater набирает популярность по всему миру, все больше и больше фотографов делают потрясающие изображения и видео, раскрывающие секретный мир причудливых крошечных животных, который ученые десятилетиями пытались лучше понять. Многие изображения стали вирусными в социальных сетях, а некоторые недавно получили крупные награды в области подводной фотографии.
Теперь такие ученые, как доктор Джонсон, хотят формализовать сотрудничество с фотографами Blackwater.
В статье, опубликованной во вторник в журнале Ichthyology & Herpetology, ученые с Гавайев вместе с доктором Дж.Джонсон и другие сотрудники Смитсоновского института рассказали, как они надеются привлечь больше ночных подводных фотографов, большинство из которых не имеют научной подготовки, для участия в морских исследованиях. Если бы фотографы смогли собрать образцы крошечных животных, которых они фотографировали, можно было бы извлечь и проанализировать ДНК.
На данный момент ученые, возглавляющие эту работу, наняли около дюжины дайверов, которые собрали более 60 образцов для анализа. Еще больше в разработке.
«Мы создаем коллекцию, в которой впервые есть живое изображение», — сказал доктор.- сказал Джонсон. «Мы получаем образец и создаем запись ДНК, привязанную к нему».
Он ожидает, что ученые, обладающие способностями к подводной фотографии, также присоединятся к его усилиям. Морские исследователи надеются, что изучение изображений животных, сфотографированных в их естественной среде обитания, и сопоставление этих изображений с данными, полученными с помощью таких методов, как вскрытие и штрих-кодирование ДНК, значительно расширит знания о том, как эти животные меняются с течением времени и почему они ведут себя именно так. В идеале работа также прольет свет на таинственную ежедневную миграцию существ, называемую дневной вертикальной миграцией, которая происходит каждую ночь в каждом океане по всему земному шару.
Суточная вертикальная миграция включает триллионы крошечных животных, многие из которых находятся на стадии личинок, которые поднимаются с больших глубин 1000 футов и более до самой поверхности, чтобы кормиться. Ученые считают, что путешествие происходит ночью, потому что это позволяет животным избежать хищничества со стороны более крупных рыб, которые визуально обнаруживают свою добычу. Малыши возвращаются в темную бездну еще до восхода солнца.
Подобно многим видам насекомых и лягушкам, большинство морских рыб и беспозвоночных выглядят и ведут себя совершенно иначе на личиночных стадиях, чем на взрослых.Личинки рыб часто украшены яркими струящимися придатками, которые помогают им перемещаться по течению или имитировать другие виды, такие как ядовитые медузы. У некоторых из них огромные глаза и они излучают радужную радужную оболочку, которая не будет неуместной под стеклянным прилавком у Тиффани.
Большинство морских рыб и некоторые морские беспозвоночные проходят этот двухэтапный жизненный цикл. Ученые считают, что резкое изменение формы является результатом эволюции и естественного отбора.
«Личинки и взрослые особи живут на совершенно разных эволюционных аренах», — сказал д-р.- сказал Джонсон. «Личинки зарабатывают себе на жизнь в открытых океанских течениях, которые сильно отличаются от того места, где они собираются поселиться, например, на песчаном дне, на коралловом рифе или в глубоком море».
Личиночная стадия многих морских существ протекает в открытом океане, что трудно изучать и мало что известно. Почти все предыдущее понимание того, как выглядят эти животные, пришло из экспедиций, которые собирали их в большие конические устройства, называемые планктонными сетями, которые тащили за исследовательскими судами.Эта техника началась более 150 лет назад и получила известность в экспедиции Челленджер с 1872 по 1876 год, организованной британским правительством. С тех пор в технологии произошли некоторые значительные улучшения, но основная техника в основном не изменилась.
