珊瑚颜色半自动分析工具Coral-CAT的开发与验证：一种标准化珊瑚白化监测新方法

《Coral Reefs》：Coral-CAT: A semi-automatic coral color analysis tool

　　本研究针对珊瑚健康评估中人工颜色编码存在的主观性强、效率低的问题，开发了半自动图像分析工具Coral-CAT。该工具通过提取珊瑚图像中每个像素的颜色信息，并基于同图像色卡自动匹配标准颜色代码（如CoralWatch图表），显著减少了光照条件差异引起的偏差。研究通过对68个珊瑚碎片图像和原位珊瑚群落图像的验证，发现自动评分与人工视觉评分高度一致（R2=0.93），尤其在健康珊瑚中误差更小。该工具为珊瑚白化监测、颜色变化量化及珊瑚恢复研究提供了高效、客观的分析方案，适用于实验室和野外环境。

　　

珊瑚礁作为地球上生物多样性最丰富的生态系统之一，不仅孕育了无数海洋生物，还为人类提供了海岸防护、渔业资源和旅游经济等关键生态服务。然而，自20世纪50年代以来，全球珊瑚礁覆盖率已锐减50%，这一危机主要源于气候变化引发的海洋变暖以及频繁的极端热浪事件。近年来，第四次全球珊瑚白化事件（2024年）再次警示：珊瑚正面临前所未有的生存压力。

当珊瑚受到热应激时，其与共生虫黄藻（Symbiodiniaceae）的互利关系可能崩溃。虫黄藻通过光合作用为珊瑚提供高达80%的能量，同时赋予珊瑚绚丽的色彩。一旦虫黄藻流失，珊瑚便会失去色素并呈现白色，即“白化”现象。若环境压力持续，白化珊瑚将因能量耗竭而死亡。因此，珊瑚颜色已成为评估其健康状况的核心指标。

目前，珊瑚颜色评估广泛依赖标准色卡（如CoralWatch珊瑚健康监测图表），通过人工比对珊瑚与色卡的颜色差异，赋予颜色代码（如B2、D4等）。然而，这种方法存在明显局限性：人工评分耗时费力，且易受主观判断和光照条件影响。尤其在水下环境中，深度相关色偏和自然光变化进一步增加了颜色判断的误差。尽管已有研究尝试通过RGB通道分析或灰度转换量化颜色变化，但这些方法或依赖随机选点，或丢失颜色信息，均无法实现全图像素级的客观分析。

为解决上述问题，由Neus Garcias-Bonet领衔的研究团队开发了一款半自动珊瑚颜色分析工具Coral-CAT（Coral Color Analysis Tool），并于2025年发表在《Coral Reefs》期刊。该工具通过整合光学字符识别（OCR）、图像分割和颜色空间计算，实现了珊瑚颜色的标准化、高通量分析。

关键技术方法概述

研究团队利用Streamlit框架开发了交互式应用，支持单张图像和批量分析。关键技术包括：

1. 1.
   色卡自动识别：通过easyOCR库检测色卡文字标签（如B、C、D、E），提取对应颜色代码的RGB值；
2. 2.
   珊瑚图像分割：基于CoralSCOP模型（源自Segment Anything Model）精准分割珊瑚区域；
3. 3.
   颜色匹配算法：计算珊瑚每个像素RGB值与色卡颜色的欧几里得距离，匹配最接近的颜色代码；
4. 4.
   多场景适配：支持实验室可控光照（如珊瑚碎片）和野外水下环境（如珊瑚群落）的图像分析。
   验证实验包含68个红海Acropora cf. humilis珊瑚碎片图像（覆盖白化至健康全色阶）和原位珊瑚群落（Acropora sp.、Pocillopora favosa等），均通过线性回归和误差分析验证工具准确性。

研究结果

颜色评分验证显示高度一致性

通过对比六名参与者的人工视觉评分与Coral-CAT自动评分，研究发现两者存在强线性关系（Y=0.72X+1.53, R²=0.93, p<0.0001）。77.94%的样本评分差异在±0.5范围内，表明白化程度较低的珊瑚（颜色代码高）一致性更佳。而在高度白化珊瑚（颜色代码≤2）中，自动评分略高于人工评分（差异达-1.13），因工具可检测到人眼易忽略的暗色区域像素。

水下珊瑚群落颜色分析成功应用

研究进一步测试了Coral-CAT对水下珊瑚群落的适用性。结果显示，工具可有效输出分枝型（如Acropora sp.）和块状型（如Porites sp.）珊瑚的加权平均颜色代码（Acropora sp.: 3.8; Pocillopora favosa: 4.7），证明其在复杂自然光环境下仍能保持分析稳定性。

结论与展望

Coral-CAT通过自动化颜色提取与匹配，解决了传统珊瑚颜色评估中的主观性和低效问题。其核心优势在于：

1. 1.
   抗干扰能力：利用同图像色卡校正，减少水深和光照差异的干扰；
2. 2.
   全面性：像素级分析覆盖珊瑚全部表面，优于随机选点或灰度转换方法；
3. 3.
   高通量：批量模式可快速处理大量图像（平均142.83秒/10个珊瑚片段）。
   该工具为珊瑚白化监测、恢复措施评估（如微生物疗法）提供了可靠技术支撑。未来，通过集成更多色卡类型和优化深度学习模型，Coral-CAT有望成为珊瑚礁生态保护与研究的标准化工具。