BioBoost+-prosjektet arbeider for å forbedre måten vi overvåker livet i havet på. Ved å kombinere avanserte avbildningsmetoder med kunstig intelligens (KI), har vi som mål å gjøre identifikasjon av marine planter og dyr raskere, mer kostnadseffektivt og mer pålitelig. Disse metodene brukes på et bredt spekter av økosystemer og arter: sjøgressenger, skjellbanker, tareskoger, arktiske fjorder, fisk, hummer, vadefugler, fremmede arter og plankton.
Ved Nord universitet fokuserer vi på to langtids overvåkingsprogrammer:
• Zooplankton, samlet hvert år i over 40 år i to norske fjorder.
• Bunnfauna og fisk, observert siden 2023 gjennom to kontinuerlige direktesendte undervannskameraer i Saltstraumen Marine Verneområde (MPA).
Prosjektets mål er å gi tidsriktig kunnskap om endringer i biologisk mangfold forårsaket av menneskelig aktivitet, klimaendringer og fremmede arter. BioBoost+ samler åtte organisasjoner fra syv land, med studieområder i Middelhavet, Nordsjøen og Norskehavet, inkludert marine verneområder og steder med aktiv habitatrestaurering. Ved å akselerere dataanalysen vil prosjektet levere verdifull informasjon til forskere, myndigheter og borgere.
I det første året fokuserte prosjektgruppen ved Nord universitet på fire hovedaktiviteter:
1. Samarbeid mellom partnere
Vi arbeidet tett med kolleger i konsortiet for å harmonisere tilnærminger, slik at data og resultater kan sammenlignes og kombineres. Dette arbeidet bidro til den første større prosjektrapporten “Advances for species identification within Bioboost+ project” (Leveranse 1, planlagt publisert i oktober 2025).
2. Undervannsovervåking i Saltstraumen
To kablede undervannskameraer har gjort opptak kontinuerlig siden 2023: ett på 16 meters dyp i en tareskråning, og ett på 25 meters dyp nær en liten hule som regelmessig besøkes av steinbit. For å bygge et første treningsdatasett for KI-modeller ble 10-minutters videosegmenter tatt opp hver søndag klokken 12 fra april 2023 til april 2024.
• Alle synlige fisk i bildet ble artsbestemt. Totalt ble 3 274 enkeltfisk annotert. De fleste tilhørte sei (Pollachius virens, 63,5 %) og torsk (Gadus morhua, 35,2 %). Mindre hyppige observasjoner inkluderte steinbit (Anarhichas lupus), kveite (Hippoglossus hippoglossus) og flyndrearter.
• Den sterke skjevheten i artsannotasjonene skaper nøyaktighetsutfordringer for sjeldne arter og skjevhet i datamaskinbaserte synsapplikasjoner. For å håndtere dette vil vi fortsette å utvide treningssettet med flere annotasjoner og bruke dataforsterkningsteknikker for å forbedre fremtidige versjoner.
• Flere objektgjenkjenningsmodeller ble testet. Selv om de første resultatene var lovende, ga de ikke den nøyaktigheten som trengs for våre økologiske anvendelser. Ytterligere undersøkelser viste at i konteksten av Nord universitet, vil den eksisterende TIVA-objektgjenkjenningsmodellen kombinert med egendefinert treningssett gi mer effektive og nøyaktige resultater. Implementeringen av denne tilnærmingen er nå pågående.
3. Langtids zooplanktonovervåking (1983–2025)
Zooplanktonprøver fra Saltfjorden og Mistfjorden, bevart siden 1983, ble nøye overført fra formaldehyd til etanol for å redusere helserisiko for forskere, og for å forberede dem for avbildning og digital analyse. Prøvene ble delt inn i to størrelsesfraksjoner og delprøvet for å sikre optimal prosessering for skanning og datamaskinsyn. Skanningen pågår.
1. Samling av miljødata
Vi standardiserte og samlet miljødata som er innhentet sammen med zooplanktonundersøkelsene de siste fire tiårene. For å fylle hullene ble samarbeid med lokale oppdrettsanlegg initiert. Til dags dato har ett lokalt oppdrettsanlegg gått med på å dele sine kontinuerlige miljømålinger (temperatur, saltholdighet, oksygen) fra 2013 og fremover, noe som tilfører verdifull miljøkontekst til analysene av biologisk mangfold.
I sitt første år har teamet ved Nord universitet lagt grunnlaget for anvendelsen av KI på overvåking av biologisk mangfold: etablert internasjonal koordinering, opprettet bilde-treningsdatasett, forberedt planktonprøver for digitalisering, og sikret nye miljødatapartnerskap. De neste stegene vil fokusere på å trene og anvende KI-modeller i større skala, slik at vi raskere kan spore endringer i marine økosystemer og støtte kunnskapsbasert forvaltning av havene.
BioBoost+ is designed to improve non-invasive, cost-effective, and high-frequency sampling and identification of marine plants and animals by applying state-of-the-art Artificial Intelligence (AI) technology with digital imagery including real-time monitoring via camera networks and involvement of citizen science groups. These methods are applied to a wide range of taxa, from habitat-forming species (seagrass meadows, shellfish beds, and macroalgal canopies), indicator species of ecological and economic importance (e.g., coastal fish, lobsters, shorebirds), invasive species, and understudied groups (from microscopic, free-floating animals to rare fish). BioBoost+ enhances biodiversity monitoring within European regional seas from the Mediterranean, North and Norwegian Seas to support ongoing conservation interventions such as active habitat restoration projects and Marine Protected Areas (MPAs). Improved biodiversity monitoring will allow a better understanding of large-scale phenomena, such as thresholds, regime shifts and species invasions in vulnerable ecosystems, improve the capacity to predict the impacts of multiple stressors, and to develop better indicators of marine ecosystem health.
