Automatische beeldverwerking om de gemeenschapsgroottestructuur van riverine macro-ongewervelde dieren te bepalen

Lichaamsgrootte is geprioriteerd als een belangrijke eigenschap voor monitoring. Toch is het meten van individuele grootte tijdrovend. Onze methode maakt het routinematige gebruik van macro-ongewervelde groottespectrum mogelijk om de effecten op zoetwaterecosystemen te beoordelen.

Ons protocol biedt een gestandaardiseerde manier om automatisch de individuele grootteverdeling van riviermacro-ongewervelde dieren in een monster in ongeveer een uur te bepalen. De procedure wordt gedemonstreerd door Rosa Guri van de Universiteit van Vic. Schakel om te beginnen de scanner in.

En schakel het licht in de dubbele positie in. Om wit licht van boven en onder te projecteren. Reinig en spoel vervolgens de scanlade af met kraanwater.

Om de blanco's te maken, giet u 110 milliliter kraanwater bij kamertemperatuur in de scanlade totdat het glas is afgedekt. Plaats het grote frame op de scanlade met de hoek linksboven. En vul het met kraanwater totdat het de stap van het frame bedekt om een meniscuseffect te voorkomen dat gescande afbeeldingen zou veranderen.

Open vervolgens de beeldverwerkingssoftware, selecteer het werkproject en klik op scan converteren achtergrondafbeelding. Open vervolgens de scansoftware en klik op voorbeeld. Controleer de afbeelding op geen lijnen of vlekken en wacht ten minste 30 seconden voordat u de scan start.

Druk vervolgens op OK in het instructiesvenster vóór de tweede scan om de gegevens van de scansoftware naar de beeldverwerkingssoftware te verzenden. Giet 110 milliliter 70% ethanol in de scanlade totdat het glas bedekt is. En plaats het grote frame.

Giet vervolgens het macro-ongewervelde monster in de scanlade met randen van het frame en bedek het indien nodig met meer ethanol. Homogeniseer vervolgens met een houten naald het monster in het hele framegebied. Plaats de grootste personen in het midden van de lade voor een goede beeldverwerking.

En zinken de drijvende organismen. Scheid ook de geclusterde organismen uit elkaar. En trek de organismen die de frameranden aanraken naar het midden.

Ga vervolgens verder met scannen door op scanvoorbeeld met dierentuinscan te klikken voor archivering geen proces. Het voorbeeld selecteren en de instructies volgen. Bekijk een voorbeeld van de afbeelding in de scansoftware zonder lijnen of vlekken.

Klik na 30 seconden op de scanknop in de scansoftware. En controleer of de onbewerkte gescande afbeelding correct is. Verwijder het frame en was het boven de scanlade met een 70% ethanol gevulde knijpfles om eventuele aangesloten macro-ongewervelde dieren te herstellen.

Til het bovenste deel van de scanner op om alle organismen en ethanol door de scantrechter in een bekerglas te halen. Terwijl het bovenste deel van de scanner nog steeds is opgetild, reinigt u de lade met de knijpfles om langs eventuele resterende organismen te vegen. Nadat u alle monsters hebt hersteld, reinigt u de lade met kraanwater.

Om de identiteit te voorspellen, klikt u op data-analyse in de automatische identificatiesoftware. Zoek in het leerbestand selecteren PID_Process en selecteer vervolgens learning_set om het te gebruiken leersetbestand te kiezen. Kies vervolgens in voorbeeldbestanden selecteren het te voorspellen voorbeeld uit de map PID_results.

Kies bij selecteer een methode de willekeurige forestmethode en vink vervolgens de gedetailleerde resultaten opslaan voor elke voorbeeldknop aan. Schakel in oorspronkelijke variabelen de positievariabelen uit. Vink ten slotte in aangepaste variabelen alleen ESD aan.

