ΑΥΤΟΜΑΤΟΠΟΙΗΣΗ ΤΗΣ ΑΝΑΛΥΣΗΣ ΜΕΣΟΖΩΟΠΛΑΓΚΤΙΚΩΝ ΟΡΓΑΝΙΣΜΩΝ ΤΗΣ ΑΝΑΤΟΛΙΚΗΣ ΜΕΣΟΓΕΙΟΥ ΜΕ ΤΗ ΧΡΗΣΗ ΤΟΥ ΛΟΓΙΣΜΙΚΟΥ ZOOIMAGE

Transcript

1 ΑΥΤΟΜΑΤΟΠΟΙΗΣΗ ΤΗΣ ΑΝΑΛΥΣΗΣ ΜΕΣΟΖΩΟΠΛΑΓΚΤΙΚΩΝ ΟΡΓΑΝΙΣΜΩΝ ΤΗΣ ΑΝΑΤΟΛΙΚΗΣ ΜΕΣΟΓΕΙΟΥ ΜΕ ΤΗ ΧΡΗΣΗ ΤΟΥ ΛΟΓΙΣΜΙΚΟΥ ZOOIMAGE Κετσιλής-Ρίνης Β. 1, Φραγκοπούλου Α. 2, Φραγκούλης Κ. 3 1 Τμήμα Βιολογίας, Πανεπιστήμιο Πατρών, vlasis2738@hotmail.com 2 Τμήμα Βιολογίας, Πανεπιστήμιο Πατρών, nfrago@upatras.gr 3 Ινστ. Ωκεανογραφίας, Ελληνικό Κέντρο Θαλάσσιων Ερευνών, cfrangoulis@hcmr.gr Περίληψη Στην παρούσα εργασία δοκιμάσθηκε το ελεύθερο λογισμικό ZooImage για την αυτόματη ταξινόμηση δειγμάτων μεσοζωοπλαγκτού των Ελληνικών θαλασσών. Για το σκοπό αυτό μελετήθηκαν δείγματα από το Αιγαίο και το Ιόνιο και δείγματα παράκτιων υδάτων συμπεριλαμβανομένων λιμνοθαλάσσιων οικοσυστημάτων Το λογισμικό τροφοδοτήθηκε με εικόνες-πρότυπα για 27 ομάδες οργανισμών, και αξιολογήθηκε η συστηματική ταξινομική του ικανότητα σε σχέση με συμβατικές μεθόδους αναγνώρισης. Το ZooImage παρουσίασε αρκετά υψηλά ποσοστά αναγνώρισης. Ωστόσο το λογισμικό φαίνεται να είναι πιο αξιόπιστο για ανώτερα τάξα, π.χ. για τα Κωπήποδα παρά για το γένος Oithona. Ο χρόνος που εξοικονομείται για την αναγνώριση του μεσοζωοπλαγκτού είναι 6-12 φορές λιγότερος, σε σχέση με τον χρόνο που απαιτείται με τη συμβατική μέθοδο αναγνώρισης, χωρίς ωστόσο να υποτιμάται ο ανθρώπινος παράγοντας και η παραδοσιακή μέθοδος ανάλυσης και ταξινόμησης. Λέξεις κλειδιά: Αυτόματη Ανάλυση δειγμάτων, ταξινόμηση, ζωοπλαγκτόν ή πλαγκτόν, AUTOMATED ANALYSIS OF MESOZOOPLANKTON OF THE EASTERN MEDITERRANEAN WITH THE USE OF ZOOIMAGE SOFTWARE Ketsilis-Rinis V. 1, Fragopoulou A. 2, Frangoulis C. 3 1 Biology Dptm., University of Patras, vlasis2738@hotmail.com 2 Biology Dptm., University of Patras, nfrago@upatras.gr 3 Inst. Oceanography, Hellenic Centre for Marine Research, cfrangoulis@hcmr.gr Abstract. In this study the open source ZooImage software for automatic classification of zooplankton samples of the Greek seas was tested. For this purpose, samples from the Aegean and Ionian Sea, as well as from coastal waters and lagoon ecosystems were used. The software was supplied with image-models for 27 groups of organisms and its systematic taxonomic ability was evaluated in relation to the conventional identification methods. ZooImage has fairly high recognition rates. However, the software seems to be more reliable with broad taxonomic groups, e.g. for Copepods, rather than Oithona spp. The time saved for identification of mesozooplankton is 6-12 times less than the time needed with the conventional way, without underestimating the human factor and the traditional method of analysis and classification. Key words: Samples analysis, classification, database, images, vignettes

