Summary
Der Artikel basiert auf der Erstellung eines angepassten Protokolls zum Scannen, Erkennen, Sortieren und Identifizieren digitalisierter Objekte, die benthischen Flussmakroinvertebraten entsprechen, unter Verwendung eines halbautomatischen Bildgebungsverfahrens. Dieses Verfahren ermöglicht die Erfassung der individuellen Größenverteilungen und Größenmetriken einer Makroinvertebratengemeinschaft in ca. 1 h.
Abstract
Die Körpergröße ist ein wichtiges funktionelles Merkmal, das als Bioindikator verwendet werden kann, um die Auswirkungen von Störungen in natürlichen Lebensgemeinschaften zu bewerten. Die Struktur der Gemeinschaftsgröße reagiert auf biotische und abiotische Gradienten, einschließlich anthropogener Störungen zwischen Taxa und Ökosystemen. Die manuelle Messung von kleinwüchsigen Organismen wie benthischen Makroinvertebraten (z.B. >500 μm bis wenige Zentimeter lang) ist jedoch zeitaufwendig. Um die Schätzung der Populationsgröße zu beschleunigen, haben wir hier ein Protokoll entwickelt, um die individuelle Körpergröße von konservierten Flussmakroinvertebraten halbautomatisch zu messen, die einer der am häufigsten verwendeten Bioindikatoren zur Beurteilung des ökologischen Zustands von Süßwasserökosystemen sind. Dieses Protokoll basiert auf einer bestehenden Methodik, die entwickelt wurde, um marines Mesozooplankton mit einem Scansystem für Wasserproben zu scannen. Das Protokoll besteht aus drei Hauptschritten: (1) Scannen von Teilproben (feine und grobe Probengrößenfraktionen) von Flussmakroinvertebraten und Verarbeitung der digitalisierten Bilder, um jedes detektierte Objekt in jedem Bild zu individualisieren; (2) Erstellen, Auswerten und Validieren eines Lernsets durch künstliche Intelligenz, um die einzelnen Bilder von Makroinvertebraten halbautomatisch von Detritus und Artefakten in den gescannten Proben zu trennen; und (3) die Darstellung der Größenstruktur der Makroinvertebratengemeinschaften. Neben dem Protokoll enthält diese Arbeit die Kalibrierungsergebnisse und listet mehrere Herausforderungen und Empfehlungen auf, um das Verfahren an Makroinvertebratenproben anzupassen und für weitere Verbesserungen in Betracht zu ziehen. Insgesamt unterstützen die Ergebnisse den Einsatz des vorgestellten Scanning-Systems für die automatische Körpergrößenmessung von Flussmakroinvertebraten und legen nahe, dass die Darstellung ihres Größenspektrums ein wertvolles Werkzeug für die schnelle Biobewertung von Süßwasserökosystemen ist.
Introduction
Benthische Makroinvertebraten werden häufig als Bioindikatoren verwendet, um den ökologischen Zustand von Gewässern zu bestimmen1. Die meisten Indizes zur Beschreibung von Makroinvertebratengemeinschaften konzentrieren sich auf taxonomische Metriken. Neue biologische Bewertungsinstrumente, die die Körpergröße integrieren, werden jedoch gefördert, um eine alternative oder ergänzende Perspektive zu taxonomischen Ansätzen zu bieten 2,3.
Die Körpergröße gilt als Metamerkmal, das mit anderen lebenswichtigen Merkmalen wie Stoffwechsel, Wachstum, Atmung und Bewegung zusammenhängt4. Darüber hinaus kann die Körpergröße die trophische Position und die Wechselwirkungen bestimmen5. Die Beziehung zwischen der individuellen Körpergröße und der normalisierten Biomasse (oder Häufigkeit) nach Größenklasse in einer Gemeinschaft ist definiert als das Größenspektrum6 und folgt dem allgemeinen Muster einer linearen Abnahme der normalisierten Biomasse mit zunehmender individueller Größe auf einer logarithmischen Skala7. Die Steigung dieser linearen Beziehung wurde ausführlich theoretisch untersucht, und empirische Studien über Ökosysteme hinweg haben sie als ökologischen Indikator für die Größe der Gemeinschaftverwendet 4. Ein weiterer synthetischer Indikator für die Struktur der Gemeinschaftsgröße, der erfolgreich in Studien zur Biodiversität und zum Funktionieren von Ökosystemen verwendet wurde, ist die Diversität der Gemeinschaftsgröße, die als Shannon-Index der Größenklassen des Größenspektrums oder seines Analogons dargestellt wird, der auf der Grundlage der individuellen Größenverteilungen berechnet wird8.
In Süßwasserökosystemen wird die Größenstruktur verschiedener Faunengruppen als ataktischer Indikator verwendet, um die Reaktion biotischer Lebensgemeinschaften auf Umweltgradienten 9,10,11 und auf anthropogene Störungen 12,13,14,15,16 zu bewerten. Makroinvertebraten sind keine Ausnahme, und ihre Größenstruktur reagiert auch auf Umweltveränderungen17,18 und anthropogene Störungen wie Bergbau 19, Landnutzung 20 oder Stickstoff (N) und Phosphor (P) Anreicherung20,21,22. Die Messung von Hunderten von Individuen zur Beschreibung der Gemeindegrößenstruktur ist jedoch eine mühsame und zeitraubende Aufgabe, die als Routinemessung in Laboratorien aus Zeitmangel oft vermieden wird. So wurden mehrere halbautomatische oder automatische Bildgebungsverfahren zur Klassifizierung und Vermessung von Proben entwickelt23,24,25,26. Die meisten dieser Methoden konzentrieren sich jedoch mehr auf die taxonomische Klassifizierung als auf die individuelle Größe der Organismen und sind nicht für alle Arten von Makroinvertebraten einsatzbereit. In der marinen Planktonökologie wurde ein Scanning-Bildanalysesystem ausgiebig eingesetzt, um die Größe und taxonomische Zusammensetzung von Zooplanktongemeinschaften zu bestimmen 27,28,29,30,31. Dieses Instrument ist in mehreren Meeresinstituten weltweit zu finden und wird verwendet, um konservierte Zooplanktonproben zu scannen, um hochauflösende digitale Bilder der gesamten Probe zu erhalten. Das vorliegende Protokoll passt die Verwendung dieses Instruments an, um das Größenspektrum der Makroinvertebratengemeinschaften in Flüssen schnell und automatisch abzuschätzen, ohne in die Entwicklung eines neuen Geräts zu investieren.
Das Protokoll besteht darin, eine Probe zu scannen und das gesamte Bild zu verarbeiten, um automatisch einzelne Bilder (d.h. Vignetten) der Objekte in der Probe zu erhalten. Mehrere Messungen von Form, Größe und Graustufenmerkmalen charakterisieren jedes Objekt und ermöglichen die automatische Klassifizierung der Objekte in Kategorien, die dann von einem Experten validiert werden. Die individuelle Größe jedes Organismus wird anhand des ellipsoiden Biovolumens (mm3) berechnet, das sich aus der in Pixeln gemessenen Fläche des Organismus ableitet. Dies ermöglicht es, das Größenspektrum der Probe schnell zu erhalten. Nach unserem besten Wissen wurde dieses Scanning-Imaging-System nur zur Verarbeitung von Mesozooplanktonproben verwendet, aber das Gerät könnte möglicherweise die Arbeit mit benthischen Süßwasser-Makroinvertebraten ermöglichen.
Das übergeordnete Ziel dieser Studie ist es daher, eine Methode einzuführen, mit der die individuelle Größe von konservierten Flussmakroinvertebraten schnell ermittelt werden kann, indem ein bestehendes Protokoll angepasst wird, das zuvor mit marinem Mesozooplankton 27,32,33 verwendet wurde. Das Verfahren besteht aus einem halbautomatischen Ansatz, der mit einem Scangerät zum Scannen von Wasserproben und drei offenen Programmen zur Verarbeitung der gescannten Bilder arbeitet. Ein angepasstes Protokoll zum Scannen, Erkennen und Identifizieren digitalisierter Flussmakroinvertebraten zur automatischen Erfassung der Gemeinschaftsgrößenstruktur und der damit verbundenen Größenmetriken wird hierin vorgestellt. Die Bewertung des Verfahrens und die Leitlinien zur Steigerung der Effizienz werden auch auf der Grundlage von 42 gescannten Bildern von Proben von Makroinvertebraten aus Flüssen vorgestellt, die aus drei Becken auf der nordöstlichen (nordöstlichen) Iberischen Halbinsel (Ter, Segre-Ebre und Besòs) entnommen wurden.