Планктонные сети собирают животных в большое открытое кольцо и направляют их в сосуд, похожий на сосуд, называемый «тресковым концом». Когда вода попадает в банку, животные легко раздавливаются и обычно умирают, не достигнув поверхности. Многие существа, такие как медузы, сальпы и блестящие шаровидные животные, называемые гребневиками, настолько нежны, что превращаются в студенистую слизь, которую исследователи на лодках вытаскивают из банок пригоршнями.Оставшихся нетронутых животных фиксируют в спиртовом растворе, который предотвращает их разложение, но делает их призрачно-белыми. Часто тонкие волокна и плавники отламываются, из-за чего невозможно узнать, как животные выглядели и вели себя при жизни.
«Эти отростки нитей чрезвычайно важны», — сказал Луис А. Роча, морской биолог и куратор рыб Калифорнийской академии наук, который не участвует в проекте. Он сказал, что их можно использовать для мимикрии, движения или маскировки.
«Поскольку вся эта информация теряется при сборе в сети, фотографии могут открыть совершенно новую область исследования, чтобы понять, почему у них есть эти особенности и для чего они их используют», — сказал он.
Наблюдение за личинками рыб в открытой воде не ново, но в основном оно практиковалось в дневное время. Эта техника, получившая название «ныряние в голубой воде», началась в 1980-х годах, когда группа калифорнийских ученых, надеясь решить проблемы с планктонными сетями, начала выводить лодки в море, пока солнце светило над головой.
Уильям М. Хамнер, эколог на пенсии и биолог-эволюционист из Калифорнийского университета в Лос-Анджелесе, был пионером подводного плавания в голубой воде и разработал множество техник дрейфа и ныряния в открытом океане, которые сегодня используются ныряльщиками черной воды.
«Тот факт, что мы начали голубую воду, объясняется просто тем, что в то время никто не заботился о планктоне настолько, чтобы приложить все усилия, чтобы наблюдать за ними в дикой природе, и я сделал это», — сказал д-р Хамнер.
Как в синей, так и в черной воде, аквалангисты обычно путешествуют далеко от берега, часто на 10 миль или более, где морское дно может находиться на несколько тысяч футов ниже.Они спускаются на глубину от 50 до 100 футов под водой, цепляясь за веревку, которая свисает с лодки или с буя на поверхности.
Однако при подводном плавании с черной водой к тросу прикрепляются мощные подводные фонари для освещения воды, часто привлекающие животных, в том числе акул. Призвание не для всех.
«Когда нет ни верха, ни дна, это совершенно новые ощущения, — сказала г-жа ДеЛоач, один из фотографов. «Это самое близкое, что я думаю, к космическому космосу.”
Для фотографов получение изображения того, чего раньше никогда не наблюдали, не говоря уже о том, чтобы сфотографировать, становится почти зависимостью.
«Что действительно интересно, так это когда вы отправляете ученым что-то, а они понятия не имеют, что это такое», — сказал Стивен Ковач, дантист из Палм-Бич, штат Флорида, и частый участник группы в Facebook, который занимается дайвингом в черной воде. в течении пяти лет. «Или это впервые видно. Это одно из величайших волнений ».
У фотографов есть повод злорадствовать.Некоторые ученые говорят, что изображения в сочетании с ДНК собранных личинок могут произвести революцию в изучении личинок рыб.
«Мы считаем, что этот подход открывает новое окно для нашего понимания этих личинок и поднимает интересные вопросы для будущих исследований», — сказал Ай Нонака, исследователь из Смитсоновского института и ведущий автор статьи.
Доктор Джонсон надеется, что этот проект вдохновит новое поколение подводных фотографов стать гражданскими учеными и участвовать в исследованиях.
«Мы занимаемся этим четыре-пять лет, но это все еще ново», — сказал г-н ДеЛоах, который начал собирать образцы для Смитсоновского института со своей женой в 2019 году. «Так много всего еще не обнаружено. . Очень удобно иметь экземпляр из коллекции Смитсоновского института с вашим именем ».
Другие ученые, изучающие личинок рыб, с удовольствием отдадут должное фотографам.
«Я думаю, что это один из тех особых случаев, когда люди, занимающиеся подводной фотографией, на самом деле осознали что-то весьма ценное и интересное до того, как это сделала наука», — сказал Том Шлезинджер, морской биолог из Флориды, который обратился к фотографии с черной водой.