2 1. Εισαγωγή Οι Πλαγκτικοί οργανισμοί αποτελούν τη βάση των θαλάσσιων τροφικών πλεγμάτων. Μπορούν να χρησιμοποιηθούν ως βίο-ενδείκτες για την παρακολούθηση φαινομένων όπως η υπερθέρμανση του πλανήτη και ο ευτροφισμός (Grosjean & Denis, 2007). Ωστόσο για την κατανόηση τέτοιων φαινομένων είναι απαραίτητη η μελέτη μεγάλου αριθμού δειγμάτων συντηρημένων κατά κύριο λόγο σε φορμόλη ή σε αλκοόλη, άρα είναι μια διαδικασία που πέρα από τις υψηλές χρονικές απαιτήσεις έχει και επιπτώσεις στην υγεία. Έτσι πολλές φορές περιορίζεται αυστηρά ο αριθμός των δειγμάτων που μπορούν να μελετηθούν, γεγονός που οδηγεί σε αποσπασματική πληροφορία που δύσκολα ερμηνεύεται (Grosjean & Denis, 2007). Για το λόγο αυτό, σημαντικές προσπάθειες έχουν γίνει για την αυτοματοποίηση της ανάλυσης των πλαγκτικών οργανισμών. Μεταξύ των αυτοματοποιημένων αναλύσεων συμπεριλαμβάνεται και η ανάλυση εικόνων. Η λήψη εικόνων προς ανάλυση μπορεί να πραγματοποιηθεί από διάφορα όργανα που ανέπτυξαν διάφορες ομάδες επιστημόνων. Μεταξύ των οργάνων ξεχωρίζουν το Video Plankton Recorder-VPR-, το Zooplankton Scanner -ZooScan-, το Flow-CAM, το Shadowed Image Particle Profiling Evaluation Recorder -SIPPER-, το Zooplankton Visualization and Imaging System - ZOOVIS-, το Harmful Algal Bloom Buoy -HAB Buoy- και στη τρισδιάστατη απεικόνιση: Το Magnetic Resonance Imaging -MRI -, το Computerised Axial Tomography -CAT- και το Positron Emission Tomography -PET- (Wiebe & Benfield 2003; Culverhouse et al., 2006). Η ανάλυση τέτοιων εικόνων μπορεί να πραγματοποιηθεί με ένα πλήθος λογισμικών όπως το Dinoflagellate Categorisation by Artificial Neural Network -DiCANN-, το Real Flow Imaging and Classification System -REFLICS-, το Plankton Visual Analyser -PVA- ένα ελεύθερα διανεμόμενο λογισμικό και το Zooplankton Process -ZooProcess- επίσης ένα ελεύθερο λογισμικό το οποίο επεξεργάζεται εικόνες προερχόμενες από το Zooplankton Scanner -ZooScan- (Culverhouse et al., 2006). Όλα αυτά τα λογισμικά μπορούν να χρησιμοποιηθούν για την επεξεργασία μίας ή λίγων εικόνων ταυτόχρονα και συνήθως αναγνωρίζουν εικόνες από ένα μόνο είδος συσκευής (Grosjean & Denis, 2007). Μεταξύ των διαθέσιμων λογισμικών, είναι και το Zoo/PhytoImage (Grosjean & Denis, 2007), ένα ελεύθερο λογισμικό, που τα τελευταία χρόνια χρησιμοποιείται για την αυτοματοποίηση της αναγνώρισης του πλαγκτού. Το Zoo/PhytoImage αποτελεί ένα δυνατό και πολλά υποσχόμενο λογισμικό το οποίο έχει τη δυνατότητα να διαχειρίζεται και να αναλύει εικόνες προερχόμενες από ένα ευρύ φάσμα εξειδικευμένων και συμβατικών συσκευών, όπως