Die Proben wurden in 100 m langen Flussabschnitten nach dem Protokoll der spanischen Regierung für Feldproben und Laboranalysen von benthischen Flussmakroinvertebraten in durchfahrbaren Flüssen gesammelt34. Die Proben wurden mit einem Surber-Probenehmer (Rahmen: 0,3 m x 0,3 m, Maschenweite: 250 μm) nach einer Multi-Habitat-Befragung gesammelt. Im Labor wurden die Proben gereinigt und durch ein 5 mm und ein 500 μm Maschen gesiebt, um zwei Teilproben zu erhalten: eine grobe Teilprobe (5 mm Maschen) und eine feine Teilprobe (500 μm Maschen), die in separaten Fläschchen gelagert und in 70% Ethanol konserviert wurden. Die Aufteilung der Probe in zwei Größenfraktionen ermöglicht eine bessere Schätzung der Struktur der Gemeinschaftsgröße, da große Organismen seltener und seltener sind als die kleinen Organismen. Andernfalls weist die gescannte Probe eine verzerrte Darstellung der großen Größenfraktion auf.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
ANMERKUNG: Das hier beschriebene Protokoll basiert auf dem von Gorsky et al.27 entwickelten System für marines Mesozooplankton. Eine genaue Beschreibung der Schritte Scanner (ZooSCAN), Scan-Software (VueScan 9x64 [9.5.09]), Bildverarbeitungssoftware (Zooprocess, ImageJ) und automatische Identifikationssoftware (Plankton Identifier) finden Sie in den vorherigen Referenzen32,33. Um die Größe der benthischen Makroinvertebraten in Bezug auf das Mesozooplankton bestmöglich anzupassen, ändern Sie den Parameter der minimalen Größe (minsizeesd_mm) auf 0,3 mm und den Parameter der maximalen Größe (maxsizeesd_mm) auf 100 mm in der Konfigurationsdatei, sobald das Projekt nach dem ursprünglichen Protokoll32,33 erstellt wurde. Um das Protokoll besser befolgen zu können, ist dies in einem Arbeitsdiagramm zusammengefasst (Abbildung 1). Das erstellte Projekt wird im Ordner C des Computers gespeichert und ist in den folgenden Ordnern organisiert: PID_process, Zooscan_back, Zooscan_check, Zooscan_config, Zooscan_meta, Zooscan_results und Zooscan_scan. Jeder Ordner besteht aus mehreren Unterordnern, die von den verschiedenen Softwareanwendungen in den folgenden Schritten des Protokolls verwendet werden.
1. Erfassung von digitalen Bildern für Makroinvertebratenproben
- Scannen und Bearbeiten des Rohlings
HINWEIS: Erstellen Sie vor dem Scannen täglich zwei leere Bilder, um die Hintergrundscans zu extrahieren, während die gescannten Bilder am selben Tag verarbeitet werden.- Schalten Sie den Scanner ein und schalten Sie das Licht in der Doppelposition ein, um weißes Licht von oben und von unten zu projizieren.
HINWEIS: Beim Scannen von Mesozooplanktonproben wird die aufwärts gerichtete Lichtrichtung verwendet, aber da Makroinvertebraten undurchsichtiger sind, wird empfohlen, das Licht in eine duale Position zu schalten. - Reinigen und spülen Sie die Scanschale mit Leitungswasser ab.
- Gießen Sie 110 ml Leitungswasser, das bei Raumtemperatur (RT) gelagert wurde, in die Scanschale, bis das Glas abgedeckt ist. Legen Sie den großen Rahmen (24,5 cm x 15,8 cm) in der richtigen Position auf das Scanfach (mit der Ecke oben links im Scanfach) und füllen Sie ihn mit Leitungswasser, bis die Stufe des Rahmens abgedeckt ist, um einen Meniskuseffekt zu vermeiden, der das gescannte Bild verändern würde. Schließen Sie den Deckel des Scanners.
HINWEIS: Verwenden Sie Wasser bei RT, um Kondensation und Blasenbildung zu vermeiden. Reinigen Sie den Rahmen ohne Flecken oder Tröpfchen, um Lichtreflexionen zu vermeiden. - Gehen Sie zur Bildbearbeitungssoftware, wählen Sie das Arbeitsprojekt aus und klicken Sie auf Hintergrundbild scannen (konvertieren).
- Gehen Sie zur Scan-Software und klicken Sie auf Vorschau. Stellen Sie sicher, dass Sie eine Vorschau des gescannten Bildes anzeigen, überprüfen Sie, ob keine Linien oder Flecken vorhanden sind, und warten Sie mindestens 30 Sekunden, bevor Sie einen weiteren Scan starten. Klicken Sie vor dem zweiten Scan auf Scannen und drücken Sie OK im Anweisungsfenster, um die Daten von der Scansoftware an die Bildverarbeitungssoftware zu senden.
HINWEIS: Scannen Sie zweimal, um die beiden Hintergrundscans zu erhalten, aus denen der Rohling besteht. Dieser Schritt wird einmal täglich vor Beginn der Probenverarbeitung durchgeführt, und die Bilder werden im Ordner Zooscan_back gespeichert. - Schließen Sie die Scan-Software, nachdem Sie den Scan abgeschlossen haben.
- Schalten Sie den Scanner ein und schalten Sie das Licht in der Doppelposition ein, um weißes Licht von oben und von unten zu projizieren.
- Probenvorbereitung und Scannen
VORSICHT: Ethanol ist eine brennbare Flüssigkeit und kann schwere Augenschäden/-reizungen verursachen.- Geben Sie die Beispielmetadaten ein. Rufen Sie die Bildverarbeitungssoftware auf und wählen Sie Beispielmetadaten ausfüllen aus. Geben Sie die Beispielidentität ein, klicken Sie auf OK und geben Sie die Metadaten ein.
HINWEIS: Die Metadatei wurde speziell für Mesozooplanktonproben erstellt, daher passt sie nicht zur benthischen Makroinvertebraten-Probenahmemethode, aber alle Felder der Datei müssen vor dem Scan ausgefüllt werden, sonst wird ein Fehlerflag angezeigt. - Gießen Sie 110 ml 70%iges Ethanol in das Scanfach, bis das Glas bedeckt ist, und platzieren Sie den großen Rahmen (24,5 cm x 15,8 cm) mit der Ecke oben links im oberen Teil des Scanfachs.
HINWEIS: Arbeiten Sie mit Ethanol anstelle von Wasser, da die Makroinvertebraten in Ethanol konserviert werden. Im Wasser schwimmen und treiben sie in der Scanschale und verhindern so ein scharfes Bild und damit zuverlässige Größenmessungen. Ethanol sollte bei RT konserviert werden, um Kondensation und Blasenbildung zu vermeiden. - Gießen Sie die Makroinvertebratenprobe in die Scanschale, die vom Rahmen umrandet wird, und bedecken Sie die Rahmenstufe bei Bedarf mit mehr Ethanol.
HINWEIS: Verzichten Sie auf die Zugabe von zu viel Ethanol, um zu verhindern, dass die Organismen schwimmen und treiben. - Homogenisieren Sie die Probe im gesamten Rahmenbereich, platzieren Sie die größten Individuen in der Mitte des Tabletts für eine ordnungsgemäße Bildverarbeitung, und versenken Sie die schwimmenden Organismen mit einer Holznadel.
HINWEIS: Wenn eine Teilprobe numerisch mehr als 1.000 Individuen enthält, teilen Sie die Teilprobe in zwei oder mehr Fraktionen, um das Berühren von Organismen im gescannten Bild zu minimieren, und scannen Sie die Fraktionen separat. - Trennen Sie die sich berührenden Organismen und die Organismen, die die Rahmenkanten berühren, mit der Holznadel.
HINWEIS: Dieser Schritt dauert 5-20 min. Sich berührende Organismen werden von der Software als ein einzelnes Objekt betrachtet. In diesen Fällen entsprechen die berechneten Einzelgrößen nicht den tatsächlichen Einzelorganismen und können die Schätzung der Größenstruktur der Gemeinschaft verzerren. Es besteht die Möglichkeit, das Bild mit der Bildbearbeitungssoftware zu bearbeiten, um sie zu trennen, aber dieser zusätzliche Schritt beinhaltet mindestens 1,5 Stunden Nachbearbeitung; Daher ist eine manuelle Trennung sehr zu empfehlen. - Um die Probe zu scannen, schließen Sie den Scannerdeckel, gehen Sie zur Bildverarbeitungssoftware, wählen Sie das Arbeitsprojekt aus und klicken Sie auf Probe mit Zooscan scannen (Für Archiv, kein Prozess).
- Wählen Sie das Beispiel aus und folgen Sie den Anweisungen.
- Gehen Sie zur Scan-Software und klicken Sie auf Vorschau. Stellen Sie sicher, dass Sie eine Vorschau des gescannten Bildes anzeigen, überprüfen Sie, ob keine Linien oder Flecken vorhanden sind, und warten Sie mindestens 30 Sekunden, bevor Sie einen weiteren Scan starten.
- Klicken Sie nach mindestens 30 Sekunden in der Scan-Software auf die Schaltfläche Scannen .
HINWEIS: Klicken Sie in der Bildverarbeitungssoftware auf OK , nachdem Sie in der Scansoftware auf Scannen geklickt haben. Drücken Sie keine Taste auf der Computertastatur und vermeiden Sie Vibrationen des Scans während des Scanvorgangs. Im Ordner "Zooscan_scan > _raw " werden drei Dateien generiert: (i) ein getaggtes Bilddateiformat (.tif) (16 Bit); ii) ein Standardtextdokument mit der Bezeichnung LOG (.txt), in dem Informationen zu den Scanparametern aufgezeichnet werden; iii) ein Standardtextdokument mit der Bezeichnung META (.txt) mit Informationen über die Probenahmeverfahren. - Überprüfen Sie, ob der Rohscan korrekt ist.
HINWEIS: Wenn der Scan helle Streifen oder andere sichtbare Probleme aufweist, sollten Sie den Scan wiederholen, um Probleme in den folgenden Schritten zu vermeiden.
- Geben Sie die Beispielmetadaten ein. Rufen Sie die Bildverarbeitungssoftware auf und wählen Sie Beispielmetadaten ausfüllen aus. Geben Sie die Beispielidentität ein, klicken Sie auf OK und geben Sie die Metadaten ein.
- Probenrückgewinnung
- Entfernen Sie den Rahmen und spülen Sie ihn über dem Scanfach mit einer Quetschflasche ab, die mit 70% Ethanol gefüllt ist, um alle anhaftenden Makroinvertebraten zu gewinnen.
