Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Automatyczne przetwarzanie obrazu w celu określenia struktury wielkości zbiorowiska makrobezkręgowców rzecznych

2.6K wyświetleń

⸱

DOI:

10.3791/64320

⸱

13 stycznia 2023

 ,  ,  , 
1Center for the Study of Mediterranean Rivers (CERM), Universitat de Vic - Universitat Central de Catalunya, 2Laboratoire Evolution et Diversité Biologique (EDB), UMR5174, Université Toulouse 3 Paul Sabatier, Centre national de la recherche scientifique (CNRS), Institut de Recherche pour le Développement (IRD), 3Department of Marine Biology and Oceanography, Institut de Ciències del Mar, Consejo Superior de Investigaciones Científicas (CSIC), 4Aquatic Ecology Group, Universitat de Vic - Universitat Central de Catalunya

W tym artykule

Podsumowanie

Artykuł opiera się na stworzeniu dostosowanego protokołu do skanowania, wykrywania, sortowania i identyfikowania zdigitalizowanych obiektów odpowiadających makrobezkręgowcom rzecznym bentosowym za pomocą procedury półautomatycznego obrazowania. Procedura ta pozwala na uzyskanie indywidualnych rozkładów wielkości i metryk wielkości zbiorowiska makrobezkręgowców w ciągu około 1 godziny.

Streszczenie

Rozmiar ciała jest ważną cechą funkcjonalną, która może być wykorzystana jako bioindykator do oceny wpływu zaburzeń w naturalnych zbiorowiskach. Struktura wielkości zbiorowiska reaguje na gradienty biotyczne i abiotyczne, w tym antropogeniczne perturbacje między taksonami i ekosystemami. Jednak ręczny pomiar małych organizmów, takich jak makrobezkręgowce bentosowe (np. >500 μm do kilku centymetrów długości) jest czasochłonny. Aby przyspieszyć oszacowanie struktury wielkości zbiorowiska, opracowaliśmy protokół do półautomatycznego pomiaru indywidualnej wielkości ciała zachowanych makrobezkręgowców rzecznych, które są jednym z najczęściej stosowanych bioindykatorów do oceny stanu ekologicznego ekosystemów słodkowodnych. Protokół ten został zaadaptowany z istniejącej metodologii opracowanej do skanowania mezozooplanktonu morskiego za pomocą systemu skanowania przeznaczonego do próbek wody. Protokół składa się z trzech głównych etapów: (1) skanowania podpróbek (drobnych i grubych frakcji wielkości próbki) makrobezkręgowców rzecznych i przetwarzania zdigitalizowanych obrazów w celu indywidualizacji każdego wykrytego obiektu na każdym obrazie; (2) tworzenie, ocenianie i walidacja zbioru uczenia się za pomocą sztucznej inteligencji w celu półautomatycznego oddzielenia indywidualnych obrazów makrobezkręgowców od detrytusu i artefaktów w zeskanowanych próbkach; oraz (3) przedstawienie struktury wielkości zbiorowisk makrobezkręgowców. Oprócz protokołu, praca ta obejmuje wyniki kalibracji i wymienia kilka wyzwań i zaleceń dotyczących dostosowania procedury do próbek makrobezkręgowców i rozważenia dalszych ulepszeń. Ogólnie rzecz biorąc, uzyskane wyniki przemawiają za wykorzystaniem zaprezentowanego systemu skanowania do automatycznego pomiaru wielkości ciała makrobezkręgowców rzecznych i sugerują, że przedstawienie ich spektrum wielkości jest cennym narzędziem do szybkiej oceny biologicznej ekosystemów słodkowodnych.

Wprowadzenie

Makrobezkręgowce bentosowe są powszechnie używane jako bioindykatory do określania stanu ekologicznego zbiorników wodnych1. Większość wskaźników opisujących zbiorowiska makrobezkręgowców koncentruje się na wskaźnikach taksonomicznych. Zachęca się jednak do stosowania nowych narzędzi oceny biologicznej, które uwzględniają rozmiar ciała, aby zapewnić alternatywną lub uzupełniającą perspektywę dla podejść taksonomicznych2,3.

Rozmiar ciała jest uważany za metacechę, która jest związana z innymi istotnymi cechami, takimi jak metabolizm, wzrost, oddychanie i ruch4. Ponadto rozmiar ciała może określać pozycję troficzną i interakcje5. Zależność między indywidualnym rozmiarem ciała a znormalizowaną biomasą (lub obfitością) według klasy wielkości w społeczności jest zdefiniowana jako spektrum rozmiarów6 i podąża za ogólnym wzorcem liniowego spadku znormalizowanej biomasy wraz ze wzrostem indywidualnej wielkości w skali logarytmicznej7. Nachylenie tej liniowej zależności zostało szeroko zbadane teoretycznie, a badania empiryczne w różnych ekosystemach wykorzystały je jako ekologiczny wskaźnik struktury wielkości społeczności4. Innym syntetycznym wskaźnikiem struktury wielkości społeczności, który został z powodzeniem wykorzystany w badaniach nad funkcjonowaniem ekosystemów bioróżnorodności, jest różnorodność wielkości społeczności, która jest reprezentowana jako indeks Shannona klas wielkości spektrum wielkości lub jego odpowiednik, który jest obliczany na podstawie indywidualnych rozkładów wielkości8.

W ekosystemach słodkowodnych struktura wielkości różnych grup fauny jest używana jako wskaźnik ataksji do oceny reakcji społeczności biotycznych na gradienty środowiskowe9,10,11 i do antropogenicznych zakłóceń12,13,14,15,16. Makrobezkręgowce nie są wyjątkiem, a ich struktura wielkości reaguje również na zmiany środowiskowe17,18 oraz perturbacje antropogeniczne, takie jak mining19, land use20, lub wzbogacenie azotem (N) i fosforem (P)20,21,22. Jednak mierzenie setek osobników w celu opisania struktury wielkości społeczności jest żmudnym i czasochłonnym zadaniem, którego często unika się jako rutynowego pomiaru w laboratoriach z powodu braku czasu. W związku z tym opracowano kilka półautomatycznych lub automatycznych metod obrazowania do klasyfikowania i mierzenia próbek23,24,25,26. Jednak większość z tych metod koncentruje się bardziej na klasyfikacji taksonomicznej niż na indywidualnej wielkości organizmów i nie jest gotowa do użycia dla wszystkich rodzajów makrobezkręgowców. W ekologii planktonu morskiego system skanowania obrazu analizy jest szeroko stosowany do określania wielkości i składu taksonomicznego społeczności zooplanktonu27,28,29,30,31. Instrument ten można znaleźć w kilku instytutach morskich na całym świecie i służy do skanowania zachowanych próbek zooplanktonu w celu uzyskania cyfrowych obrazów całej próbki w wysokiej rozdzielczości. Niniejszy protokół dostosowuje wykorzystanie tego instrumentu do szacowania widma wielkości społeczności makrobezkręgowców w rzekach w szybki automatyczny sposób bez inwestowania w tworzenie nowego urządzenia.