Klik op analyse starten en sla de resultaten op als analysis_name. txt in de PID_process voorspellingsmap. Als u handmatig wilt valideren, kopieert u de analyse- sample_dat_1 txt-bestanden van de map PID_process voorspelling naar de map PID_process PID_results.

Selecteer vignetten extraheren in mappen op basis van voorspelling of validatie in de beeldverwerkingssoftware. Selecteer vervolgens gebruikte voorspelde bestanden uit PID_results map. En met de standaardinstellingen maakt het drukken op ok een nieuwe map.

Ga nu naar de map PID_process gesorteerde vignetten en kopieer de nieuw gemaakte map met de naam voorbeeldnaam, datum en tijd om te valideren. Wijzig de naam van de map om te valideren met gevalideerd. Als u de automatische classificatie handmatig wilt valideren, opent u de voorbeeldnaam, datum en tijd van de hernoemde map.

Bekijk alle vignetten van elke submap om eventuele verkeerd geclassificeerde objecten te identificeren. Wanneer een object verkeerd is geclassificeerd, sleept u het vignet naar de juiste map. Selecteer vervolgens ladingsidentificaties uit gesorteerde vignetten.

Houd de standaardinstellingen bij en selecteer het bestand met de naam datum, tijd en naam die moet worden gevalideerd om te worden verwerkt. Ga dan naar PID_process, PID_results en dan dat1_validated. En open het bestand met de naam ID_from_sorted_vignettes datum en tijd txt om te controleren of de laatste kolom, voorspelling, gevalideerde ID, datum en tijd, die de expertclassificatie van elk object specificeert, is gemaakt.

Tijdens het testen van het systeem op macro-ongewervelde dieren waren sommige scans van slechte kwaliteit in de verwerkte beelden. Desondanks ziet een fijn submonster met een goede scankwaliteit van de raw en de bewerkte afbeelding eruit zoals afgebeeld. In de set geanalyseerde vignetten kwam 86,1% overeen met puin.

Inclusief afval, vezels, lichaamsdelen of scanartefacten. En de resterende 13,9% van de gedetecteerde objecten kwam overeen met de ongewervelde organismen. Automatische herkenning gevolgd door handmatige validatie van objecten vertoonde een hoge recall voor alle categorieën.

Terwijl de besmetting één precisie vrij laag was, behalve voor de andere ongewervelde dieren. De vergelijking van automatische versus gevalideerde macro-ongewervelde abundantie toonde een hoge correlatie met een lichte overschatting door de automatische prestaties als gevolg van verontreiniging door puin. De kansdichtheidsfuncties van de individuele grootteverdelingen van de automatische voorspelling kwamen sterk voor bij de gevalideerde voorspellingen voor de fijne en grove deelmonsters.

De submonsters die werden gevalideerd na de scheiding van aanrakende objecten uit geselecteerde natuurlijke monsters vertoonden een verhoogde abundantie. Maar het gemiddelde ellipsoïdale volume lag dicht bij de gevalideerde monsters. De grootteverdelingen van gecorrigeerde monsters verschilden enigszins van de gevalideerde.

Maar er werd een sterke correlatie waargenomen. Het genormaliseerde biovolumegroottespectrum was vergelijkbaar tussen de behandelingen. Op een paar grootteklassen na in een paar spectra.

Neem de benodigde tijd om aanraakorganen te scheiden om een fijne scan te verkrijgen en reinig deze scanlade na elke scan met water met ethanol om neerslag te voorkomen. We hebben deze procedure aangenomen die is ingesteld voor plankton om macro-ongewervelde dieren te rivieren. Het kan dus mogelijk worden aangepast om individuele lichaamsmaten van andere fijnere groepen te verkrijgen.

bijvoorbeeld ongewervelde terrestrische dieren. Deze methode maakt een systematische schatting mogelijk van de grootte van de macro-ongewervelde gemeenschap over grote, speciale en temporele gradiënten. En onderzoek de rol van lichaamsgrootte in het functioneren van rivierecosystemen en door beoordeling.