- Heben Sie den oberen Teil des Scanners an, um alle Organismen und das Ethanol aus dem Fach durch den Scan-Entnahmetrichter in ein Becherglas zu entnehmen. Spülen Sie das Fach mit der Quetschflasche ab, während der obere Teil des Scanners noch angehoben ist, um alle verbleibenden Organismen zu entfernen.
- Führen Sie die Proben und das Ethanol aus dem Becherglas durch ein 500-μm-Netz, um die wirbellosen Tiere im Netz zu halten, und lagern Sie sie wieder in einer Durchstechflasche mit 70% Ethanol.
- Sobald alle Proben in der Durchstechflasche entnommen sind, reinigen Sie die Schale mit Leitungswasser.
HINWEIS: Waschen Sie das Tablett zwischen den Proben mit Leitungswasser, um den Ethanolausfluss zu minimieren, der die Bildverarbeitung verändert. Spülen Sie den Rahmen mit Leitungswasser ab, um mögliche Schäden durch die Verwendung von Ethanol zu vermeiden. Reinigen Sie das Tablett am Ende des Tages mit Leitungswasser und trocknen Sie es vorsichtig mit Papier, um Kratzer zu vermeiden.
- Bildverarbeitung
- Gehen Sie zur Bildverarbeitungssoftware und wählen Sie KONVERTIEREN und VERARBEITEN von Bildern und Organismen im Stapelmodus und dann Konvertieren UND verarbeiten Sie Bild UND Partikel (Bild im RAW-Ordner). Behalten Sie die Standardeinstellungen bei und klicken Sie auf OK. NORMAL END wird am Ende des Prozesses angezeigt.
HINWEIS: Im Ordner "Zooscan_scan > _work" werden eine PID-Datei und die Vignetten für alle erkannten Objekte im gescannten Bild (in einer gemeinsamen Fotogruppendatei [.jpg]) erstellt. Eine PID-Datei ist eine einzelne Datei, in der alle Metadaten (Metafile), die mit der Protokolldatei verknüpften technischen Daten und eine Tabelle mit 36 Messvariablen aller im Bild erkannten Objekte gespeichert sind. Die gemessenen Variablen entsprechen unterschiedlichen Schätzungen von Graustufe, fraktaler Dimension, Form und Größe. Die Variablen, die für die Größenschätzung verwendet werden können, sind die Fläche und die Haupt- und Nebenachse einer Ellipse mit gleicher Fläche zum Objekt (siehe Abschnitt 3 des Protokolls). Die Verarbeitungszeit hängt von der Bilddichte und den Computereigenschaften ab und kann zwischen den Proben gestartet werden, während die nächste Probe gewonnen und vorbereitet wird. Andernfalls empfiehlt es sich, die Verarbeitung der täglich gescannten Proben im Batch-Modus während der Nacht zu starten und am nächsten Morgen die ordnungsgemäße Bildverarbeitung zu überprüfen. - Überprüfen Sie, ob der Hintergrund im verarbeiteten Bild mit der Bildverarbeitungssoftware oder durch Überprüfen der Maskenbilder (terminiert in msk1.gif) in Zooscan_scan > _work ordnungsgemäß vom Beispielbild subtrahiert wird. Wenn der Hintergrund gesättigte Bereiche oder viele Punkte enthält, sollten Sie den Scan wiederholen, um qualitativ hochwertige Bilder zu gewährleisten.
HINWEIS: Um gesättigte Bereiche im Hintergrund zu vermeiden, sollte das Scanfach nach jedem Scan mit Ethanol mit Leitungswasser gespült werden. Es ist auch wichtig, (1) die Anzahl der gescannten Personen zu reduzieren (durch Fraktionierung der Probe und Scannen in verschiedenen Falten); (2) Stellen Sie sicher, dass große Organismen in der Mitte des Scanfachs platziert werden. (3) sauberes, gefiltertes Ethanol verwenden; (4) Verringerung der Verschmutzung der Proben; (5) sicherstellen, dass das Ethanolvolumen für das Scannen ausreichend ist; und (6) sicherstellen, dass die Verzögerung zwischen der Vorschau der Probe und dem Scan mindestens 30 s beträgt.
- Gehen Sie zur Bildverarbeitungssoftware und wählen Sie KONVERTIEREN und VERARBEITEN von Bildern und Organismen im Stapelmodus und dann Konvertieren UND verarbeiten Sie Bild UND Partikel (Bild im RAW-Ordner). Behalten Sie die Standardeinstellungen bei und klicken Sie auf OK. NORMAL END wird am Ende des Prozesses angezeigt.
- Trennung von sich berührenden Organismen
ANMERKUNG: Wenn es mehrere Vignetten mit sich berührenden Organismen gibt, ist es notwendig, die Bilder der sich berührenden Organismen von anderen Organismen und/oder von Fasern/Trümmern zu trennen, um eine korrekte Schätzung der Struktur der Gemeinschaftsgröße zu gewährleisten.- Gehen Sie zur Bildverarbeitungssoftware, um die Vignetten mit mehreren Objekten zu erkennen. Wählen Sie SEPARATION Using Vignettes und drücken Sie auf OK. Behalten Sie im Konfigurationsauswahlfenster die Standardeinstellungen bei und klicken Sie auf OK.
- Behalten Sie im Fenster TRENNUNG VON VIGNETTEN die Standardeinstellungen bei, wählen Sie zusätzlich die Option KONTUREN zu Vignetten hinzufügen aus, und wählen Sie dann das zu bearbeitende Beispiel aus.
- Trennen Sie die sich berührenden Organismen in jeder Vignette, die auftaucht, indem Sie mit der Maus eine Linie ziehen (drücken Sie die Roll-Taste, um zu zeichnen). Sobald die Trennung in einer Vignette abgeschlossen ist, klicken Sie auf die Schaltfläche X in der oberen rechten Ecke des Fensters und drücken Sie JA , um die nächste zu bearbeiten. Drücken Sie NEIN , um die Änderungen zu beenden und zu speichern. Am Ende des Vorgangs erscheint NORMAL END , wenn alles korrekt ist.
- Verarbeiten Sie das Bild nach der Trennung erneut, um die aktualisierten Objektdaten zu erhalten. Gehen Sie zur Bildverarbeitungssoftware, klicken Sie auf VERARBEITEN (konvertiertes) Bild (Prozess Eins) und wählen Sie Partikel aus verarbeiteten Bildern in WORK-Unterordnern erneut verarbeiten. Wählen Sie das Beispiel aus, behalten Sie im Fenster " Einzelbildprozess" die Standardeinstellungen bei, aktivieren Sie " Mit Trennmaske arbeiten (CREATE-MODIFY-INCLUDE)" und klicken Sie dann auf "OK". Am Ende des Vorgangs erscheint NORMAL END , wenn alles korrekt ist.
- Klicken Sie im Fenster " Separation Control" auf OK , um das Bild mit den Konturen vor der Verarbeitung zu speichern. Wenn ein vorheriges Bild vorhanden ist, wird es ersetzt.
- Wählen Sie bei Bedarf im Fenster " Trennkontrollmaske " die Option BEARBEITEN , um der Maske Trennlinien hinzuzufügen, indem Sie mit der Maus berührende Organismen trennen, die zuvor nicht im Schritt "Trennung mit Vignetten" aufgetreten sind. Wenn Sie fertig sind, beenden Sie den Vorgang, und wählen Sie im Fenster " Steuerung der Trennmaske " die Option "JA ", um die Maske zu akzeptieren. Am Ende des Vorgangs erscheint NORMAL END , wenn alles korrekt ist.
HINWEIS: Die Wiederaufbereitung einer Probe mit einer Trennmaske ist zeitaufwändig (dies kann mehr als 1,5 Stunden pro Probe dauern). Es ist vorzuziehen, in Schritt 1.2.5 die erforderliche Zeit einzuplanen, um diesen zusätzlichen Schritt zu vermeiden.
2. Automatische Erkennung der Objekte
HINWEIS: Erstellen Sie einen Lernsatz, um die Identität der erkannten Objekte automatisch vorherzusagen und so die Organismen von den Trümmern in der Probe zu trennen.
- Erstellung von Lernsets
- Kopieren Sie die Bilder und die PID-Dateien, die mit den Bildern verknüpft sind, die verwendet werden, um die Kategorien des Lernsets von Zooscan_scan > _work nach PID_process > Unsorted_vignettes_pid zu erstellen.
ANMERKUNG: Wählen Sie eine Teilmenge von Proben mit hoher Taxa-Diversität und unterschiedlichen Probenahmestellen und/oder Probenahmezeiten, um eine maximale Repräsentativität der Organismen in den Proben zu gewährleisten. - Erstellen Sie im Ordner " PID_process > Lernsatz" einen Unterordner mit dem Namen des neuen Lernsatzes (d. h. yyyymmdd_raw_LS) und erstellen Sie darin die Unterordner, die jeder Kategorie des Lernsatzes entsprechen (z. B. Makroinvertebraten, Trümmer, andere wirbellose Tiere).
HINWEIS: Um die Struktur der Gemeinschaftsgröße von Proben von Makroinvertebraten effizient zu erhalten, wird empfohlen, ein Lernset zu verwenden, das auf nur drei Kategorien basiert: Makroinvertebraten, andere wirbellose Tiere und Trümmer. Dieser Lernsatz trennt im Wesentlichen die Vignetten von Objekten, die Organismen entsprechen, von denen, die Trümmern entsprechen (z. B. Fasern, Partikel oder Fadenalgen). - Gehen Sie in die Bildverarbeitungssoftware (nur im erweiterten Modus) und wählen Sie EXTRAKT Vignetten für PLANKTON IDENTIFIER (unsortierte Vignetten für das Training). Behalten Sie die Standardoptionen bei, und aktivieren Sie das Kontrollkästchen Konturen hinzufügen .