Protokół składa się ze skanowania próbki i przetwarzania całego obrazu, aby automatycznie uzyskać pojedyncze obrazy (tj. winiety) obiektów w próbce. Każdy obiekt charakteryzuje się kilkoma miarami kształtu, rozmiaru i cech szarości, które pozwalają na automatyczną klasyfikację obiektów do kategorii, które są następnie weryfikowane przez eksperta. Indywidualna wielkość każdego organizmu jest obliczana za pomocą elipsoidalnej bioobjętości (mm3), która jest określana na podstawie obszaru organizmu mierzonego w pikselach. Pozwala to na szybkie uzyskanie widma wielkości próbki. Zgodnie z naszą najlepszą wiedzą, ten skanujący system obrazowania był używany tylko do przetwarzania próbek mezozooplanktonu, ale urządzenie może potencjalnie pozwolić na pracę ze słodkowodnymi makrobezkręgowcami bentosowymi.

Ogólnym celem tego badania jest zatem wprowadzenie metody szybkiego uzyskiwania indywidualnej wielkości zachowanych makrobezkręgowców rzecznych poprzez adaptację istniejącego protokołu używanego wcześniej z morskim mezozooplanktonem27,32,33. Procedura polega na zastosowaniu podejścia półautomatycznego, które współpracuje z urządzeniem skanującym do skanowania próbek wody i trzema otwartymi programami do przetwarzania zeskanowanych obrazów. W niniejszym dokumencie przedstawiono dostosowany protokół skanowania, wykrywania i identyfikacji zdigitalizowanych makrobezkręgowców rzecznych w celu automatycznego uzyskania struktury wielkości zbiorowiska i powiązanych wskaźników wielkości. Przedstawiono również ocenę procedury oraz wytyczne mające na celu zwiększenie efektywności w oparciu o 42 zeskanowane obrazy próbek makrobezkręgowców rzecznych pobranych z trzech basenów północno-wschodniego (NE) Półwyspu Iberyjskiego (Ter, Segre-Ebre i Besòs).

Próbki zostały pobrane na 100 m odcinkach rzeki zgodnie z protokołem pobierania próbek w terenie i analizy laboratoryjnej makrobezkręgowców rzecznych bentosowych w rzekach nadających się do przeprawiania przez rząd hiszpański34. Próbki pobrano za pomocą próbnika Surber (rama: 0,3 m x 0,3 m, oczko: 250 μm) po przeprowadzeniu badań wielosiedliskowych. W laboratorium próbki oczyszczono i przesiano przez oczka 5 mm i 500 μm w celu uzyskania dwóch podpróbek: podpróbki grubej (oczka 5 mm) i podpróbki drobnej (oczka 500 μm), które przechowywano w oddzielnych fiolkach i konserwowano w 70% etanolu. Rozdzielenie próbki na dwie frakcje wielkości pozwala na lepsze oszacowanie struktury wielkości zbiorowiska, ponieważ duże organizmy są rzadsze i mniej niż małe organizmy. W przeciwnym razie zeskanowana próbka ma stronniczą reprezentację frakcji o dużym rozmiarze.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

UWAGA: Opisany tutaj protokół opiera się na systemie opracowanym przez Gorsky i wsp.27 dla morskiego mezozooplanktonu. Szczegółowy opis etapów dotyczących skanera (ZooSCAN), oprogramowania do skanowania (VueScan 9x64 [9.5.09]), oprogramowania do przetwarzania obrazów (Zooprocess, ImageJ) oraz oprogramowania do automatycznej identyfikacji (Plankton Identifier) znajduje się w poprzednich referencjach32,33. Aby najlepiej dostosować rozmiary bentosowych makrobezkręgowców w stosunku do mezozooplanktonu, po utworzeniu projektu zgodnie z oryginalnym protokołem32,33, należy w pliku konfiguracyjnym zmienić parametr minimalnego rozmiaru (minsizeesd_mm) na 0.3 mm oraz parametr maksymalnego rozmiaru (maxsizeesd_mm) na 100 mm. W celu ułatwienia realizacji protokołu, zestawiono go w schemacie pracy (Rysunek 1). Utworzony projekt jest przechowywany w folderze C komputera i zorganizowany w następujących folderach: PID_process, Zooscan_back, Zooscan_check, Zooscan_config, Zooscan_meta, Zooscan_results oraz Zooscan_scan. Każdy folder składa się z kilku podfolderów, których różne aplikacje oprogramowania używają w kolejnych etapach protokołu.

