ΑΥΤΟΜΑΤΟΠΟΙΗΣΗ ΤΗΣ ΑΝΑΛΥΣΗΣ ΜΕΣΟΖΩΟΠΛΑΓΚΤΟΥ ΤΗΣ

ΑΝΑΤΟΛΙΚΗΣ ΜΕΣΟΓΕΙΟΥ ΜΕ ΤΗ ΧΡΗΣΗ ΤΟΥ ΛΟΓΙΣΜΙΚΟΥ ZOOIMAGE

Κετσιλής-Ρίνης Βλάσιος 1

Φραγκοπούλου Αικατερίνη 1 Φραγκούλης Κωνσταντίνος 2

1 Τμήμα Βιολογίας, Πανεπιστήμιο Πατρών2Ινστ. Ωκεανογραφίας, Ελληνικό Κέντρο Θαλάσσιων Ερευνών

Το ζωοπλαγκτόν αποτελεί πολύ σημαντικό κρίκο της τροφικής αλυσίδας.

Η κατανόηση της δομής και λειτουργίας των θαλάσσιων οικοσυστημάτωναπαιτεί την ανάλυση πολλών δειγμάτων ζωοπλαγκτού, που είναι διαδικασία με υψηλές οικονομικές, χρονικές απαιτήσεις και επιπτώσεις στην υγεία.

Από την δεκαετία του 80 γίνονται προσπάθειες για αυτοματοποίηση της ανάλυσης του ζωοπλαγκτού με οφέλη….

Μείωση του χρόνου ανάλυσης των δειγμάτων

Αποφυγή αλλοίωσης των δειγμάτων στο χρόνο

Εύκολη μεταφορά δεδομένων

Διασφάλιση υγείας

Χαμηλότερο κόστος

Η αυτοματοποίηση της ανάλυσης ζωοπλαγτικών δειγμάτων απαιτεί:

1. Ανάπτυξη και βελτιστοποίηση των μεθόδων λήψης εικόνας. 2. Δημιουργία λογισμικών επεξεργασίας εικόνων.

1954 Nishizawa 1979 Ortner 1991 Welsch

1991 Gorsky (ZooScan)Λογισμικό (ZooProcess)

1992 Davis (VPR)Λογισμικό (PVA)

1998 Sieracki (Flow-CAM)Λογισμικό του (FlowCAM)

Zoo/PhytoImage (Grosjean & Denis, 2007)

•Αναγνωρίζει ομάδες οργανισμών.

•Υπολογίζει αφθονίες.

•Κάνει αναγωγή σε βιομάζα.

•Διαχειρίζεται και αναλύει εικόνες από το FlowCam, το Zooscan, το VPR και ψηφιακές κάμερες και σαρωτές.

•Διαχειρίζεται μετά-δεδομένα και κάνει γραφικές παραστάσεις.

•Ελεύθερο λογισμικό.

•Δύσχρηστο.

Στερεοσκόπιο (VS) Image Pro Plus (VS) ZooImage

  Στερεοσκόπιο Ημιαυτόματη ανάλυσηImage Pro Plus

Αυτόματη ανάλυσηZooImage

Πηγή εικόνας Στερεοσκόπιο Σαρωτής Σαρωτής

Επίπεδο ταξινομικής

Είδος Το πολύ έως γένος Το πολύ έως γένος

Σφάλμα αναγνώρισης

Μικρό Μέτριο Υψηλό

Χρόνος/δείγμα Υψηλός Μέτριος ΜικρόςΜέτρηση

διαστάσεωνΜη αυτόματη Ημιαυτόματη Αυτόματη

Μικρότεροι αναγνωρίσιμοι

οργανισμοί

50 μm 120 μm 120 μm

Στόχος

Η δημιουργία μιας βάσης εικόνων αναφοράς για αυτοματοποίηση της αναγνώρισης του μεσοζωοπλαγκτού (200μm-2mm) στην Ανατολική

Μεσόγειο με το λογισμικό ZooImage.

Δημιουργία βάσηςεικόνων αναφοράς

(training set)

Για κάθε ομάδα: Βινιέτες ατόμων από διαφορετικές οπτικές γωνίες.

Megalope 147 βινιέτες

Διαδικασία αυτόματης αναγνώρισης

Μικτό δείγμα πεδίου

Σάρωση

Επεξεργασία εικόναςΑναγνώριση

85 Κωπήποδα33 Δεκάποδα3 Πολύχαιτα

.

.

.

Διαλογή ζωοπλαγκτού ανά ομάδες με στερεοσκόπιο

ΟΜΑΔΑ ΠΕΡΙΟΧΗ

ΑΡ.ΑΤΟΜΩ

Ν ΟΜΑΔΑ ΠΕΡΙΟΧΗ

ΑΡ.ΑΤΟΜΩ

ΝPolychaeta Εκβολ. Αχελώου 60 CladoceraPteropoda Βόρειο Αιγαίο 77 Evadne Εκβολ. Αχελώου 40Ostracoda Βόρειο Αιγαίο 72 Penilia avirostris Βόρειο Αιγαίο 194Copepoda Cypris Λιμνοθ. Πάππα 150Acartia Λιμνοθ. Πάππα 101 Doliolum Βόρειο Αιγαίο 214Calanus Βόρειο Αιγαίο 67 Branchiura Zoe Βόρειο Αιγαίο 83Clausocalanus Βόρειο Αιγαίο 73 Megalope Εκβολ. Αχελώου 50