- Gehen Sie zur automatischen Identifikationssoftware, klicken Sie auf Lernen, wählen Sie aus PID_process > Learning_set erstellten Unterordner für das neue Lernset aus (Schritt 2.1.2) und drücken Sie OK.
- Wählen Sie im linken Bereich (Unsortierte Thumbs) des geöffneten Fensters den Ordner Unsortierte vignettes_pid. Wählen Sie die Vignetten aus und ziehen Sie sie mit der Maus von den unsortierten Thumbs in den Ordner der entsprechenden Kategorie im rechten Bereich Sortierte Thumbs, um jedes Objekt in die definierten Kategorien einzuordnen. Die verschobenen Vignetten werden mit einem roten X gekennzeichnet.
HINWEIS: Definieren Sie die Kategorien manuell, indem Sie Unterordner im sortierten Thumbs-Ordner erstellen, oder erstellen Sie sie, indem Sie auf das Ordnersymbol in der Software klicken. Verschieben Sie nicht mehr als 50 Vignetten gleichzeitig. - Wenn alle Kategorien mit den ausgewählten Objekten (ca. 300 Objekte pro Kategorie) abgeschlossen sind, klicken Sie auf Lerndatei erstellen und speichern Sie diese mit dem gewünschten Namen.
HINWEIS: Das Lernset wird als PID-Datei im Ordner PID_process > Lernset des Projekts gespeichert. Es wird empfohlen, mehrere Lernsets mit unterschiedlichen Kategorienstufen (von groben bis feinen Formen) und mit einem unterschiedlichen Gleichgewicht der Anzahl der Objekte innerhalb jeder Kategorie zu erstellen und zu testen. Beginnen Sie mit einem groben Lernset mit einer geringen Anzahl von Kategorien und mindestens 50 Objekten pro Kategorie und erhöhen Sie dann die Anzahl der Objekte in jeder Kategorie und/oder erstellen Sie feinere Lernsätze. Eine Kategorie sollte repräsentativ für ihre Variabilität im Stichprobensatz sein.
- Kopieren Sie die Bilder und die PID-Dateien, die mit den Bildern verknüpft sind, die verwendet werden, um die Kategorien des Lernsets von Zooscan_scan > _work nach PID_process > Unsorted_vignettes_pid zu erstellen.
- Evaluation des Lernsets
HINWEIS: Führen Sie eine Kreuzvalidierung mit zwei Falten und fünf Versuchen durch, indem Sie die Random-Forest-Methode mit der automatischen Identifikationssoftware verwenden, um eine Verwirrungsmatrix der resultierenden Klassifizierung der Objekte zu erhalten.- Gehen Sie zur automatischen Klassifizierungssoftware und klicken Sie auf Datenanalyse.
- Wählen Sie unter Lerndatei auswählen die erstellte Lernsatzdatei aus PID_process > Lernset aus.
- Wählen Sie unter Methode auswählen die Methode Cross-Validation Random Forest aus. Deaktivieren Sie unter "Ursprüngliche Variablen" die Positionsvariablen (X, Y, XM, YM, BX, BY und Height). Aktivieren Sie unter Benutzerdefinierte Variablen nur ESD.
HINWEIS: Bei dieser Methode wird ein zufälliger Teil des Lernsatzes verwendet, um den anderen Teil zu erkennen (zwei Faltungen), und dies wird fünfmal wiederholt, um sicherzustellen, dass es statistisch robust ist. - Klicken Sie auf Analyse starten und speichern Sie die Ergebnisse als Analysis_name.txt im Ordner PID_process >Vorhersage. Wenn die Analyse erfolgreich abgeschlossen wurde, beenden Sie die Datenanalyse.
- Wechseln Sie zum Ordner "PID_process > Prediction" und klicken Sie auf die Kreuzvalidierungsdatei. Es öffnet sich ein Fenster mit der Verwirrungsmatrix der wahren Klassifikation (Zeilen) im Vergleich zur automatischen Klassifikation (Spalten).
HINWEIS: Der Rückruf ist der Prozentsatz der Organismen, die zu einer Gruppe gehören, die automatisch gut erkannt wurde, während 1-Genauigkeit der Prozentsatz der Organismen ist, die vom Algorithmus als eine Gruppe klassifiziert werden, die nicht erkannt wird (Kontamination in einer Gruppe). Der Rückruf sollte über 70% liegen und die Kontamination (1-Genauigkeit) sollte unter 20% liegen. - Wiederholen Sie die Schritte 2.1-2.5, wenn mehrere Lernsätze erstellt wurden und der Abruf und die 1-Genauigkeit jedes einzelnen Satzes ermittelt werden müssen.
HINWEIS: Wenn mehrere Lernsets erstellt wurden, wählen Sie diejenige mit dem größten Erinnerungsvermögen (gute Erkennung) und Präzision (geringe Kontamination) der interessierenden Gruppe (d. h. Makroinvertebraten) aus, um die automatische Vorhersage eines Probensatzes im nächsten Schritt zu testen.
- Vorhersage der Identifizierung von Makroinvertebraten
HINWEIS: Verwenden Sie den ausgewählten Lernsatz, um die Identität aller Objekte in einer Teilmenge von Stichproben mithilfe der automatischen Identifizierungssoftware mit einem Random-Forest-Algorithmus vorherzusagen.- Gehen Sie zur automatischen Identifikationssoftware und klicken Sie auf Datenanalyse.
- Wählen Sie unter Lerndatei auswählen die Lernsatzdatei aus PID_process > Lernset aus, die für die Vorhersage verwendet werden muss.
- Wählen Sie unter Beispieldatei(en) auswählen aus dem Ordner PID_results die Stichproben (PID-Dateien) aus, die vorhergesagt werden sollen.
Hinweis: Verarbeiten Sie maximal 20 PID-Dateien gleichzeitig, um Fehler im Zusammenhang mit Speicherproblemen zu vermeiden. Wenn zu viele .pid-Dateien gleichzeitig verarbeitet werden, zeigt der Prozess ein korrektes Ende, wird aber möglicherweise nicht gut verarbeitet, und in den nächsten Schritten kann ein Fehler auftreten, wenn er mit der Bildverarbeitungssoftware verarbeitet wird. - Wählen Sie unter Methode auswählen die Random-Forest-Methode aus. Markieren Sie Detaillierte Ergebnisse für jede Probe speichern. Deaktivieren Sie unter " Ursprüngliche Variablen" die Positionsvariablen (X, Y, XM, YM, BX, BY und Height). Aktivieren Sie unter Benutzerdefinierte Variablen nur ESD.
- Klicken Sie auf Analyse starten und speichern Sie die Ergebnisse als Analysis_name.txt im Ordner PID_process > Vorhersage.
- Manuelle Validierung
HINWEIS: Ein Experte validiert manuell die Vorhersage aus dem vorherigen Schritt, um falsch klassifizierte Objekte in die richtige Kategorie umzuklassifizieren.- Kopieren Sie die Analysis_sample_dat1.txt zu überprüfenden Dateien aus dem Ordner " PID_process > Prediction " in den Ordner "PID_process > Pid_results".
- Gehen Sie in die Bildverarbeitungssoftware und wählen Sie EXTRAHIEREN Vignetten in Ordnern nach PREDICTION oder VALIDATION. Wählen Sie dann VORHERGESAGTE Dateien aus dem Ordner "pid_results" verwenden. Behalten Sie die Standardeinstellungen bei und drücken Sie OK.
- Die Software erstellt einen Ordner namens sample_yyyymmdd_hhmm_to_validate mit den vorhergesagten Objekten im Ordner PID_process > sortierte Vignetten.
- Wechseln Sie zum Ordner PID_process > sortierte Vignetten, und kopieren Sie den Ordner sample_yyyymmdd_ hhmm_to_validate. Ersetzen Sie den Ordnernamen _to validieren Sie durch _validated.
- Um die automatische Klassifizierung manuell zu überprüfen, öffnen Sie den Ordner sample_yyyymmdd_ hhmm_validated und überprüfen Sie alle Vignetten aus jedem Unterordner (Kategorie), um festzustellen, ob falsch klassifizierte Objekte vorhanden sind. Wenn ein Objekt falsch klassifiziert ist, ziehen Sie die Vignette mit der Maus in den richtigen Ordner (Kategorie).
- Gehen Sie in die Bildverarbeitungssoftware und wählen Sie LOAD Identifications aus Sortierte Vignetten. Behalten Sie die Standardeinstellungen bei und wählen Sie yyyymmdd_hhmm_name_validated aus, die verarbeitet werden sollen.
- Wechseln Sie zu PID_process > Pid_results > Dat1_validated, wo eine Datei mit dem Namen Id_from_sorted_vignettes_yyyymmdd_hhmm.txt und eine .txt Datei für jedes der validierten Beispiele (sample_tot_1_dat1.txt) erstellt wurden.
HINWEIS: Diese .txt-Dateien enthalten eine neue Spalte mit dem Namen pred_valid_Id_yyyymmdd_hhmm, die die Expertenklassifizierung jedes Objekts (d. h. die validierte Klassifizierung) angibt. Neue Kategorien (z. B. feinere taxonomische Kategorien) könnten an dieser Stelle während der Validierung erstellt werden. Behalten Sie jedoch den Namen der ursprünglichen Kategorie im neuen Namen bei (z. B. macroinvertebrate_chironomidae). Dies ermöglicht es, die ursprüngliche Kategorie bei der Berechnung des Rückrufs und der Genauigkeit zurückzuverfolgen und alle Makroinvertebraten einfach zu gruppieren, um die Parameter der Gemeinschaftsgrößenstruktur (d.h. das Größenspektrum und die Größenvielfalt) zu berechnen. Die Textdatei enthält die Daten, die jedem Objekt zugeordnet sind, einschließlich der Neben- und Hauptachsen, die verwendet werden, um das ellipsoide Volumen jedes Organismus als Maß für die individuelle Körpergröße zu erhalten. Darüber hinaus enthalten die letzten beiden Spalten der Tabelle die vorhergesagten und validierten Kategorien jedes Objekts (Zeile), die es ermöglichen, den Abruf und die Genauigkeit des Lernsatzes für die Teilmenge der Stichproben nach Kategorien zu berechnen.