1. Pozyskiwanie obrazów cyfrowych dla próbek makrobezkręgowców

  1. Skanowanie i przetwarzanie próbki blank
    UWAGA: Codziennie, przed skanowaniem, należy utworzyć dwa obrazy blank, aby wyodrębnić skany tła podczas przetwarzania obrazów zeskanowanych tego samego dnia.
    1. Włącz skaner i ustaw oświetlenie w pozycji dual, aby rzucać białe światło z góry i z dołu.
      UWAGA: Podczas skanowania próbek mezozooplanktonu stosuje się kierunek światła w górę, jednak ze względu na większą nieprzezroczystość makrobezkręgowców zaleca się przełączenie światła w pozycję dual.
    2. Wyczyść i wypłucz tackę skanującą wodą z kranu.
    3. Wlej do tacki skanującej 110 mL wody z kranu przechowywanej w temperaturze pokojowej (RT), aż szkło zostanie przykryte. Umieść dużą ramkę (24,5 cm x 15,8 cm) na tackce skanującej w odpowiedniej pozycji (z narożnikiem w lewym górnym rogu tacki) i dopełnij ją wodą z kranu, aż krawędź ramki zostanie przykryta, aby uniknąć efektu menisku, który zniekształciłby zeskanowany obraz. Zamknij pokrywę skanera.
      UWAGA: Używaj wody w temperaturze RT, aby uniknąć kondensacji i powstawania pęcherzyków powietrza. Oczyść ramkę tak, aby nie było na niej smug ani kropel, co zapobiegnie odbiciom światła.
    4. Przejdź do oprogramowania do przetwarzania obrazów, wybierz roboczy projekt i kliknij Scan (Convert) Background Image.
    5. Przejdź do oprogramowania skanującego i kliknij Preview. Koniecznie przejrzyj zeskanowany obraz, sprawdź, czy nie ma linii ani plam i odczekaj co najmniej 30 s przed rozpoczęciem kolejnego skanowania. Kliknij Scan i naciśnij OK w oknie instrukcji przed drugim skanowaniem, aby przesłać dane z oprogramowania skanującego do oprogramowania do przetwarzania obrazów.
      UWAGA: Skanuj dwa razy, aby uzyskać dwa skany tła, które utworzą blank. Krok ten wykonuje się raz dziennie przed rozpoczęciem przetwarzania próbek, a obrazy są przechowywane w folderze Zooscan_back .
    6. Zamknij oprogramowanie skanujące po zakończeniu skanowania.
  2. Przygotowanie i skanowanie próbek
    OSTROŻNIE: Etanol jest cieczą łatwopalną i może spowodować poważne uszkodzenie lub podrażnienie oczu.
    1. Wypełnij metadane próbki. Przejdź do oprogramowania do przetwarzania obrazów i wybierz Fill in Sample Metadata. Wprowadź identyfikator próbki, kliknij OK i wypełnij metadane.
      UWAGA: Plik meta jest stworzony specjalnie dla próbek mezozooplanktonu, więc nie odpowiada on metodologii pobierania makrobezkręgowców bentosowych, jednak wszystkie pola pliku muszą zostać wypełnione przed skanowaniem, w przeciwnym razie pojawi się flaga błędu.
    2. Wlej do tacki skanującej 110 mL 70% etanolu, aż szkło zostanie przykryte, i umieść dużą ramkę (24,5 cm x 15,8 cm) narożnikiem w lewym górnym rogu tacki.
      UWAGA: Pracuj z etanolem zamiast wody, ponieważ makrobezkręgowce są konserwowane w etanolu. W wodzie wypływają one i dryfują w tackce, co uniemożliwia uzyskanie ostrego obrazu, a tym samym wiarygodnych pomiarów rozmiaru. Etanol powinien być przechowywany w RT, aby uniknąć kondensacji i powstawania pęcherzyków powietrza.
    3. Wlej próbkę makrobezkręgowców do tacki skanującej ograniczonej ramką i w razie potrzeby przykryj krawędź ramki dodatkowym etanolem.
      UWAGA: Unikaj dodawania zbyt dużej ilości etanolu, aby organizmy nie wypływały i nie dryfowały.
    4. Uhomogenizuj próbkę na całej powierzchni ramki, umieszczając największe osobniki w centrum tacki w celu prawidłowego przetwarzania obrazu, a organizmy pływające zatop za pomocą drewnianej igły.
      UWAGA: Jeśli podpróbka zawiera numerycznie więcej niż 1000 osobników, podziel ją na dwie lub więcej frakcji, aby zminimalizować stykające się organizmy na zeskanowanym obrazie, i skanuj frakcje oddzielnie.
    5. Rozdziel stykające się organizmy oraz organizmy dotykające krawędzi ramki za pomocą drewnianej igły.
      ​UWAGA: Krok ten wymaga 5–20 min. Stykające się organizmy są traktowane przez oprogramowanie jako jeden obiekt; w związku z tym w takich przypadkach obliczone rozmiary osobników nie odpowiadają rzeczywistym pojedynczym organizmom i mogą zaburzyć szacowanie struktury wielkości populacji. Istnieje możliwość edycji obrazu w oprogramowaniu do przetwarzania obrazów w celu ich rozdzielenia, ale ten dodatkowy krok wiąże się z co najmniej 1,5 h ponownego przetwarzania; dlatego zdecydowanie zaleca się ręczne rozdzielenie.
    6. Aby zeskanować próbkę, zamknij pokrywę skanera, przejdź do oprogramowania do przetwarzania obrazów, wybierz roboczy projekt i kliknij SCAN Sample with Zooscan (For Archive, No Process).
    7. Wybierz próbkę i postępuj zgodnie z instrukcjami.
    8. Przejdź do oprogramowania skanującego i kliknij Preview. Koniecznie przejrzyj zeskanowany obraz, sprawdź, czy nie ma linii ani plam i odczekaj co najmniej 30 s przed rozpoczęciem kolejnego skanowania.
    9. Po upływie co najmniej 30 s kliknij przycisk Scan w oprogramowaniu skanującym.
      UWAGA: Naciśnij OK w oprogramowaniu do przetwarzania obrazów po naciśnięciu Scan w oprogramowaniu skanującym. Nie naciskaj żadnego klawisza na klawiaturze komputera i unikaj wibracji tacki podczas skanowania. W folderze Zooscan_scan > _raw zostaną wygenerowane trzy pliki: (i) plik obrazu w formacie tagowanym (.tif) (16 bit); (ii) standardowy dokument tekstowy o nazwie LOG (.txt), który rejestruje informacje o parametrach skanowania; oraz (iii) standardowy dokument tekstowy o nazwie META (.txt) z informacjami o metodach pobierania próbek.
    10. Zweryfikuj, czy surowy skan jest poprawny.
      UWAGA: Jeśli skan posiada jasne pasy lub inne widoczne problemy, rozważ powtórzenie skanowania, aby uniknąć problemów w kolejnych krokach.
