本研究提出了一种新颖的多尺度方法，成功融合水下与空中图像，实现了珊瑚礁区域的高精度分类，AUC分数达到0.9251，展示了多尺度成像与人工智能在珊瑚礁监测中的应用潜力。

本研究提出了一种创新的层次分类法，用于底栖图像注释，解决了现有机器学习方法无法有效捕捉底栖生物层次特征的问题。实验结果表明，该方法在不同训练数据量下的F1和层次F1分数提高了约2%，有助于更有效地监控和保护珊瑚礁。

珊瑚礁覆盖海洋表面仅0.1％，却拥有25％已知海洋物种。谷歌与DeepMind合作开发了SurfPerch AI工具，通过处理珊瑚礁声音，建立对其健康状况的认识。公众可以参与“Calling in our Corals”项目，倾听珊瑚礁音频记录，帮助监测珊瑚礁健康状况。这将有助于了解珊瑚礁社区和保护。

本文介绍了一种新型生物声学模型BioLingual，利用无损声学监测和机器学习技术，能够识别超过一千种动物的叫声。该模型在鸟类检测中表现优异，AUC性能达到88%。研究还探讨了自动化深度学习在生物声学研究中的应用，提升了分类准确性和效率，并通过开源代码降低了生物声事件检测的门槛。

该研究利用机器学习和语义分割技术实现了高精度的三维语义地图，可用于水下环境的自动分析和监测，降低了劳动力成本，为保护政策提供了更高效的信息。

声音可以帮助监测和保护珊瑚礁生态系统，甚至使受损的珊瑚礁恢复生机。在世界各地的珊瑚礁上放置了水下麦克风，记录海洋生物的声音，提供了对这些宝贵栖息地中动物的健康、生物多样性和活动的新认识。公众可以收听录音并帮助建立有关珊瑚礁健康状况的宝贵数据。该项目将与Google Arts＆Culture紧密合作，加速生物声学任务的进展。