ψηφιακές κάμερες και σαρωτές. Το ZooImage χρησιμοποιείται για το μεσοζωοπλαγκτόν και το PhytoImage για το φυτοπλαγκτόν (Grosjean & Denis, 2007). Το ZooImage χρησιμοποιεί το στατιστικό λογισμικό R, το λογισμικό ανάλυσης εικόνων Image J καθώς και το λογισμικό διαχείρισης εικόνων XnView. Επιπλέον για τη δημιουργία κριτήριων αναγνώρισης αντικειμένων, χρησιμοποιεί 6 διαφορετικούς αλγορίθμους μεταξύ των οποίων και ο αλγόριθμος Random forest. Οι δυνατότητες και οι εφαρμογές του είναι ποικίλες καθώς μπορεί να αναγνωρίζει ομάδες οργανισμών, να υπολογίζει αφθονία και βιομάζα ομάδας οργανισμών ή του

3 συνόλου των οργανισμών, να διαχειρίζεται τα μεταδεδομένα (metadata) των δειγμάτων και να δημιουργεί γραφικές παραστάσεις. Με αυτές τις εφαρμογές περιορίζει σημαντικά το χρόνο ανάλυσης των δειγμάτων σε σχέση με τις παραδοσιακές τεχνικές και δίνει τη δυνατότητα μελετών με μεγαλύτερη χωρική και χρονική κάλυψη (π.χ. μελέτη μεγάλων χρονοσειρών). Επιπλέον αποφεύγεται η καταστροφή δειγμάτων για τον υπολογισμό βιομάζας και τέλος τα δείγματα μπορούν να παραμείνουν αναλλοίωτα σε ψηφιακή μορφή για απεριόριστο χρόνο, χωρίς φυσικές φθορές αποθηκευμένα σε βάσεις δεδομένων, αλλά και να μεταφερθούν μέσω του διαδικτύου (Gislason & Silva, 2009). Σκοπός της παρούσας εργασίας ήταν να επιτευχθεί η αυτοματοποιημένη αναγνώριση του μεσοζωοπλαγκτού των Ελληνικών υδάτων, μελετώντας δείγματα ανοιχτής θάλασσας από το Αιγαίο και το Ιόνιο και δείγματα παράκτιων υδάτων, συμπεριλαμβανομένων λιμνοθαλάσσιων οικοσυστημάτων. 2. Υλικά και Μέθοδοι Η μέθοδος αυτοματοποιημένης αναγνώρισης του ζωοπλαγκτού βασίζεται στη μηχανική μάθηση του λογισμικού (machine learning process), που γίνεται από δεδομένα (εικόνες) και αλγορίθμους που δημιουργούν κριτήρια αναγνώρισης των αντικειμένων (οργανισμών). Το λογισμικό δημιουργεί αυτά τα κριτήρια αυτόματα, βασιζόμενο σε μία βάση δεδομένων με εικόνες/βινιέτες ήδη αναγνωρισμένων οργανισμών από το χρήστη, γνωστή ως εκπαιδευτική συλλογή (golden training set). Το πρώτο βήμα για τη δημιουργία της εκπαιδευτικής συλλογής είναι η διαλογή του ζωοπλαγκτού σε επίπεδο είδους ή σε ανώτερη ταξινομική κλίμακα, με τη χρήση στερεοσκοπίου και τη δημιουργία αντίστοιχων δειγμάτων που το καθένα περιλαμβάνει ένα μόνο τάξον. Το επόμενο βήμα είναι η σάρωση των δειγμάτων με τον Epson Perfection 4990 ή με το Epson Perfection V750. Ο λόγος αυτής της επιλογής είναι αφενός η καλή απόδοση και των δύο μοντέλων και η προσιτή τιμή τους και αφετέρου η κοινή τους χρήση από το σύνολο σχεδόν των ερευνητών που ασχολούνται με το πρόγραμμα. H διαδικασία της προετοιμασίας και τοποθέτησης του δείγματος στον σαρωτή, περιγράφεται στο παρακάτω σχήμα (Εικ.1).