  3. Odzyskiwanie próbki
    1. Wyjmij ramkę i wypłucz ją nad tacką skanującą, używając butelki zmywaka wypełnionej 70% etanolem, aby odzyskać wszelkie przyklejone makrobezkręgowce.
    2. Podnieś górną część skanera, aby zebrać wszystkie organizmy i etanol z tacki przez lejek do odzyskiwania skanów do zlewki. Przy wciąż podniesionej górnej części skanera wypłucz tackę butelką zmywaka, aby usunąć wszystkie pozostałe organizmy.
    3. Przepuść okazy i etanol ze zlewki przez sito o oczkach 500 µm, aby zatrzymać bezkręgowce w siatce, a następnie przełóż je z powrotem do fiolki z 70% etanolem.
    4. Po odzyskaniu wszystkich okazów do fiolki wyczyść tackę wodą z kranu.
      UWAGA: Myj tackę wodą z kranu między próbkami, aby zminimalizować wytrącanie się etanolu, co wpływa na przetwarzanie obrazu. Wypłucz ramkę wodą z kranu, aby uniknąć potencjalnych uszkodzeń związanych z użyciem etanolu. Na koniec dnia wyczyść tackę wodą z kranu i delikatnie osusz ją papierem, aby uniknąć zarysowań.
  4. Przetwarzanie obrazów
    1. Przejdź do oprogramowania do przetwarzania obrazów i wybierz CONVERT & PROCESS Images and Organisms in Batch Mode and then Convert AND Process Image AND Particles (Image in RAW Folder). Zachowaj ustawienia domyślne i kliknij OK. Na koniec procesu pojawi się komunikat NORMAL END.
      UWAGA: W folderze Zooscan_scan > _work  zostanie utworzony plik PID oraz winietki odpowiadające wszystkim wykrytym obiektom na zeskanowanym obrazie (w pliku Joint Photographic Group [.jpg]). Plik PID to pojedynczy plik przechowujący wszystkie metadane (metafile), dane techniczne powiązane z plikiem logu oraz tabelę z 36 zmierzonymi zmiennymi wszystkich obiektów wykrytych na obrazie. Zmienne mierzone odpowiadają różnym szacunkom poziomu szarości, wymiaru fraktalnego, kształtu i rozmiaru. Zmiennymi, które można wykorzystać do szacowania rozmiaru, są pole powierzchni oraz główna i poboczna oś elipsy o polu równym polu obiektu (patrz sekcja 3 protokołu). Czas przetwarzania zależy od gęstości obrazu i charakterystyki komputera; można go uruchomić pomiędzy próbkami podczas odzyskiwania i przygotowywania kolejnej próbki. W przeciwnym razie zaleca się uruchomienie przetwarzania próbek zeskanowanych każdego dnia w trybie wsadowym w nocy i sprawdzenie poprawności przetwarzania obrazów następnego ranka.
    2. Sprawdź, czy tło w przetworzonym obrazie zostało odpowiednio odjęte od obrazu próbki, korzystając z oprogramowania do przetwarzania obrazów lub sprawdzając obrazy masek (kończące się na msk1.gif) znajdujące się w Zooscan_scan > _work. Jeśli tło zawiera obszary nasycone lub wiele kropek, rozważ powtórzenie skanowania, aby zapewnić wysoką jakość obrazów.
      UWAGA: Aby uniknąć obszarów nasyconych w tle, tackę skanującą należy płukać wodą z kranu po każdym skanowaniu z etanolem. Ważne jest również, aby (1) zmniejszyć liczbę skanowanych osobników (poprzez frakcjonowanie próbki i skanowanie w kilku turach); (2) upewnić się, że duże organizmy są umieszczone w centrum tacki skanującej; (3) używać czystego, filtrowanego etanolu; (4) zmniejszyć zanieczyszczenie próbek; (5) upewnić się, że objętość etanolu do skanowania jest odpowiednia; oraz (6) upewnić się, że przerwa między podglądem próbki a skanowaniem wynosi co najmniej 30 s.
  5. Rozdzielanie stykających się organizmów
    UWAGA: Gdy występuje kilka winietek ze stykającymi się organizmami, konieczne jest oddzielenie obrazów stykających się organizmów od innych organizmów i/lub od włókien/debris, aby zapewnić prawidłowe oszacowanie struktury wielkości populacji.
    1. Przejdź do oprogramowania do przetwarzania obrazów, aby wykryć winietki z wieloma obiektami. Wybierz SEPARATION Using Vignettes i naciśnij OK. W oknie wyboru konfiguracji zachowaj ustawienia domyślne i kliknij OK.
    2. W oknie SEPARATION from VIGNETTES zachowaj ustawienia domyślne, dodatkowo zaznacz ADD Outlines on Vignettes, a następnie wybierz próbkę do edycji.
    3. Rozdziel stykające się organizmy w każdej pojawiającej się winietce , rysując linię myszką (naciśnij przycisk kółka, aby rysować). Po zakończeniu rozdzielania w winietce kliknij przycisk X w prawym górnym rogu okna i naciśnij YES , aby przetworzyć następną. Naciśnij NO , aby zakończyć i zapisać zmiany. Na koniec procesu pojawi się komunikat NORMAL END , jeśli wszystko jest poprawnie.
    4. Po rozdzieleniu ponownie przetwórz obraz, aby uzyskać zaktualizowane dane obiektów. Przejdź do oprogramowania do przetwarzania obrazów, kliknij PROCESS (Converted) Image (Process One) i wybierz Process Again Particles from Processed Images in WORK Sub-Folders. Wybierz próbkę i w oknie Single Image Process zachowaj ustawienia domyślne, zaznacz Work with Separation Mask (CREATE-MODIFY-INCLUDE), a następnie kliknij OK. Na koniec procesu pojawi się komunikat NORMAL END , jeśli wszystko jest poprawnie.
    5. W oknie Separation Control naciśnij OK , aby zapisać obraz z konturami przed przetwarzaniem; jeśli istnieje poprzedni obraz, zostanie on zastąpiony.
    6. W oknie Separation Control Mask, jeśli jest to konieczne, wybierz EDIT , aby dodać linie rozdzielające do maski za pomocą myszy, rozdzielając stykające się organizmy, które nie pojawiły się wcześniej w kroku rozdzielania za pomocą winietek. Po zakończeniu zakończ proces, a w oknie Separation Mask Control wybierz YES , aby zaakceptować maskę. Na koniec procesu pojawi się komunikat NORMAL END , jeśli wszystko jest poprawnie.
      UWAGA: Ponowne przetwarzanie próbki z maską rozdzielającą jest czasochłonne (może to zająć ponad 1,5 h na próbkę). Zaleca się poświęcenie wymaganego czasu w kroku 1.2.5, aby uniknąć tego dodatkowego etapu.