Abbildung 1: Arbeitsdiagramm mit Abschnitt 1 und Abschnitt 2 des Protokolls. Die Zeiten sind illustrativ und können sich je nach Computer, der Fülle der zu verarbeitenden Vignetten und der Anzahl der Kategorien des Lernsets ändern. Dieser Fall entspricht der Validierung eines Lernsatzes von drei Kategorien an einem Satz von 42 Teilstichproben (insgesamt 47.473 Vignetten). Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
3. Berechnung der individuellen Größenverteilung, Größenspektren und Größenmetriken
HINWEIS: Die in diesem Abschnitt erwähnten Berechnungen wurden mit Matlab durchgeführt (siehe Skript als Zusatzdatei 1).
- Individuelle Größenverteilung
- Die letzte Spalte der Id_from_sorted_vignettes_YYYYMMDD_HHHH.txt-Datei enthält die validierte Klassifizierung der Objekte. Wählen Sie nur die Objekte aus, die als Makroinvertebraten klassifiziert sind, um ihre individuelle Größenverteilung in der Stichprobe darzustellen.
ANMERKUNG: Die individuelle Körpergröße entspricht dem ellipsoiden Volumen der Makroinvertebraten. Das System liefert Messungen in Pixeln. - Verketten Sie die Vektoren mit den Größenmaßen beider Scans, da jeder Bruch einen anderen Subsampling-Exponenten hat. Korrigieren Sie vor der Verkettung die Fraktionierung, indem Sie die Größenvektoren so oft replizieren, wie die entsprechende Teilprobe fraktioniert wurde.
HINWEIS: Dieser Schritt ist erforderlich, wenn ein Scan einem Bruchteil einer Probe entspricht (d. h. grob oder fein). - Berechnen Sie das ellipsoidale Volumen aus der Haupt- (M) und der Nebenachse (m) von prolatierten Ellipsoiden mit den gleichen Pixelflächen wie die Organismen. Konvertieren Sie vor der Berechnung des ellipsoiden Volumens die Hauptachse (M) und die Nebenachse (m) von Pixeln in Millimeter (mm) mit dem folgenden Umrechnungsfaktor (cf):
1 Pixel = 2.400 dpi
1 Zoll = 25,4 mm
cf = 25,4/2400
Das ellipsoide Volumen (ellipVol mit Einheiten in mm3) entspricht:
- Stellen Sie die Wahrscheinlichkeitsdichtefunktion der individuellen Größenverteilung auf derlog-2-Skala dar.
- Die letzte Spalte der Id_from_sorted_vignettes_YYYYMMDD_HHHH.txt-Datei enthält die validierte Klassifizierung der Objekte. Wählen Sie nur die Objekte aus, die als Makroinvertebraten klassifiziert sind, um ihre individuelle Größenverteilung in der Stichprobe darzustellen.
- Größenvielfalt
- Berechnen Sie die Größendiversität (Sd) nach Quintana et al. (2008)8, wie in García-Comas et al. (2016)35:
wobei p x(x) die Wahrscheinlichkeitsdichtefunktion der Größe x und x log2 (ellipVol) darstellt. Bei diesem Maß handelt es sich also um den Shannon-Diversitätsindex, der an ein kontinuierliches Maß angepasst ist, wie z.B. die individuelle Größenverteilung in einer Gemeinschaft.
- Berechnen Sie die Größendiversität (Sd) nach Quintana et al. (2008)8, wie in García-Comas et al. (2016)35:
- Normalisiertes Biovolumengrößenspektrum (NBSS)
- Definieren Sie die Größenklassen des NBSS, legen Sie die untere Grenze des Spektrums als 0,01-Quantil der Größenverteilung der Makroinvertebraten in den Proben fest und erstellen Sie Größenklassen durch eine geometrische Skala der Basis 2, bis der größte Organismus in den Proben eingeschlossen ist.
HINWEIS: Die Breite der Größenklasse nimmt mit der Größe zu, um der größeren Variabilität Rechnung zu tragen, die mit größeren Größen verbunden ist. Die NBSS der hier analysierten Makroinvertebratengemeinschaften hatte 14 Größenklassen (Tabelle 1). - Man erhält das normalisierte Biovolumen, indem man das gesamte Biovolumen in jeder Größenklasse durch die Breite der Größenklasse dividiert.
- Definieren Sie die Größenklassen des NBSS, legen Sie die untere Grenze des Spektrums als 0,01-Quantil der Größenverteilung der Makroinvertebraten in den Proben fest und erstellen Sie Größenklassen durch eine geometrische Skala der Basis 2, bis der größte Organismus in den Proben eingeschlossen ist.
- Größenspektrum Steigung
- Berechnen Sie die lineare Steigung des NBSS.
ANMERKUNG: Die Steigung (μ) wird auf der Grundlage des Verhältnisses zwischen log 2 (Größenklassenmittelpunkt) und log2 (normalisierte Biomasse) in den Größenklassen größer als der Modus berechnet, wobei leere Klassen (in dieser Studie die Größenklassen von 3 bis 14) ignoriert werden.
- Berechnen Sie die lineare Steigung des NBSS.
| Größenklassenbeschränkungen (mm3) | Größenklasse Mittelpunkt (mm3) |
| 0,1236 | 0,1855 |
| 0,2473 | 0,3709 |
| 0,4946 | 0,7418 |
| 0,9891 | 1,4837 |
| 1,9783 | 1,4837 |
| 3,9560 | 5,9348 |
| 7,9131 | 11,8696 |
| 15,8261 | 23,7392 |
| 31,6522 | 47,4783 |
| 63,3044 | 94,9567 |
| 126,6089 | 189,9133 |
| 253,2178 | 379,8267 |
| 506,4300 | 7597,7000 |
| 1012,9000 | 15193,0000 |
| 2025,7000 |
Tabelle 1: Größenklassen des normierten Biomassegrößenspektrums (NBSS). Die Tabelle zeigt auch die 15 Größenklassengrenzen und die Größenklassenmittelpunkte der Organismen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Erfassung digitaler Bilder von Makroinvertebratenproben
Scan-Nuancen: Ethanol-Ablagerung im Scan-Fach
Beim Testen des Systems auf Makroinvertebraten waren mehrere Scans von schlechter Qualität. Ein dunkler, gesättigter Bereich im Hintergrund verhinderte eine normale Bildbearbeitung und die Messung der einzelnen Größen der Makroinvertebraten (Abbildung 2). Es wurden mehrere Gründe für das Auftreten von gesättigten Bereichen im Hintergrund oder stark verpixelten Bildern angegeben: (1) das Vorhandensein von zu vielen Organismen auf dem Scanfach; (2) das Vorhandensein von Verschmutzung in den Proben; (3) eine unzureichende Verzögerung zwischen der Vorschau der Probe und ihrem Scan; oder (4) Verwendung eines Hintergrundbildes von schlechter Qualität aufgrund von Kondensation, Verschmutzung oder schlechter Wasserqualität in der Bildbearbeitung33. In Makroinvertebraten-Gemeinschaftsproben verursacht die Verwendung von Ethanol anstelle von Wasser Niederschlag auf der Schale, die einen dunklen Schatten bildet, wenn sie zwischen den Scans nicht ordnungsgemäß mit Wasser gespült wird. Dies ist wichtig, um scharfe Bilder zu erhalten und die damit verbundene Korrosion des Scanfachglases zu minimieren.
Scanning-Nuancen: Schmutzkonzentration
Aus der Analyse einer Teilmenge von 47.473 Vignetten ergab sich, dass ein hoher Prozentsatz (86,1%) Trümmern entsprach, einschließlich Detritus, Fasern oder Körperteilen (wie Beine oder Kiemen) oder Scanartefakten (Abbildung 3A-E). Wirbellose Organismen entsprachen den restlichen 13,9% der detektierten Objekte (Abbildung 3F-L). So verblieben trotz der bisherigen akribischen Trennung von Organismen von organischem Material im Labor noch viele kleine Trümmer im Fläschchen.
Nuancen scannen: Berühren von Objekten
Das signifikante Vorhandensein von Ablagerungen verbessert die Berührung zwischen Organismen und damit die Bildung von Vignetten mit Aggregaten, die mehrere sich berührende Organismen und Organismen enthalten, die an Partikeln oder Fasern gebunden sind (Abbildung 4A-C). Diese Vignetten sind eine Quelle der Verzerrung bei der Bestimmung der Form der individuellen Größenstruktur. In einer Gruppe von fünf Proben (11 Unterstichproben) entsprachen von allen Vignetten mit Makroinvertebraten 10% Gruppen mit sich berührenden Organismen oder Organismen, die Partikel oder Fasern berührten. Diese Vignetten wurden mit dem Bildverarbeitungsprogramm bearbeitet, um die sich berührenden Organismen und die Organismen mit anhaftenden Partikeln zu trennen. Die Wiederaufbereitung der Proben mit der Trennmaske beinhaltete die Erstellung neuer Vignetten mit den neu getrennten Objekten, die validiert wurden, um ihre korrekte Klassifizierung zu gewährleisten.