4 Νερό τρύπα 1 Καπάκι 2 Δείγμα 3 4 Τζάμι σαρωτή 5 Εικόνα 1:Διαδικασία προετοιμασίας και τοποθέτησης του δείγματος στον σαρωτή. To δείγμα τοποθετείται σε ανεστραμμένα καπάκια πλαστικών τρυβλίων petri. Τα καπάκια που χρησιμοποιούμε φροντίζουμε να είναι καινούργια και το νερό χωρίς φυσαλίδες. Για καλύτερα αποτελέσματα, οι οργανισμοί δεν πρέπει να ξεπερνούν τους 300, ώστε να αποφεύγεται η επικάλυψή τους. Το νερό που προσθέτουμε στη θέση 1 εμποδίζει τους οργανισμούς να πλησιάσουν τα τοιχώματα. Χρησιμοποιώντας βελόνες ξεχωρίζουμε συσσωματώματα που μπορεί να δημιουργηθούν και βυθίζουμε τους οργανισμούς που επιπλέουν. Οι σαρωτές που χρησιμοποιήθηκαν χωράνε έως και 4 petri διαμέτρου 8-9 εκατοστών (Εικ.2). Η ποιότητα των σαρώσεων διακρίνεται σε δύο κατηγορίες: έγχρωμη και ασπρόμαυρη (στην παρούσα εργασία έγινε χρήση έγχρωμων εικόνων). Εικόνα 2: Πρόγραμμα του σαρωτή (Epson Scan) και απεικόνιση των petri με δείγματα ζωοπλαγκτού στην επιφάνεια σάρωσης.

5 Με την διαδικασία αυτή σαρώθηκαν όλα τα δείγματα. Τα δείγματα ήταν 33 και σκαναρίστηκαν 3 φορές το καθένα (συνολικά 99 σκαναρίσματα για κάθε εκπαιδευτική συλλογή). Έτσι παράχθηκαν δεδομένα (εικόνες) για την δημιουργία 2 διαφορετικών εκπαιδευτικών συλλογών (golden training sets): ένα απλό έγχρωμο όπως προκύπτει από την σάρωση και ένα έγχρωμο κατόπιν χρώσης με Eosin (5gr/L), που βάφει τους ιστούς των οργανισμών σε ροζ χρώμα έτσι ώστε να αναγνωρίζονται εάν το δείγμα περιέχει ανόργανα υλικά όπως άμμος. Τα στοιχεία των δειγμάτων που σαρώθηκαν παρατίθενται στον παρακάτω πίνακα (Πιν.1). Πίνακας 1: Στοιχεία δειγμάτων που σαρώθηκαν για την δημιουργία της εκπαιδευτικής συλλογής. ΟΜΑΔΑ ΠΕΡΙΟΧΗ ΑΡ. ΑΤΟΜΩΝ ΟΜΑΔΑ ΠΕΡΙΟΧΗ ΑΡ. ΑΤΟΜΩΝ Polychaeta Εκβολ. Αχελώου 60 Cladocera Pteropoda Βόρειο Αιγαίο 77 Evadne Εκβολ. Αχελώου 40 Ostracoda Βόρειο Αιγαίο 72 Penilia avirostris Βόρειο Αιγαίο 194 Copepoda Cypris Λιμνοθ. Πάππα 150 Acartia Λιμνοθ. Πάππα 101 Doliolum Βόρειο Αιγαίο 214 Calanus Βόρειο Αιγαίο 67 Branchiura Zoe Βόρειο Αιγαίο 83 Clausocalanus Βόρειο Αιγαίο 73 Megalope Εκβολ. Αχελώου 50 Other DecapodaLarvae Βόρειο Αιγαίο 97 Centropages Βόρειο Αιγαίο 72 Corycaeus Βόρειο Αιγαίο 82 Furcilia Βόρειο Αιγαίο 53 Oncaea Βόρειο Αιγαίο 36 Cumacea Εκβολ. Αχελώου 50 Oithona Βόρειο Αιγαίο 138 Mysidacea Εκβολ. Αχελώου 75 Temora Βόρειο Αιγαίο 74 Appendicularia Βόρειο Αιγαίο 144 Chaetognatha Βόρειο Αιγαίο 145 Fish Larvae Εκβολ. Αχελώου 25 Αφού ολοκληρωθεί η σάρωση των δειγμάτων, ακολουθεί η επεξεργασία των παραγόμενων εικόνων με τη χρήση του ZooImage. Η αρχική ανεπεξέργαστη εικόνα (Εικ.3) διασπάται αυτόματα σε τμηματικές εικόνες-βινιέτες (μια για κάθε αντικείμενο) (Εικ.4). Αφού γίνει αυτό για όλες τις ανεπεξέργαστες εικόνες, συντίθενται από το χρήστη τα training sets (σύνολο φακέλων, που περιλαμβάνει ένα φάκελο για κάθε κατηγορία αντικειμένου). Εικόνα 3: Ανεπεξέργαστη => Εικόνα 4: Επεξεργασμένη (δημιουργία βινιετών)