2. Automatyczne rozpoznawanie obiektów

UWAGA: Utwórz zestaw uczący, aby automatycznie przewidywać tożsamość wykrytych obiektów, oddzielając w ten sposób organizmy od zanieczyszczeń w próbce.

  1. Tworzenie zbioru uczącego
    1. Skopiuj obrazy oraz powiązane z nimi pliki .pid, które zostaną użyte do stworzenia kategorii zbioru uczącego, z folderu Zooscan_scan > _work do folderu PID_process > Unsorted_vignettes_pid.
      UWAGA: Wybierz podzbiór próbek o wysokiej różnorodności taksonomicznej i z różnych stanowisk i/lub sezonów poboru prób, aby zapewnić maksymalną reprezentatywność organizmów w próbkach.
    2. W folderze PID_process > Learning set  utwórz podfolder o nazwie nowego zbioru uczącego (np. rrrrmmdde_raw_LS), a wewnątrz niego utwórz podfoldery odpowiadające każdej kategorii zbioru uczącego (np. makrobezkręgowce, detrytus, inne bezkręgowce).
      UWAGA: Aby efektywnie uzyskać strukturę wielkości populacji próbek makrobezkręgowców rzecznych, zaleca się stosowanie zbioru uczącego opartego na zaledwie trzech kategoriach: makrobezkręgowce, inne bezkręgowce oraz detrytus. Ten zbiór uczący zasadniczo oddziela winietki obiektów odpowiadających organizmom od tych odpowiadających detrytusowi (np. włókna, cząstki lub glony nitkowate).
    3. Przejdź do oprogramowania do przetwarzania obrazów (tylko tryb zaawansowany) i wybierz EXTRACT Vignettes for PLANKTON IDENTIFIER (unsorted vignettes for training). Pozostaw opcje domyślne i zaznacz pole Add Outlines.
    4. Przejdź do oprogramowania do automatycznej identyfikacji, kliknij Learning, wybierz z folderu PID_process > Learning_set utworzony podfolder dla nowego zbioru uczącego (krok 2.1.2) i naciśnij OK.
    5. W lewej sekcji (Unsorted Thumbs) otwartego okna wybierz folder Unsorted vignettes_pid. Zaznacz winietki i przeciągnij je myszą z nieposortowanych miniatur do folderu odpowiadającej im kategorii w prawej sekcji,  Sorted Thumbs, aby zaklasyfikować każdy obiekt do zdefiniowanych kategorii. Przesunięte winietki zostaną oznaczone czerwonym znakiem X.
      UWAGA: Zdefiniuj kategorie ręcznie, tworząc podfoldery w folderze posortowanych miniatur, lub utwórz je, klikając ikonę folderów w oprogramowaniu. Nie przenoś więcej niż 50 winietek jednocześnie.
    6. Po uzupełnieniu wszystkich kategorii wybranymi obiektami (około 300 obiektów na kategorię), kliknij Create Learning File i zapisz go pod żądaną nazwą.
      UWAGA: Zbiór uczący zostanie zapisany jako plik .pid w folderze projektu PID_process > Learning set . Zaleca się stworzenie i przetestowanie kilku zbiorów uczących o różnym stopniu szczegółowości kategorii (od form ogólnych do szczegółowych) i z różnym rozkładem liczby obiektów w każdej kategorii. Zacznij od ogólnego zbioru uczącego z niewielką liczbą kategorii i co najmniej 50 obiektami na kategorię, a następnie zwiększ liczbę obiektów w każdej kategorii i/lub twórz bardziej szczegółowe zbiory uczące. Kategoria powinna być reprezentatywna dla swojej zmienności w zestawie próbek.
  2. Ocena zbioru uczącego
    UWAGA: Przeprowadź walidację krzyżową z dwoma podziałami (folds) i pięcioma powtórzeniami, korzystając z metody Random Forest w oprogramowaniu do automatycznej identyfikacji, aby uzyskać macierz pomyłek wynikającej klasyfikacji obiektów.
    1. Przejdź do oprogramowania do automatycznej klasyfikacji i kliknij Data Analysis.
    2. W polu Select learning file wybierz utworzony plik zbioru uczącego z folderu PID_process > Learning set.
    3. W polu Select a method wybierz metodę Cross-Validation Random Forest. W sekcji Original Variables odznacz zmienne pozycyjne (X, Y, XM, YM, BX, BY oraz Height). W sekcji Customized Variables zaznacz tylko ESD.
      UWAGA: Metoda ta wykorzystuje jedną losową część zbioru uczącego do rozpoznania drugiej części (dwa podziały), a proces ten jest powtarzany pięciokrotnie, aby zapewnić statystyczną rzetelność.
    4. Kliknij Start Analysis i zapisz wyniki jako Analysis_name.txt w folderze PID_process > Prediction . Po pomyślnym zakończeniu analizy wyjdź z trybu analizy danych.
    5. Przejdź do folderu PID_process > Prediction  i kliknij plik walidacji krzyżowej. Pojawi się okno z macierzą pomyłek klasyfikacji rzeczywistej (wiersze) względem klasyfikacji automatycznej (kolumny).
      UWAGA: Czułość (recall) to procent organizmów należących do grupy, które zostały automatycznie poprawnie rozpoznane, natomiast 1-precyzja to procent organizmów zaklasyfikowanych przez algorytm do grupy, do której nie należą (zanieczyszczenie grupy). Czułość powinna wynosić powyżej 70%, a zanieczyszczenie (1-precyzja) powinno być mniejsze niż 20%.
    6. Powtórz kroki 2.1–2.5, jeśli utworzono kilka zbiorów uczących i należy uzyskać czułość oraz 1-precyzję dla każdego z nich.
      UWAGA: Jeśli utworzono kilka zbiorów uczących, wybierz ten o największej czułości (dobre rozpoznawanie) i precyzji (niskie zanieczyszczenie) dla grupy docelowej (tj. makrobezkręgowców), aby w następnym kroku przetestować automatyczną predykcję zestawu próbek.
  3. Predykcja identyfikacji makrobezkręgowców
    UWAGA: Użyj wybranego zbioru uczącego do predykcji tożsamości wszystkich obiektów w podzbiorze próbek, korzystając z oprogramowania do automatycznej identyfikacji z algorytmem Random Forest.
    1. Przejdź do oprogramowania do automatycznej identyfikacji i kliknij Data Analysis.
    2. W polu Select Learning file wybierz plik zbioru uczącego z folderu PID_process > Learning set, który ma zostać użyty do predykcji.
    3. W polu Select Sample File(s) wybierz z folderu PID_results próbki (pliki PID), dla których ma zostać dokonana predykcja.
      UWAGA: Przetwarzaj maksymalnie 20 plików .pid jednocześnie, aby uniknąć błędów związanych z pamięcią. Jeśli jednocześnie przetworzonych zostanie zbyt wiele plików .pid, proces może zasygnalizować poprawne zakończenie, ale dane mogą nie zostać przetworzone prawidłowo, co może prowadzić do błędów w kolejnych krokach podczas pracy z oprogramowaniem do przetwarzania obrazów.
    4. W polu Select a Method wybierz metodę Random Forest. Zaznacz Save Detailed Results for Each Sample. W sekcji Original Variables odznacz zmienne pozycyjne (X, Y, XM, YM, BX, BY oraz Height). W sekcji Customized Variables zaznacz tylko ESD.
    5. Kliknij Start Analysis i zapisz wyniki jako Analysis_name.txt w folderze PID_process > Prediction .
  4. Walidacja ręczna
    UWAGA: Ekspert ręcznie weryfikuje predykcję z poprzedniego kroku, aby ponownie zaklasyfikować błędnie przypisane obiekty do poprawnej kategorii.
    1. Skopiuj pliki Analysis_sample_dat1.txt do walidacji z folderu PID_process > Prediction do folderu PID_process > Pid_results .
    2. Przejdź do oprogramowania do przetwarzania obrazów i wybierz EXTRACT Vignettes in Folders According to PREDICTION or VALIDATION. Następnie wybierz Use PREDICTED Files From "pid_results" Folder. Pozostaw ustawienia domyślne i naciśnij OK.
    3. Oprogramowanie tworzy w folderze PID_process > Sorted vignettes  folder o nazwie sample_yyyymmdd_hhmm_to_validate z przewidzianymi obiektami.
    4. Przejdź do folderu PID_process > Sorted vignettes  i skopiuj folder sample_yyyymmdd_ hhmm_to_validate. Zastąp w nazwie folderu frazę _to validate frazą _validated.
    5. Aby ręcznie zwalidować automatyczną klasyfikację, otwórz folder sample_yyyymmdd_ hhmm_validated,  a następnie przejrzyj wszystkie winietki z każdego podfolderu (kategorii), aby zidentyfikować błędnie zaklasyfikowane obiekty. W przypadku błędnej klasyfikacji przeciągnij winietkę myszą do poprawnego folderu (kategorii).
    6. Przejdź do oprogramowania do przetwarzania obrazów i wybierz LOAD Identifications from Sorted Vignettes. Pozostaw ustawienia domyślne i wybierz do przetworzenia folder yyyymmdd_hhmm_name_validated .
    7. Przejdź do PID_process > Pid_results > Dat1_validated,  gdzie utworzono plik o nazwie Id_from_sorted_vignettes_yyyymmdd_hhmm.txt oraz jeden plik .txt dla każdej z zwalidowanych próbek (sample_tot_1_dat1.txt).
      UWAGA: Pliki .txt te zawierają nową kolumnę prezentującą predykcję, o nazwie pred_valid_Id_yyyymmdd_hhmm, która określa klasyfikację każdego obiektu dokonaną przez eksperta (tj. klasyfikację zwalidowaną). Na tym etapie, podczas walidacji, można utworzyć nowe kategorie (np. bardziej szczegółowe kategorie taksonomiczne). Należy jednak zachować nazwę oryginalnej kategorii w nowej nazwie (np. macroinvertebrate_chironomidae). Pozwala to na odtworzenie oryginalnej kategorii podczas obliczania czułości i precyzji oraz na łatwe zgrupowanie wszystkich makrobezkręgowców w celu obliczenia parametrów struktury wielkości populacji (tj. widma wielkości i różnorodności wielkości). Plik tekstowy dostarcza dane powiązane z każdym obiektem, w tym osie mniejszą i większą, które służą do wyznaczenia objętości elipsoidalnej każdego organizmu jako miary indywidualnej wielkości ciała. Ponadto dwie ostatnie kolumny tabeli zawierają kategorie przewidziane i zwalidowane dla każdego obiektu (wiersza), co pozwala na obliczenie czułości i precyzji zbioru uczącego dla podzbioru próbek w podziale na kategorie.figure-protocol-1