Automatische Erkennung der Objekte
Lern-Set-Ergebnisse
Ein Lernset ist ein Satz von Vignetten von Objekten, die von einem Experten in verschiedene Kategorien eingeteilt und in einem überwachten Lernmodell verwendet werden, und dies kann auch als Trainingssatz27 bezeichnet werden. Es ist möglich, mit einem vorhandenen Lernset zu arbeiten, das vorhandene Lernset mit neuen Vignetten und/oder Kategorien zu aktualisieren oder ein neues Lernset für ein bestimmtes Projekt zu erstellen.
Um das beste Lernset zu bestimmen, um die Größenstruktur der Makroinvertebraten schnell zu erhalten, wurden mehrere Lernsets erstellt und durch Kreuzvalidierung mit dem Random-Forest-Algorithmus getestet. Die resultierende Verwirrungsmatrix zeigt die tatsächliche Klassifizierung (Zeilen) im Vergleich zur automatischen Klassifizierung (Spalten). Der Rückruf ist der Prozentsatz der Organismen, die zu einer Kategorie gehören, die automatisch gut klassifiziert wurde, während die 1-Genauigkeit der Prozentsatz der Organismen ist, die vom Algorithmus fälschlicherweise als zu einer Kategorie gehörend eingestuft wurden (Kontamination in einer Kategorie)33. Als Faustregel gilt, dass der Rückruf über 70% und die Kontamination (1-Genauigkeit) unter 20% liegen sollte, um eine Kategorie im Lernset zu behalten. Der Lernsatz mit dem größten Erinnerungsvermögen und der größten Präzision für Makroinvertebraten wird dann mit einer Teilmenge von Proben weiter validiert, um seine tatsächliche Genauigkeit bei der Identifizierung von Makroinvertebraten zu bestimmen.
Es wurden drei Arten von ataktischen Lernsets (roh, intermediär und fein) mit Kategorien getestet, die auf den morphologischen Merkmalen der Objekte basieren. Das rohe Lernset umfasste drei Kategorien: Makroinvertebraten, andere wirbellose Tiere (Mikrokrebse) und Trümmer (Fasern, Partikel und Artefakte wie Glasflecken). Das Lernset für Fortgeschrittene umfasste 16 Kategorien: 5 für Makroinvertebraten, 3 für andere wirbellose Tiere und 8 für Trümmer. Das feine Lernset umfasste 4 weitere Kategorien von Makroinvertebraten mit insgesamt 20 Kategorien (Tabelle 2).
Neben der Definition der Kategorien wurde auch der Effekt der Anzahl der Vignetten pro Kategorie getestet. Jedes Lernset wurde separat mit 50 Vignetten, 100 Vignetten und 300 Vignetten in jeder Kategorie (und 500 Vignetten für das rohe Lernset mit drei Kategorien) getestet. Alle Kategorien waren zahlenmäßig ausgeglichen, mit Ausnahme von "Ostracoda", "Langrunde Makroinvertebraten" und "Rundschalige Makroinvertebraten", die weniger Individuen in den Lernsets mit 100 Vignetten und 300 Vignetten enthielten, da nicht genügend Organismen dieser Kategorien in den gescannten Bildern nachgewiesen wurden.
Das Erinnerungsvermögen und die Genauigkeit für Makroinvertebraten (alle Makroinverebratenkategorien zusammen) und Organismen (Makroinvertebraten und andere wirbellose Tiere zusammen) wurden berücksichtigt, um den besten Lernsatz durch Kreuzvalidierung auszuwählen (siehe die Tabellen in Ergänzungsdatei 2). Das beste Lernset war das rohe Lernset mit drei Kategorien (Makroinvertebraten, andere wirbellose Tiere und Trümmer) mit 300 Objekten in jeder Kategorie (Tabelle 2). Das rohe Lernset wurde anschließend verwendet, um die automatische Klassifizierung der Objekte in der Teilmenge der gescannten Proben zu validieren.
| Lern-Set | Anzahl der Kategorien | Bilder pro Kategorie | Organismen zurückrufen | Erinnern Sie sich an Makro-Invertebraten | 1-Präzisionsorganismen | Makroinvertebraten mit 1-Präzision |
| Roh | 3 | 50 | 0.97 | 0.84 | 0.12 | 0.24 |
| 100 | 0.96 | 0.87 | 0.06 | 0.17 | ||
| 300 | 0.95 | 0.91 | 0.09 | 0.15 | ||
| 500 | 0.93 | 0.88 | 0.13 | 0.2 | ||
| Mittel | 16 | 50 | 0.83 | 0.77 | 0.17 | 0.24 |
| 100 | 0.84 | 0.79 | 0.15 | 0.21 | ||
| 300 | 0.87 | 0.84 | 0.14 | 0.18 | ||
| Fein | 20 | 50 | 0.89 | 0.86 | 0.14 | 0.18 |
| 100 | 0.9 | 0.87 | 0.11 | 0.14 | ||
| 300 | 0.9 | 0.86 | 0.13 | 0.14 |
Tabelle 2: Erstellte und getestete Lernsets (roh, mittel und fein) mit den Kategorien in jeder Kategorie und der Anzahl der Objekte pro Kategorie. Abruf und 1-Genauigkeit der erstellten Lernsets. Kategorien des Roh-Lernsets: Makroinvertebraten (1), Sonstige Wirbellose (2), Trümmer (3). Kategorien des mittleren Lernsets: Lange Makroinvertebraten (1), Lange glatte Makroinvertebraten (2), Lange stachelige Makroinvertebraten (3), Runde Makroinvertebraten (4), Rundschalige Makroinvertebraten (5), Cladocera (6), Copepoda (7), Ostracoda (8), Aggregate (9), Fasern (10), Köpfe (11), Beine (12), Flecken (13), Dunkle Flecken (14), Hellgraue Flecken (15), Runde Flecken (16). Kategorien des feinen Lernsets: Lange Makroinvertebraten (1), Lange glatte Makroinvertebraten (2), Lange glatte dunkle Makroinvertebraten (3), Langrunde Makroinvertebraten (4), Lange stachelige Makroinvertebraten (5), Runde Makroinvertebraten (6), Rundschalige Makroinvertebraten (7), Runde dunkle Makroinvertebraten (8), Rundschalige Makroinvertebraten (9), Cladocera (10), Copepoda (11), Ostrakoda (12), Aggregate (13), Fasern (14), Köpfe (15), Beine (16), Flecken (17), Dunkle Flecken (18), hellgraue Flecken (19), Runde Flecken (20).
Validierung der automatischen Erkennung mit dem besten Lernset
Die Objekte in einer Teilmenge von 42 feinen und groben Teilstichproben wurden automatisch nach dem ausgewählten Lernsatz mit dem Random-Forest-Algorithmus klassifiziert. Nach manueller Validierung war der Rückruf für alle Kategorien hoch (durchschnittlich 0,94 für Makroinvertebraten, 0,95 für andere wirbellose Tiere und 0,92 für Trümmer), während die Kontamination (1-Genauigkeit) mit Ausnahme anderer wirbelloser Tiere (0,25 für Makroinvertebraten, 0,84 für andere Makroinvertebraten und 0,01 für Trümmer) eher gering war (Abbildung 5 ). Andere wirbellose Tiere (Mikrokrebstiere) waren in den Proben selten (in 17 von 42 Unterproben vorhanden); Daher war der Vergleich nicht robust. Darüber hinaus war diese Kategorie aufgrund der Ähnlichkeit in Form und Graustufen mit anderen Objekten stark von der Kontamination betroffen.
Der Vergleich der automatischen und validierten Häufigkeit von Makroinvertebraten zeigte, dass diese stark korrelierten (Pearsons r = 0,92, p-Wert < 0,0001, n = 24 für grobe Teilstichproben; Pearson's r = 0,98, p-Wert < 0,0001, n = 18 für feine Teilproben), mit einer leichten Überschätzung durch die automatische Leistung aufgrund von Verunreinigungen durch Schmutz (Steigungen < 1) (Abbildung 6). Hinsichtlich des Vergleichs des mittleren Ellipsoidvolumens war die Korrelation ebenfalls hoch (Pearson's r = 0,96, p-Wert < 0,0001, n = 24 für grobe Proben; Pearsons r = 0,99, p-Wert < 0,0001, n = 18 für feine Proben) und die Steigung des Größenspektrums lag nahe bei −1 (Abbildung 6). Der Unterschied in den Steigungen zwischen den feinen und groben Fraktionen spiegelt den größeren Effekt der Fehlklassifizierung bei den großen Fraktionen wider, der mit ihren niedrigen Organismenzahlen zusammenhängt.
Die Wahrscheinlichkeitsdichtefunktionen der einzelnen Größenverteilungen der automatischen Vorhersage stimmten stark mit den validierten Vorhersagen für die feinen Teilstichproben sowie für die groben Teilstichproben überein. Es gab jedoch einige Ausnahmen für die groben Teilstichproben, die sich auf die Anzahl der Organismen und damit auf die größeren Auswirkungen der Fehlklassifizierung in diesen Fällen bezogen, wie bereits hervorgehoben (Abbildung 7).
Einfluss des Berührens von Organismen auf die einzelnen Größenverteilungen, Größenspektren und Größenmetriken
Ein Vergleich der Größenverteilungen, die vor und nach der Trennung der berührenden Organismen und vor der Validierung in einer Teilmenge von fünf ausgewählten Proben erhalten wurden, wurde durchgeführt, um die Wirkung der Berührung von Objekten zu bewerten. Um die Größenverteilungen zu vergleichen, wurden die groben und feinen Teilproben entsprechend ihrer Fraktionierung kombiniert, um eine Probe zu rekonstruieren, die die Makroinvertebratengemeinschaft repräsentiert. In drei Proben nahm die Häufigkeit nach der Validierung zu (>500 Individuen) (Abbildung 8A). Trotz dieses Anstiegs stimmte das mittlere ellipsoide Volumen sehr genau mit dem in den validierten Proben berechneten Volumen überein (Abbildung 8B).
