Automatische Bildverarbeitung zur Bestimmung der Gemeinschaftsgrößenstruktur von Flussmakroinvertebraten

Die Körpergröße wurde als Schlüsselmerkmal für die Überwachung priorisiert. Die Messung der individuellen Größe ist jedoch zeitaufwendig. Unsere Methode ermöglicht die routinemäßige Nutzung des Größenspektrums von Makroinvertebraten, um die Auswirkungen auf Süßwasserökosysteme abzuschätzen.

Unser Protokoll bietet eine standardisierte Möglichkeit, die individuelle Größenverteilung von Flussmakroinvertebraten in einer Probe in etwa einer Stunde automatisch zu bestimmen. Rosa Guri von der University of Vic demonstriert das Verfahren. Schalten Sie zunächst den Scanner ein.

Und schalten Sie das Licht in der Doppelposition ein. Um weißes Licht von oben und unten zu projizieren. Als nächstes reinigen und spülen Sie das Scanfach mit Leitungswasser.

Um die Rohlinge zu erstellen, gießen Sie 110 Milliliter Leitungswasser bei Raumtemperatur in die Scan-Schale, bis das Glas bedeckt ist. Legen Sie den großen Rahmen auf das Scanfach, wobei sich die Ecke im oberen linken Teil befindet. Und füllen Sie es mit Leitungswasser, bis es die Stufe des Rahmens bedeckt, um einen Meniskuseffekt zu vermeiden, der die gescannten Bilder verändern würde.

Öffnen Sie anschließend die Bildbearbeitungssoftware, wählen Sie das Arbeitsprojekt aus und klicken Sie auf Hintergrundbild scannen konvertieren. Öffnen Sie anschließend die Scan-Software und klicken Sie auf Vorschau. Überprüfen Sie das Bild auf keine Linien oder Flecken und warten Sie mindestens 30 Sekunden, bevor Sie mit dem Scan beginnen.

Drücken Sie dann vor dem zweiten Scan im Anweisungsfenster auf OK, um die Daten von der Scansoftware an die Bildverarbeitungssoftware zu senden. Gießen Sie 110 Milliliter 70%iges Ethanol in die Scanschale, bis das Glas bedeckt ist. Und platzieren Sie den großen Rahmen.

Gießen Sie dann die Makroinvertebratenprobe in die Scanschale, die vom Rahmen umrandet ist, und bedecken Sie sie bei Bedarf mit mehr Ethanol. Anschließend homogenisieren Sie die Probe mit einer Holznadel im gesamten Rahmenbereich. Platzieren Sie die größten Individuen in der Mitte des Fachs für eine ordnungsgemäße Bildverarbeitung.

Und versenken die schwimmenden Organismen. Trennen Sie auch die gruppierten Organismen. Und ziehen Sie die Organismen, die die Rahmenkanten berühren, in die Mitte.

Fahren Sie als Nächstes mit dem Scannen fort, indem Sie auf Probe scannen mit Zoo-Scan für Archiv ohne Prozess klicken. Wählen Sie das Beispiel aus und folgen Sie den Anweisungen. Zeigen Sie eine Vorschau des Bildes in der Scansoftware an, um keine Linien oder Flecken zu sehen.

Klicken Sie nach 30 Sekunden auf die Scan-Schaltfläche in der Scan-Software. Und überprüfen Sie, ob das gescannte Rohbild korrekt ist. Entfernen Sie den Rahmen und waschen Sie ihn über dem Scanfach mit einer mit 70% Ethanol gefüllten Quetschflasche, um alle anhaftenden Makroinvertebraten zu bergen.

Heben Sie den oberen Teil des Scanners an, um alle Organismen und das Ethanol durch den Scan-Entnahmetrichter in ein Becherglas zu entnehmen. Reinigen Sie das Fach mit der Quetschflasche, während der obere Teil des Scanners noch angehoben ist, um die verbleibenden Organismen zu entfernen. Nachdem Sie alle Proben entnommen haben, reinigen Sie das Tablett mit Leitungswasser.

Um die Identität vorherzusagen, klicken Sie auf Datenanalyse in der automatischen Identifikationssoftware. Suchen Sie unter Lerndatei auswählen nach PID_Process, und wählen Sie dann learning_set aus, um die zu verwendende Lernsetdatei auszuwählen. Wählen Sie als Nächstes unter Beispieldateien auswählen die vorherzusagende Stichprobe aus dem Ordner PID_results aus.

Wählen Sie unter Methode auswählen die Random-Forest-Methode aus, und aktivieren Sie dann die Schaltfläche Detaillierte Ergebnisse für jede Stichprobe speichern. Deaktivieren Sie in den ursprünglichen Variablen die Positionsvariablen. Schließlich, in benutzerdefinierten Variablen, kreuzen Sie nur ESD an.