Rycina 1: Schemat pracy przedstawiający sekcję 1 i sekcję 2 protokołu. Podane czasy mają charakter ilustracyjny i mogą ulec zmianie w zależności od komputera, liczby winiet do przetworzenia oraz liczby kategorii w zbiorze uczącym. Przedstawiony przypadek dotyczy walidacji zbioru uczącego obejmującego trzy kategorie na zestawie 42 podpróbek (łącznie 47 473 winiety). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

3. Obliczanie indywidualnego rozkładu wielkości, widm wielkości i wskaźników wielkości

UWAGA: Obliczenia opisane w tej sekcji zostały wykonane przy użyciu programu Matlab (skrypt znajduje się w  Pliku uzupełniającym 1).

  1. Rozkład wielkości osobniczych
    1. Ostatnia kolumna pliku Id_from_sorted_vignettes_YYYYMMDD_HHHH.txt zawiera zwalidowaną klasyfikację obiektów. Wybierz tylko obiekty sklasyfikowane jako makrobezkręgowce, aby przedstawić rozkład ich wielkości osobniczej w próbce.
      UWAGA: Wielkość ciała osobników odpowiada objętości elipsoidalnej organizmów makrobezkręgowców. System podaje pomiary w pikselach.
    2. Połącz wektory z pomiarami wielkości z obu skanów, ponieważ każda frakcja ma inny wykładnik podpróbkowania. Przed połączeniem skoryguj frakcjonowanie poprzez powtórzenie wektorów wielkości tyle razy, ile odpowiednia podpróbka została sfrakcjonowana.
      UWAGA: Ten krok jest konieczny, jeśli skan odpowiada frakcji próbki (np. grubej lub drobnej).
    3. Oblicz objętość elipsoidalną z osi głównej (M) i pomocniczej (m) elipsoid wydłużonych o takich samych polach powierzchni w pikselach jak organizmy. Przed obliczeniem objętości elipsoidalnej przelicz osie główną (M) i pomocniczą (m) z pikseli na milimetry (mm), korzystając z następującego współczynnika konwersji (cf):
      1 pixel = 2,400 dpi
      1 in = 25,4 mm
      cf = 25,4/2400
      Objętość elipsoidalna (ellipVol w jednostkach mm3) odpowiada:
      figure-protocol-2
    4. Przedstaw funkcję gęstości prawdopodobieństwa rozkładu wielkości osobniczych w skali log2.
  2. Różnorodność wielkości
    1. Oblicz różnorodność wielkości (Sd) zgodnie z metodą Quintany i wsp. (2008)8, jak w García-Comas i wsp. (2016)35:
      figure-protocol-3
      gdzie px(x) jest funkcją gęstości prawdopodobieństwa wielkości x, a x reprezentuje log2 (ellipVol). Miara ta jest zatem indeksem różnorodności Shannona przystosowanym do pomiaru ciągłego, takiego jak rozkład wielkości osobniczych w zbiorowości.
  3. Znormalizowane spektrum wielkości biovolume (NBSS)
    1. Zdefiniuj klasy wielkości NBSS, ustalając dolną granicę spektrum jako kwantyl 0,01 rozkładu wielkości makrobezkręgowców w próbkach i tworząc klasy wielkości w skali geometrycznej o podstawie 2, aż do objęcia największego organizmu w próbkach.
      UWAGA: Szerokość klasy wielkości rośnie wraz z rozmiarem, aby uwzględnić większą zmienność związaną z większymi rozmiarami. NBSS analizowanych tutaj zbiorowości makrobezkręgowców posiadało 14 klas wielkości (Tabela 1).
    2. Uzyskaj znormalizowany biovolume poprzez podzielenie całkowitego biovolume w każdej klasie wielkości przez szerokość klasy wielkości.
  4. Nachylenie spektrum wielkości
    1. Oblicz nachylenie liniowe NBSS.
      UWAGA: Nachylenie (µ) jest obliczane na podstawie zależności między log2 (punktem środkowym klasy wielkości) a log2 (znormalizowaną biomasą) w klasach wielkości większych niż moda, pomijając klasy puste (w niniejszym badaniu klasy wielkości od 3 do 14).
Zakresy klas wielkości (mm)3)Wartość środkowa klasy rozmiaru (mm)3)  
0,12360,1855
0,24730,3709
0,49460,7418
0,98911,4837
1,97831,4837
3,95605,9348
7,913111,8696
15,826123,7392
31,652247,4783
63,304494,9567
126,6089189,9133
253,2178379,8267
506,43007597,7000
1012,900015193,0000
2025,7000

Tabela 1: Klasy wielkości znormalizowanego widma wielkości biomasy (NBSS). Tabela przedstawia również 15 granic klas wielkości oraz wartości środkowe klas wielkości organizmów. 