6 Αξίζει να σημειωθεί ότι κατά την ανάλυση ενός δείγματος με το ZooImage, όλα τα αντικείμενα, συμπεριλαμβανομένων των τριχιδίων, γρατζουνιών και φυσαλίδων, συνθέτουν ξεχωριστές ομάδες. Το λογισμικό συγκρίνοντας τις εικόνες της εκπαιδευτικής συλλογής δημιουργεί αυτόματα κριτήρια για την αναγνώριση των αντικειμένων (μετά από επιλογή ενός αλγόριθμου από το χρήστη). 3. Αποτελέσματα Το ZooImage παρέχει δυνατότητα στατιστικής ανάλυσης της απόδοσης του. Στην παρούσα εργασία, με βάση τις εκπαιδευτικές συλλογές που χρησιμοποιήθηκαν, η επιλογή του αλγόριθμου Random forest έδωσε την ικανοποιητικότερη ανάλυση. Το πρόγραμμα δίνει την δυνατότητα αυτοαξιολόγησης της απόδοσης του. Ανακατεύει όλες τις βινιέτες που του έχουν δοθεί (ταξινομημένες από το χρήστη) και στη συνέχεια προσπαθεί να τις επανεντάξει στις ομάδες τους, χρησιμοποιώντας τα κριτήρια αναγνώρισης των οργανισμών που δημιούργησε. Η διαδικασία αυτή επιτελείται 10 φορές και εν συνεχεία υπολογίζεται το ποσοστό σφάλματος. Έτσι ελέγχεται η απόδοση των εκπαιδευτικών συλλογών (Εικ.5 και Εικ.6). Γενικά τα μεγαλύτερα ποσοστά σφάλματος εμφανίζονται στις ομάδες Oithona, Corycaeus και Doliolum που είναι αντίστοιχα 19%, 25%, και 30% στο Color training set (Εικ.5), ενώ στο Eosin training set καμία ομάδα δεν εμφανίζει σφάλμα αναγνώρισης πάνω από 25% (με υψηλότερο σφάλμα για Corycaeus 15%, Oithona 16% και Dolium 24% (Εικ.6). Εικόνα 5: Color training set. Αριστερά το ποσοστό σφάλματος αναγνώρισης και δεξιά μία γραφική απεικόνιση του σφάλματος, της αναγνωριστικής ικανότητας και της σύγχυσης μεταξύ των ομάδων.

7 Εικόνα 6: Eosin training set. Αριστερά το ποσοστό σφάλματος αναγνώρισης και δεξιά μία γραφική απεικόνιση του σφάλματος, της αναγνωριστικής ικανότητας και της σύγχυσης μεταξύ των ομάδων. Χρωματιστά τετράγωνα εκτός των τετραγώνων της διαγωνίου του σχήματος σημαίνει σύγχυση στην αναγνώριση των ομάδων. (π.χ. Από το σχήμα παρατηρούμε ότι η ομάδα Acartia συγχέεται αρκετά με την ομάδα Oithona και ελάχιστα με την ομάδα Corycaeus. Ενώ η ομάδα Appendicularian συγχέεται αρκετά με την ομάδα Strings and scratches και ελάχιστα με την ομάδα Decapodlarve). Με την ίδια λογική διαβάζεται και η εικόνα 5. Ωστόσο καλύτερος έλεγχος μπορεί να γίνει μόνο με την ανάλυση ανεπεξέργαστων εικόνων ζωοπλαγκτού, που δεν έχουν χρησιμοποιηθεί για την τροφοδότηση των training set. Τα δείγματα αυτά πρέπει να έχουν αναλυθεί νωρίτερα με άλλο τρόπο, όπως το στερεοσκόπιο ή κάποιο λογισμικό με ημιαυτόματη μέθοδο (όπου ο χρήστης ελέγχει μια προς μια τις μετρήσεις του λογισμικού) όπως πχ το Image Pro Plus (Frangoulis et al. 2010), έτσι ώστε να υπάρχουν συγκρίσιμα αποτελέσματα. Στη παρούσα εργασία έγινε χρήση του Image Pro Plus καθώς και του στερεοσκοπίου. Στη συνέχεια παρουσιάζονται μόνο τα αποτελέσματα των ελέγχων που πραγματοποιήθηκαν με αναλύσεις στερεοσκοπίου (Πιν.2).