Klicken Sie auf Analyse starten und speichern Sie die Ergebnisse als analysis_name. txt im PID_process Vorhersageordner. Um die Analyse manuell zu validieren, kopieren Sie die Analyse- sample_dat_1 TXT-Dateien aus dem PID_process Vorhersageordner in den Ordner PID_process, PID_results.

Wählen Sie Extraktvignetten in Ordnern entsprechend der Vorhersage oder Validierung in der Bildverarbeitungssoftware aus. Wählen Sie dann die verwendeten vorhergesagten Dateien aus PID_results Ordner aus. Und mit den Standardeinstellungen wird durch Drücken von OK ein neuer Ordner erstellt.

Wechseln Sie nun zum Ordner PID_process sortierten Vignetten und kopieren Sie den neu erstellten Ordner mit dem Namen des Beispiels, des Datums und der Uhrzeit zur Überprüfung. Benennen Sie den zu validierenden Ordner mit validated um. Um die automatische Klassifizierung manuell zu überprüfen, öffnen Sie den Namen des umbenannten Ordnerbeispiels, das Datum und die Uhrzeit der Überprüfung.

Überprüfen Sie alle Vignetten aus den einzelnen Unterordnern, um ggf. falsch klassifizierte Objekte zu identifizieren. Wenn ein Objekt falsch klassifiziert ist, ziehen Sie die Vignette in den richtigen Ordner. Wählen Sie als Nächstes Lastkennungen aus sortierten Vignetten aus.

Wählen Sie unter Beibehaltung der Standardeinstellungen die Datei mit dem Namen Datum, Uhrzeit und Name aus, die verarbeitet werden soll. Gehen Sie dann zu PID_process, PID_results und dann zu dat1_validated. Öffnen Sie die Datei mit dem Namen ID_from_sorted_vignettes Datum und Uhrzeit txt, um zu überprüfen, ob die letzte Spalte, die Vorhersage, die validierte ID, das Datum und die Uhrzeit, die die Expertenklassifizierung jedes Objekts angibt, erstellt wurde.

Beim Testen des Systems auf Makroinvertebraten waren einige Scans von schlechter Qualität in den verarbeiteten Bildern. Trotzdem sieht ein feines Subsample mit guter Scanqualität des Rohbildes und des bearbeiteten Bildes so aus, wie es abgebildet ist. In der Menge der analysierten Vignetten entsprachen 86,1% Trümmern.

Dazu gehören Detritus, Fasern, Körperteile oder Scan-Artefakte. Und die restlichen 13,9% der detektierten Objekte entsprachen den wirbellosen Organismen. Die automatische Erkennung, gefolgt von der manuellen Validierung der Objekte, wies für alle Kategorien eine hohe Erinnerungsfähigkeit auf.

Während die Kontamination eine Genauigkeit bis auf die anderen wirbellosen Tiere eher gering war. Der Vergleich der automatischen mit der validierten Häufigkeit von Makroinvertebraten zeigte eine hohe Korrelation mit einer leichten Überschätzung der automatischen Leistung aufgrund der Kontamination durch Trümmer. Die Wahrscheinlichkeitsdichtefunktionen der einzelnen Größenverteilungen der automatischen Vorhersage traten stark mit den validierten Vorhersagen für die feinen und groben Teilstichproben auf.

Die Teilproben, die nach der Trennung von sich berührenden Objekten von ausgewählten natürlichen Proben validiert wurden, zeigten eine erhöhte Häufigkeit. Das mittlere ellipsoide Volumen lag jedoch nahe an den validierten Proben. Die Größenverteilungen der korrigierten Stichproben unterschieden sich geringfügig von den validierten.

Es wurde jedoch eine starke Korrelation beobachtet. Das normalisierte Biovolumengrößenspektrum war zwischen den Behandlungen ähnlich. Bis auf ein paar Größenklassen in ein paar Spektren.

Nehmen Sie sich die erforderliche Zeit, um berührende Organe zu trennen, um einen feinen Scan zu erhalten, und reinigen Sie diese Scanschale nach jedem Scan mit Ethanol mit Wasser, um Ausfällungen zu vermeiden. Wir haben dieses Verfahren, das für Plankton entwickelt wurde, auf Makroinvertebraten übertragen. So könnte es möglicherweise angepasst werden, um individuelle Körpergrößen anderer feinerer Gruppen zu erhalten.

Zum Beispiel terrestrische wirbellose Tiere. Diese Methode ermöglicht eine systematische Schätzung der Größenstruktur von Makroinvertebratengemeinschaften über große, spezielle und zeitliche Gradienten. Und untersuchen Sie die Rolle der Körpergröße für das Funktionieren von Flussökosystemen und durch Bewertung.