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Pozyskiwanie obrazów cyfrowych próbek makrobezkręgowców
Niuanse skanowania: Osadzanie się etanolu w tacy skanera
Podczas testowania systemu dla makrobezkręgowców kilka skanów było słabej jakości. Ciemny, nasycony obszar w tle uniemożliwił prawidłowe przetwarzanie obrazu i pomiar indywidualnych rozmiarów makrobezkręgowców (Rysunek 2). Podano kilka przyczyn występowania nasyconych obszarów w tle lub obrazów silnie spikselowanych: (1) obecność zbyt ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Adaptacja metodologii opisanej przez Gorsky'ego i wsp. 2010 dla makrobezkręgowców rzecznych pozwala na uzyskanie wysokiej dokładności klasyfikacyjnej w szacowaniu struktury wielkości zbiorowisk u makrobezkręgowców słodkowodnych. Wyniki sugerują, że protokół może skrócić czas szacowania indywidualnej struktury wielkości w próbce do około 1 godziny. W związku z tym proponowany protokół ma na celu promowanie rutynowego stosowania widm wielkości makrobezkręgowców jako szybkiego i integracyjnego bioindykatora do oceny wpływu ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy deklarują brak potencjalnych konkurencyjnych interesów.

Podziękowania

Ta praca była wspierana przez hiszpańskie Ministerstwo Nauki, Innowacji i Uniwersytetów (numer grantu RTI2018-095363-B-I00). Dziękujemy członkom CERM-UVic-UCC: Èlii Bretxie, Annie Costarrosie, Lai Jiménez, Maríi Isabel González, Marcie Jutglar, Francescowi Llachowi i Núrii Sellarès za ich pracę w zakresie pobierania próbek makrobezkręgowców w terenie i sortowania laboratoryjnego oraz Davidowi Albesie za współpracę przy skanowaniu próbek. Na koniec dziękujemy Josepowi Marii Gili i Institut de Ciències del Mar (ICM-CSIC) za udostępnienie wyposażenia laboratoryjnego i skanera.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
ZlewkaLabboxMożna użyć innych pojemników Woda
dzbanizowanaIcopresa  8420239600123Do rozcieńczania etanolu
LejekVitlab41094
Fiolki szklane 8 mlLabboxSVSN-C10-1951 fiolka/podpróbka
Oprogramowanie ImageJ Bezpłatny dostępWersja 4.41o/ Oprogramowanie do przetwarzania obrazu
Duża ramaHydroptyczna  Dostarczone przez ZooScan24,5 cm x 15,8 cm
Monalcol 96 (Etanol 96)Montplet1050JE001
Oprogramowanie do identyfikacji planktonuBezpłatny dostępWersja 1.2.6/ Oprogramowanie do automatycznej identyfikacji
SitoCisa26852.2Otwór nominalny 500&mikro; i apertura nominalna 0,5 cm
PęsetaBondlineB5SANierdzewny, antymagnetyczny, przeciwkwasowe
oprogramowanie VueScan 9 x 64 (9.5.09)Wersja hydroptyku9.0.51/ Oprogramowanie Sacn
Igła drewnianaMożna użyć dowolnej igły plastikowej lub drewnianej
Oprogramowanie Zooprocess Bezpłatny dostępWersja 7.14/Oprogramowanie do przetwarzania obrazu
ZooScan Skaner Hydroptic54Wersja III/ Skaner