Centropages Βόρειο Αιγαίο 72Other DecapodaLarvae Βόρειο Αιγαίο 97

Corycaeus Βόρειο Αιγαίο 82 Furcilia Βόρειο Αιγαίο 53Oncaea Βόρειο Αιγαίο 36 Cumacea Εκβολ. Αχελώου 50Oithona Βόρειο Αιγαίο 138 Mysidacea Εκβολ. Αχελώου 75Temora Βόρειο Αιγαίο 74 Appendicularia Βόρειο Αιγαίο 144

Chaetognatha Βόρειο Αιγαίο 145Fish Larvae Εκβολ. Αχελώου 25

•24 ομάδες •3 περιοχές •2172 άτομα (25-214)

Διαδικασία σάρωσης

Απόκτηση εικόνων (σάρωση)

Χρησιμοποιήθηκαν οι σαρωτές:•Epson Perfection 4990 •Epson Perfection V750 Pro

Καλή απόδοσηΠροσιτή τιμήΣυγκρίσιμα αποτελέσματα

Καπάκι

Νερό με υδροβολέα

Δείγμα

Τζάμι σαρωτή

Petri με τρύπα στη μέση

1

2

3

4

5

ΣΧΗΜΑ Α

Παραγωγή δεδομένων για 2 training sets:

• Color training set.(Απλή έγχρωμη σάρωση δειγμάτων)

• Eosin training set.(Έγχρωμη σάρωση έπειτα από χρώση των δειγμάτων με Eosin)

Επεξεργασία εικόνων - Εξαγωγή βινιετών

Ανεπεξέργαστη εικόνα Βινιέτες- Βάση εικόνων αναφοράς (training set)

Όλα τα αντικείμενα, συμπεριλαμβανομένων των τριχιδίων, γρατζουνιών, φυσαλίδων και συσσωματωμάτων συνθέτουν ξεχωριστές ομάδες.

Δημιουργία βάσης εικόνων αναφοράς(training set)

•Color training set: 27 ομάδες, 3523 βινιέτες•Eosin training set: 27 ομάδες, 3756 βινιέτες

Επιλογή αλγορίθμου

Για την δημιουργία των κριτηρίων αναγνώρισης των ομάδων επιλέχθηκε ο Random forest διότι παρέχει τα ικανοποιητικότερα αποτελέσματα κατά την αυτό-αξιολόγηση των training sets.

Αυτό-αξιολόγηση της ακρίβειας του ZooImage

Το λογισμικό ανακατεύει τις βινιέτες και στη συνέχεια προσπαθεί να τις επανεντάξει στις ομάδες τους με βάση τα κριτήρια αναγνώρισης των οργανισμών.

Η διαδικασία επαναλαμβάνεται 10 φορές και στη συνέχεια υπολογίζεται το ποσοστό σφάλματος.

Πίνακας σύγχυσης μεταξύ των ομάδων.

Η σημασία της ποικιλίας των βινιετών μιας ομάδαςΚριτήρια αναγνώρισης

Σειρά βινιετών Centropages Σειρά βινιετών Doliolum

• 110 βινιέτες• 92% accuracy

•30 βινιέτες•72% accuracy

Color training set• 27 Ομάδες• 3523 βινιέτες• Accuracy 94.58%.•Από (70-100%)

Eosin training set• 27 Ομάδες• 3756 βινιέτες• Accuracy 95.29%•Από (76-100%)

Ακρίβεια αυτό-αξιολόγησης του ZooImage

Bell & Hopcroft (2008, Pr. William Sound Αλάσκας) • 53 ομάδες• Accuracy 87.46%

Gislason & Silva (2009, θάλασσα της Ισλανδίας)• 19 ομάδες.•1174 βινιέτες.•Accuracy (47-100%)

Irigoien et al. (2009, Βισκαϊκός κόλπος) • 17 ομάδες• 10829 βινιέτες• Accuracy 88.23%

Δοκιμή με μικτά δείγματα ζωοπλαγκτού (field samples)

Τα δείγματα αυτά είχαν αναλυθεί πριν με στερεοσκόπιο.

Μειώθηκε η ακρίβεια αναγνώρισης σε σχέση με την αυτοαξιολόγηση λόγω….

Σύνθεσης των training sets με τις ιδανικότερες βινιέτες.Άγνωστες μορφές στα μικτά δείγματα.

Χρειάζεται περαιτέρω ανάλυση και έλεγχος σχετικά με τα χαρακτηριστικά των οργανισμών που δυσχεραίνουν την αναγνώριση.

Γενικά συμπεράσματα

• Η ακρίβεια από την αυτό-αξιολόγηση του ZooImage με βάση τις βινιέτες που του δόθηκαν ήταν κατά μέσο όρο 95%.

• Το πρόγραμμα είναι πιο αξιόπιστο για ανώτερες ταξινομικές ομάδες (π.χ. ομάδα των Κωπηπόδων), παρά για γένη (π.χ. Oithona και Oncaea).

• Η ακρίβεια αναγνώρισης αυξάνει όσο μικραίνει ο αριθμός των ομάδων.

• Τα μεσαίου μεγέθους Κωπήποδα (Acartia, Calanus, Centropages,Temora) αναγνωρίζονται με μεγαλύτερη ακρίβεια σε σχέση με τα μικρότερα (Oithona, Corycaeus).

• Μειώθηκε η ακρίβεια αναγνώρισης κατά τη δοκιμή με δείγματα πεδίου.

Βελτίωση της απόδοσης του ZooImage

•Περαιτέρω τροφοδότηση των trainings sets με δεδομένα (βινιέτες).

•Αναγωγή της αφθονίας των οργανισμών σε βιομάζα.

•Σύγκριση με μετρήσεις βιομάζας που έχουν υπολογιστεί με την κλασική μέθοδο.

•Ανάλυση περισσότερων δειγμάτων πεδίου και ποσοστικοποίηση των αποτελεσμάτων.