Die Größenverteilungen der korrigierten Proben (nach der Abtrennung der sich berührenden Organismen) unterschieden sich geringfügig von den validierten. Daher hatte das Vorhandensein mehrerer Objekte einen geringen Einfluss auf die Größenverteilungen in diesen Proben (Abbildung 9A-E). Dementsprechend korrelierte die anhand der korrigierten Stichproben berechnete Größendiversität stark mit der Größendiversität der validierten Stichproben (Pearson's r = 0,94, p-Wert = 0,017, n = 5) (Abbildung 9F).
Theoretisch hat das normalisierte Biovolumengrößenspektrum (NBSS) einer Gemeinschaft mit mehreren trophischen Ebenen eine Größenspektrumsneigung in der log 2-Skala, die sich unter stationären Bedingungen4 −1 nähert. Die NBSS in natürlichen Lebensgemeinschaften weist oft eher eine Beule als eine lineare Verteilung auf, was meist auf die Stichprobenverzerrung der kleinsten Größenklassenzurückzuführen ist 36. In der vorliegenden Studie war die dritte Größenklasse die häufigste in der NBSS.
Die NBSSs waren zwischen den Schritten des Protokolls ziemlich ähnlich (Abbildung 10A-C), mit Ausnahme einiger Größenklassen in einigen Spektren (Abbildung 10D-E). Dementsprechend korrelierte die auf der Grundlage der korrigierten Proben berechnete Steigung des Größenspektrums stark mit der Steigung basierend auf den validierten Proben (Pearsons r = 0,99, p-Wert ≤ 0,0001, n = 5) (Abbildung 10F).
Abbildung 2: Beispiele für gescannte Bilder mit unterschiedlichen Qualitäten vor und nach der Verarbeitung. (A,B) Rohbild (links) und bearbeitetes Bild (rechts) einer feinen Teilprobe mit guter Scanqualität; (C,D) Rohbild (links) und bearbeitetes Bild (rechts) einer feinen Teilstichprobe mit schlechter Scanqualität (dunkler Hintergrund und Schnittbild am linken Rand); (E,F) Rohbild (links) und bearbeitetes Bild (rechts) einer feinen Teilstichprobe mit schlechter Scanqualität (sehr pixeliger dunkler Hintergrund). Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 3: Konturvignetten, die verschiedene Objekte in den Proben darstellen. (A-E) Trümmer (Fasern, runde Flecken, Makroinvertebratenbeine, Flecken und organische Ablagerungen); (F-I) Makroinvertebraten (Coleoptera, Diptera, Plecoptera und Trichoptera) und (J-L) andere wirbellose Tiere (Cladocera, Copepoda und Ostracoda). Maßstabsbalken zeigen 1 mm gma = 1,1 an. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 4: Beispiele für Vignetten, die mehrere Objekte enthalten. (A) Ein Makroinvertebrat (Hydracarina), das an einer Faser befestigt ist; (B) mehrere Organismen (Caenidae), die durch eine Faser aggregiert werden; und (C) zwei sich berührende Makroinvertebraten (Chironomidae und Caenidae). Maßstabsbalken zeigen 1 mm gma = 1,1 an. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 5: Boxplots des Rückrufs und der Kontamination (1-Genauigkeit). Die Boxplots für die drei Kategorien Makroinvertebraten, sonstige wirbellose Tiere und Trümmer (300 Vignetten pro Kategorie) des ausgewählten Lernsatzes, validiert an einer Teilmenge von Stichproben (n = 42). Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 6: Vergleich zwischen der Abundanz und der mittleren Ellipsoidvolumenschätzung in der automatischen und validierten Klassifikation. (A) Abundanzschätzungen in den Teilstichproben (n = 42) und (B) mittlere ellipsoide Volumenschätzungen in den Teilstichproben (n = 42). Die dunklen Punkte entsprechen den groben Teilproben (>0,5 cm Maschenweite); Die grauen Punkte entsprechen den feinen Teilproben (>500 μm Mesh). Die gestrichelte Linie stellt die 1:1-Beziehung dar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 7: Wahrscheinlichkeitsdichtefunktionen, die den relativen Beitrag (y-Achse) der individuellen Größe in der logarithmischen Skala (x-Achse) für den Vergleich zwischen automatischen Schätzungen und zwischen validierten Schätzungen darstellen. (A,B) Automatische und validierte Schätzwerte für grobe Teilstichproben (n = 18), (C,D) Automatische und validierte Schätzwerte für feine Teilstichproben (n = 24). (A,C) Vergleich zwischen automatischen Schätzungen und (B,D) Vergleich zwischen validierten Schätzungen. Farben stellen jede Teilprobe dar, um die Unterscheidung der Spektren zu erleichtern. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 8: Vergleich zwischen den Abundanz- und mittleren Ellipsoidvolumenschätzungen in validierten Teilproben mit Teilproben, die nach der Trennung von sich berührenden Objekten von ausgewählten natürlichen Proben (feine und grobe Teilproben zusammen) validiert wurden. (A) Abundanzschätzungen nach Stichprobengrundlage (n = 5) und (B) mittlere ellipsoide Volumenschätzungen (n = 5). Die gestrichelte Linie stellt die 1:1-Beziehung dar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 9: Wahrscheinlichkeitsdichtefunktionen, die den relativen Beitrag (y-Achse) der individuellen Größe in der log-2-Skala (x-Achse) für die automatische Vorhersage, die validierte Vorhersage und die validierte Vorhersage mit ihren jeweiligen Größendiversitätswerten (Sd) darstellen. (A-E) Wahrscheinlichkeitsdichtefunktionen für ausgewählte natürliche Stichproben (feine und grobe Teilstichproben zusammen) (n = 5); Die rote Linie entspricht der automatischen Vorhersage, die blaue Linie entspricht der validierten Vorhersage und die grüne Linie entspricht den korrigierten Proben (validiert nach der Trennung von sich berührenden Objekten). (F) Vergleich von validierten und korrigierten Schätzungen der Größenvielfalt; Die gestrichelte Linie entspricht der 1:1-Beziehung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 10: Normalisierte Biovolumengrößenspektren (NBSS) und Vergleich der NBSS-Steigungen (μ) zwischen den Behandlungen. (A-E) NBSS, das die Beziehung zwischen dem Mittelpunktswert jeder Größenklasse in der logarithmischen Skala (x-Achse) und dem normalisierten Biovolumen pro Scan-Frame (y-Achse) der fünf ausgewählten Proben für die automatischen (rote Kreuze), validierten (blaue Dreiecke) und korrigierten (grüne Kreise) Vorhersagen mit ihrem jeweiligen Größenspektrum darstellt Steigungen (μ) berechnet in den Größenklassen ab der modalen Größenklasse und aufwärts (die dritte Größenklasse ist durch die senkrechte gestrichelte Linie gekennzeichnet). (F) Vergleich der auf den validierten Proben berechneten Steigungen mit den korrigierten Neigungen (nach der Trennung der sich berührenden Objekte). Die gestrichelte Linie entspricht der 1:1-Beziehung, r2. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Ergänzungsdatei 1: Matlab-Skript zur Durchführung der Berechnungen. Bitte klicken Sie hier, um diese Datei herunterzuladen.
Ergänzungsdatei 2: Kreuzvalidierung, Abruf und 1-Genauigkeit der erstellten Lernsätze. (A) Rohes Lernset mit 3 Kategorien und 50 Vignetten pro Kategorie; (B) Rohlernset mit 3 Kategorien und 100 Vignetten pro Kategorie; (C) Rohlernset mit 3 Kategorien und 300 Vignetten pro Kategorie; (D) Rohlernset mit 3 Kategorien und 500 Vignetten pro Kategorie; (E) Rohlernset mit 5 Kategorien und 50 Vignetten pro Kategorie; (F) Rohlernset mit 5 Kategorien und 100 Vignetten pro Kategorie; (G) Rohlernset mit 5 Kategorien und 300 Vignetten pro Kategorie; (H) Lernset für Fortgeschrittene mit 16 Kategorien und 50 Vignetten pro Kategorie; (I) Lernset für Fortgeschrittene mit 16 Kategorien und 100 Vignetten pro Kategorie; (J) Lernset für Fortgeschrittene mit 16 Kategorien und 300 Vignetten pro Kategorie; (K) Feinlernset mit 20 Kategorien und 50 Vignetten pro Kategorie; (L) Feinlernset mit 20 Kategorien und 100 Vignetten pro Kategorie; und (M) feines Lernset mit 20 Kategorien und 300 Vignetten pro Kategorie. Bitte klicken Sie hier, um diese Datei herunterzuladen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Die Anpassung der von Gorsky et al. 2010 beschriebenen Methodik für Flussmakroinvertebraten ermöglicht eine hohe Klassifikationsgenauigkeit bei der Schätzung der Gemeinschaftsgrößenstruktur bei Süßwasser-Makroinvertebraten. Die Ergebnisse deuten darauf hin, dass das Protokoll die Zeit für die Schätzung der individuellen Größenstruktur in einer Probe auf etwa 1 Stunde reduzieren kann. Daher soll das vorgeschlagene Protokoll die routinemäßige Verwendung von Größenspektren von Makroinvertebraten als schnellen und integrativen Bioindikator zur Bewertung der Auswirkungen von Störungen in Süßwasserökosystemen fördern. Das Größenspektrum der Makroinvertebraten wurde bereits erfolgreich als Index zur Bewertung des ökologischen Zustands von Küstenlagunenverwendet 22. Mit der Entwicklung des Protokolls können intensive Erhebungen an wirbellosen Tieren durchgeführt werden, um Feldbeobachtungskampagnen zu ermöglichen, die große räumliche und zeitliche Skalen abdecken.