Bibliografia

  1. Birk, S., et al. Three hundred ways to assess Europe's surface waters: An almost complete overview of biological methods to implement the Water Framework Directive. Ecological Indicators. 18, 31-41 (2012).
  2. Basset, A., Sangiorgio, F., Pinna, M. Monitoring with benthic macroinvertebrates: advantages and disadvantages of body size descriptors. Aquatic Conservation: Marine and Freshwater Ecosystems. 14, S43-S58 (2004).
  3. Reyjol, Y., et al. Assessing the ecological status in the context of the European Water Framework Directive: Where do we go now. Science of the Total Environment. 497-498, 332-344 (2014).
  4. Brown, J. H., Gillooly, J. F., Allen, A. P., Savage, V. M., West, G. B. Toward a metabolic theory of ecology. Ecology. 85 (7), 1771-1789 (2004).
  5. Woodward, G., et al. Body size in ecological networks. Trends in Ecology & Evolution. 20 (7), 402-409 (2005).
  6. Sprules, W. G., Barth, L. E. Surfing the biomass size spectrum: Some remarks on history, theory, and application. Canadian Journal of Fisheries and Aquatic Sciences. 73 (4), 477-495 (2016).
  7. White, E. P., Ernest, S. K. M., Kerkhoff, A. J., Enquist, B. J. Relationships between body size and abundance in ecology. Trends in Ecology & Evolution. 22 (6), 323-330 (2007).
  8. Quintana, X. D., et al. A nonparametric method for the measurement of size diversity with emphasis on data standardization. Limnology and Oceanography - Methods. 6 (1), 75-86 (2008).
  9. Blanchard, J. L., Heneghan, R. F., Everett, J. D., Trebilco, R., Richardson, A. J. From bacteria to whales: Using functional size spectra to model marine ecosystems. Trends in Ecology & Evolution. 32 (3), 174-186 (2017).
  10. Petchey, O. L., Belgrano, A. Body-size distributions and size-spectra: Universal indicators of ecological status. Biology Letters. 6 (4), 434-437 (2010).
  11. Emmrich, M., et al. Geographical patterns in the body-size structure of European lake fish assemblages along abiotic and biotic gradients. Journal of Biogeography. 41 (12), 2221-2233 (2014).
  12. Arranz, I., Brucet, S., Bartrons, M., García-Comas, C., Benejam, L. Fish size spectra are affected by nutrient concentration and relative abundance of non-native species across streams on the NE Iberian Peninsula. Science of the Total Environment. 795, 148792(2021).
  13. Vila-Martínez, N., Caiola, N., Ibáñez, C., Benejam, L. l, Brucet, S. Normalized abundance spectra of the fish community reflect hydropeaking on a Mediterranean large river. Ecological Indicators. 97, 280-289 (2019).
  14. Benejam, L. l, Tobes, I., Brucet, S., Miranda, R. Size spectra and other size-related variables of river fish communities: systematic changes along the altitudinal gradient on pristine Andean streams. Ecological Indicators. 90, 366-378 (2018).
  15. Sutton, I. A., Jones, N. E. Measures of fish community size structure as indicators for stream monitoring programs. Canadian Journal of Fisheries and Aquatic Sciences. 77 (5), 824-835 (2019).
  16. Murry, B. A., Farrell, J. M. Resistance of the size structure of the fish community to ecological perturbations in a large river ecosystem. Freshwater Biology. 59, 155-167 (2014).
  17. Townsend, C. R., Thompson, R. M. Body size in streams: Macroinvertebrate community size composition along natural and human-induced environmental gradients. In Body Size: The Structure and Function of Aquatic Ecosystems. Hildrew, A. G., Raffaelli, D. G., Edmonds-Brown, R. , Cambridge University Press. Cambridge, UK. (2007).
  18. Gjoni, V., et al. Patterns of functional diversity of macroinvertebrates across three aquatic ecosystem types, NE Mediterranean. Mediterranean Marine Science. 20 (4), 703-717 (2019).
  19. Pomeranz, J. P. F., Warburton, H. J., Harding, J. S. Anthropogenic mining alters macroinvertebrate size spectra in streams. Freshwater Biology. 64 (1), 81-92 (2019).
  20. García-Girón, J., et al. Anthropogenic land-use impacts on the size structure of macroinvertebrate assemblages are jointly modulated by local conditions and spatial processes. Environmental Research. 204, 112055(2022).
  21. Demi, L. M., Benstead, J. P., Rosemond, A. D., Maerz, J. C. Experimental N and P additions alter stream macroinvertebrate community composition via taxon-level responses to shifts in detrital resource stoichiometry. Functional Ecology. 33 (5), 855-867 (2019).
  22. Basset, A., et al. A benthic macroinvertebrate size spectra index for implementing the Water Framework Directive in coastal lagoons in Mediterranean and Black Sea ecoregions. Ecological Indicators. 12 (1), 72-83 (2012).
  23. Ärje, J., et al. Automatic image-based identification and biomass estimation of invertebrates. Methods in Ecology and Evolution. 11 (8), 922-931 (2020).
  24. Raitoharju, J., et al. Benchmark database for fine-grained image classification of benthic macroinvertebrates. Image and Vision Computing. 78, 73-83 (2018).
  25. Lytle, D. A., et al. Automated processing and identification of benthic invertebrate samples. Journal of the North American Benthological Society. 29 (3), 867-874 (2010).
  26. Serna, J. P., Fernández, D. S., Vélez, F. J., Aguirre, N. J. An image processing method for recognition of four aquatic macroinvertebrates genera in freshwater environments in the Andean region of Colombia. Environmental Monitoring and Assessment. 192, 617(2020).
  27. Gorsky, G., et al. Digital zooplankton image analysis using the ZooScan integrated system. Journal of Plankton Research. 32 (3), 285-303 (2010).
  28. Marcolin, C. R., Schultes, S., Jackson, G. A., Lopes, R. M. Plankton and seston size spectra estimated by the LOPC and ZooScan in the Abrolhos Bank ecosystem (SE Atlantic). Continental Shelf Research. 70, 74-87 (2013).
  29. Silva, N., Marcolin, C. R., Schwamborn, R. Using image analysis to assess the contributions of plankton and particles to tropical coastal ecosystems. Estuarine, Coast and Shelf Science. 219, 252-261 (2019).
  30. Vandromme, P., et al. Assessing biases in computing size spectra of automatically classified zooplankton from imaging systems: A case study with the ZooScan integrated system. Methods in Oceanography. 1-2, 3-21 (2012).
  31. Naito, A., et al. Surface zooplankton size and taxonomic composition in Bowdoin Fjord, north-western Greenland: A comparison of ZooScan, OPC and microscopic analyses. Polar Science. 19, 120-129 (2019).
  32. García-Comas, C., Picheral, E. Zooprocess/Plankton Identifier protocol for computer assisted zooplankton sorting. , Available from: https://manualzz.com/doc/43116355/zooprocess—plankton-identifier-protocol-for (2013).
  33. Picheral, E. ZooSCAN: Manual to scan and process samples. Quantitative Imaging Platform of Villefranche sur Mer (PlQv). , Available from: http://www.hydroptic.com/assets/uploads/files/documentations/ae4e0-zooscan_user_manual.pdf (2020).
  34. Protocolo de muestreo y laboratorio de fauna bentónica de invertebrados en ríos vadeables. CÓDIGO: ML-Rv-I-2013. Ministerio de Agricultura, Alimentación y Medio Ambiente. , Available from: https://www.miteco.gob.es/es/agua/temas/estado-y-calidad-de-las-aguas/ML-Rv-I-2013_Muestreo%20y%20laboratorio_Fauna%20bent%C3%B3nica%20de%20de%20invertebrado_%20R%C3%Ados%20vadeables_24_05_2013_tcm30-175284.pdf (2013).
  35. García-Comas, C., et al. Prey size diversity hinders biomass trophic transfer and predator size diversity promotes it in planktonic communities. Proceedings of the Royal Society Biological Sciences. 283 (1824), 20152129(2016).
  36. García-Comas, C., et al. Mesozooplankton size structure in response to environmental conditions in the East China Sea: How much does size spectra theory fit empirical data of a dynamic coastal area. Progress in Oceanography. 121, 141-157 (2014).
  37. Marquina, D., Buczek, M., Ronquist, F., Lukasik, P. The effect of ethanol concentration on the morphological and molecular preservation of insects for biodiversity studies. PeerJ. 9, 10799(2021).
  38. Bell, J. L., Hopcroft, R. R. Assessment of ZooImage as a tool for the classification of zooplankton. Journal of Plankton Research. 30 (12), 1351-1367 (2008).
  39. Colas, F., et al. The ZooCAM, a new in-flow imaging system for fast onboard counting, sizing and classification of fish eggs and metazooplankton. Progress in Oceanography. 166, 54-65 (2018).
  40. Bachiller, E., Fernandes, J. A., Irigoien, X. Improving semiautomated zooplankton classification using an internal control and different imaging devices. Limnology and Oceanography Methods. 10 (1), 1-9 (2012).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Struktura wielkości makrobezkręgowcówmakrobezkręgowce rzeczneautomatyczny pomiar wielkości ciaławidmo wielkości zbiorowościbioocena wód słodkichsystem skanowaniaklasyfikacja oparta na sztucznej inteligencjimetoda Random Forestwalidacja manualna
Automatyczne przetwarzanie obrazu w celu określenia struktury wielkości zbiorowiska makrobezkręgowców rzecznych
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.