Da das Ziel dieses Protokolls darin besteht, die individuelle Größenverteilung der untersuchten Gemeinschaft unter Berücksichtigung der Taxonomie schnell zu erhalten, empfiehlt es sich, ein einfaches Lernset wie das hier vorgeschlagene zu erstellen. Tests von feineren Lernsätzen mit einer höheren Anzahl von Kategorien führen zu einem geringeren Erinnerungsvermögen und einer geringeren Präzision für Makroinvertebraten als Ganzes (Tabelle 2), und der Validierungsschritt ist zeitaufwändiger.
Die automatische Vorhersage stimmte stark mit der validierten Vorhersage von 42 natürlichen Teilproben aus verschiedenen Probenahmestellen überein, was darauf hindeutet, dass die Methode im automatischen Modus für die Zählung und Messung der Makroinvertebraten in natürlichen Proben geeignet ist (Abbildung 6). Darüber hinaus deutet die Ähnlichkeit der NBSS zwischen den automatischen und validierten Vorhersagen und die hohe Anpassung an das lineare theoretische Modell darauf hin, dass der automatische Modus eine vielversprechende Methode für die Durchführung theoretischer ökologischer Studien ist (Abbildung 10).
Während der Anpassung dieses Protokolls traten mehrere Probleme auf, die auf unterschiedliche Weise gelöst oder minimiert wurden. Ein Problem, das beim Scannen von Makroinvertebratenproben zu berücksichtigen ist, ist das Auftreten dunkler gesättigter Bereiche. Daher ist es wichtig, die verarbeiteten, gescannten Bilder so schnell wie möglich zu überprüfen, um dieses Problem zu erkennen und den Scan gegebenenfalls zu wiederholen. Dieses Problem wurde auch beim Scannen von Plankton33 gefunden, aber es wird durch die Verwendung von Ethanol anstelle von Leitungswasser verstärkt. Es wird nicht empfohlen, Leitungswasser zu verwenden, da die in 70% igem Ethanol konservierten Organismen an der Oberfläche treiben. Obwohl das Gerät so konzipiert ist, dass es verdünntem Ethanol (5%) widersteht, werden die wirbellosen Proben mit 70% Ethanol konserviert. Es wird auch nicht empfohlen, mit niedrigeren Konzentrationen von Ethanol zu arbeiten, da die Organismen durch Rehydratisierungs- und Dehydratisierungsprozesse geschädigt werden könnten37. Die vorgeschlagene Lösung, die dringend empfohlen wird, besteht darin, die Scanschale nach jedem Scan mit Ethanol mehrmals mit frischem Wasser zu spülen. Dies vermeidet die Ansammlung von Ausscheidungen, die den Bildhintergrund verändern können, und schützt das Glas der Scanschale vor Korrosion.
Ein weiteres entdecktes Problem ist das Vorhandensein von Vignetten mit mehreren Organismen, die das Größenspektrum aufgrund der Unterschätzung von Individuen bestimmter Größen verändern können. Wenn die Anzahl der Vignetten mit mehreren Objekten gering ist (<10%), wie in dieser Studie, hat das Vorhandensein mehrerer Objekte einen geringen Einfluss auf die Größenverteilungen und NBSSs in diesen Stichproben (Abbildung 9 und Abbildung 10). Dies deutet darauf hin, dass es nicht notwendig ist, Zeit in Schritt 1.5 des Protokolls (die Trennung von sich berührenden Organismen) zu investieren, um eine repräsentative Größenstruktur der Makroinvertebratengemeinschaft zu erhalten, für die die Bildverarbeitung etwa 1,5 Stunden dauert. Stattdessen wird dringend empfohlen, sich in Schritt 2.5 des Protokolls (Trennen von sich berührenden Organismen oder Aggregaten mit einer Holznadel) Zeit zu nehmen, was viel weniger zeitaufwendig ist (maximal 30 Minuten) und eine korrekte Schätzung der Größenverteilungen im automatischen Modus30 gewährleistet. Eine Möglichkeit, die Anzahl der sich berührenden Organismen zu reduzieren, besteht darin, mit weniger Organismen pro Scan zu arbeiten, aber der Zeitaufwand für das Scannen einer Probe in einer hohen Anzahl von Fraktionen und die Möglichkeit der Aggregation von Organismen sollten berücksichtigt werden. Eine andere Lösung wäre, nur eine Teilstichprobe zu erhalten, die es ermöglichen würde, bei der Sortierung der Organismen im Labor ein repräsentatives Größenspektrum zu berechnen, anstatt alle beprobten Organismen zu konservieren, wie es in dieser Arbeit getan wird. Die Verringerung der Anzahl der Organismen pro Probe würde die Wahrscheinlichkeit verringern, Organismen zu berühren. Wenn weniger Individuen gelagert werden, enthält die Probe weniger Ablagerungen, was die Trennung erleichtert, insbesondere wenn Fasern vermieden werden können.
Die beobachtete Einschränkung der automatischen Klassifizierungsmethode hängt mit dem geringen Vorkommen von Mikrokrebstieren (Kategorie: andere Makroinvertebraten) in den verwendeten Proben zusammen. Die fehlende Repräsentation von Mikrokrebstieren kann ihre korrekte Klassifizierung beeinträchtigen und die Genauigkeit der automatischen Vorhersage für diese Kategorie einschränken. Die anderen Kategorien, Trümmer und Makroinvertebraten, die das Hauptziel dieser Arbeit sind, weisen jedoch ein hohes Erinnerungsvermögen und eine hohe Präzision auf. Alternativen zur Verwendung dieses Scannergeräts wären die Anpassung eines gewöhnlichen Scanners an Wasserrahmen, die Förderung von Open-Source-Codes für die Probenverarbeitung und das maschinelle Lernen wie der hier bereitgestellte und das Schreiben von Codes für die Messung von Organismen unter dem Mikroskop mit einer Kamera oder durch Flussmittel mit einer Reihe von Kameras. Dies wurde bei mehreren Gelegenheiten getan 23,24,25,26,38,39,40, aber die Methode, die wir vorschlagen, regelt die Scan-Parametrierung, um vergleichbare Größenschätzungen zu erhalten, was bei den anderen Systemen schwer zu kontrollieren ist. Darüber hinaus sind das vorgeschlagene Protokoll und das Scan-Gerät gebrauchsfertig, Open-Source und bereits in der marinen Mesozooplankton-Gemeinschaft etabliert. Insgesamt zeigt die Anpassung dieses Protokolls einen vielversprechenden Weg, um diese automatische Bildgebungsmethode zu nutzen, um die Größenstruktur von Süßwasser-Makroinvertebraten effizient zu erhalten und das Potenzial von Größenmetriken für die Süßwasser-Biobewertung zu testen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren erklären keine potenziellen Interessenkonflikte.
Acknowledgments
Diese Arbeit wurde vom spanischen Ministerium für Wissenschaft, Innovation und Universitäten unterstützt (Förderkennzeichen RTI2018-095363-B-I00). Wir danken den CERM-UVic-UCC-Mitgliedern Èlia Bretxa, Anna Costarrosa, Laia Jiménez, María Isabel González, Marta Jutglar, Francesc Llach und Núria Sellarès für ihre Arbeit bei der Probenahme und Laborsortierung von Makroinvertebraten und David Albesa für die Mitarbeit bei der Probensuche. Abschließend danken wir Josep Maria Gili und dem Institut de Ciències del Mar (ICM-CSIC) für die Nutzung der Laboreinrichtungen und des Scanners.
Materials
| Name | Company | Catalog Number | Comments |
| Beaker | Labbox | Other containers could be used | |
| Dionized water | Icopresa | 8420239600123 | To dilute the ethanol |
| Funnel | Vitlab | 41094 | |
| Glass vials 8 ml | Labbox | SVSN-C10-195 | 1 vial/subsample |
| ImageJ Software | Free access | Version 4.41o/ Image processing software | |
| Large frame | Hydroptic | Provided by ZooScan | 24.5 cm x 15.8 cm |
| Monalcol 96 (Ethanol 96) | Montplet | 1050JE001 | |
| Plankton Identifier Software | Free access | Version 1.2.6/ Automatic identification software | |
| Sieve | Cisa | 26852.2 | Nominal aperture 500µ and nominal aperture 0,5 cm |
| Tweezers | Bondline | B5SA | Stainless, anti-magnetic, anti-acid |
| VueScan 9 x 64 (9.5.09) Software | Hydroptic | Version 9.0.51/ Sacn software | |
| Wooden needle | Any plastic or wood needle can be used | ||
| Zooprocess Software | Free access | Version 7.14/Image processing software | |
| ZooScan | Hydroptic | 54 | Version III/ Scanner |
References
- 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).
- 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).
- 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).
- 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).
- Woodward, G., et al.
- 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).
- 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).
- 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).
- 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).
- Petchey, O. L., Belgrano, A. Body-size distributions and size-spectra: Universal indicators of ecological status. Biology Letters. 6 (4), 434-437 (2010).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Ärje, J., et al. Automatic image-based identification and biomass estimation of invertebrates. Methods in Ecology and Evolution. 11 (8), 922-931 (2020).
- Raitoharju, J., et al. Benchmark database for fine-grained image classification of benthic macroinvertebrates. Image and Vision Computing. 78, 73-83 (2018).
- 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).
- 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).
- Gorsky, G., et al. Digital zooplankton image analysis using the ZooScan integrated system. Journal of Plankton Research. 32 (3), 285-303 (2010).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