8 Πίνακας 2: Αριστερά έλεγχος για το Color training set με ανάλυση 2 δειγμάτων συνολικού ζωοπλαγκτού με Στερεοσκόπιο (Δ1, Δ2) και το ZooImage (Εικ. 1 και Εικ.2 α,β,γ) και δεξιά έλεγχος για το Eosin training set με ανάλυση ενός δείγματος συνολικού ζωοπλαγκτού με Στερεοσκόπιο (Δ1) και με το ZooImage (Εικ.1 α,β,γ). Η εικόνες α, β, γ δημιουργήθηκαν ύστερα από ανακάτεμα του ίδιου δείγματος 3 φορές.

9 Σε σχέση με τα Κωπήποδα, ως προς το σύνολο φαίνεται να υπάρχει υποεκτίμηση. Ως προς τα Καλανοειδή Κωπήποδα, σε άλλα υπάρχει υποεκτίμηση (Acartia, Temora) και σε άλλα υπερεκτίμηση (Clausocalanus, Centropages). Όσον αφορά τα Κυκλοποειδή, το Oithona υπερεκτιμάται ενώ το Oncaea υποεκτιμάται. Τα αποτελέσματα ίσως να ήταν καλύτερα με την ενοποίηση των γενών αυτών στην ομάδα Cyclopoida. Οι ομάδες των Corycaeus, Pteropoda, Branchiura Zoe και Other Decapod larvae εμφανίζουν υποεκτίμηση, ενώ οι υπόλοιπες ομάδες εμφανίζουν από μικρή έως σημαντική υπερεκτίμηση. 4. Συμπεράσματα / Συζήτηση Σύμφωνα με την υπάρχουσα βιβλιογραφία, το ZooImage έχει χρησιμοποιηθεί από τους Grosjean et al. (2004), Bell & Hopcroft, (2008), Fernades et al. (2009), Irigoien et al.,(2009). Παρ όλα αυτά, οι Gislason & Silva (2009) το χρησιμοποίησαν για την ανάλυση δειγμάτων του Βόρειου Ατλαντικού (θάλασσα της Ισλανδίας) με τρόπο που μπορεί να αποτελέσει βασική αναφορά σύγκρισης για τα δικά μας δεδομένα., Η απόδοση του λογισμικού από την παραπάνω εργασία χρησιμοποιήθηκε για σύγκριση με αυτήν που προέκυψε από την παρούσα εργασία. Ωστόσο, πρέπει να σημειωθεί ότι οι Gislason & Silva (2009) χρησιμοποίησαν ασπρόμαυρες εικόνες ποιότητας tiff, 16 bit grey, 2400 dpi για την τροφοδότηση του ZooImage και τη δημιουργία Grey training set, ενώ στην παρούσα εργασία έχουμε εικόνες ποιότητας jpg, 24 bit color, 2400 dpi και δημιουργία Color και Eosin training set.επομένως διατηρούνται κάποιες επιφυλάξεις ως προς την αξιοπιστία της παρακάτω σύγκρισης. Γενικά, όπου μπορεί να γίνει σύγκριση της απόδοσης της αναγνώρισης, υπάρχουν σημεία σύγκλισης (π.χ. Χαιτόγναθα, Calanus, Clausocalanus, Centropages, Oithona, Oncaea) αλλά και απόκλισης (π.χ., Acartia, Temora). Για κάποιες ομάδες, οι διαφορές οφείλονται κυρίως στην ποσότητα των διαθέσιμων δεδομένων (εικόνων) που τροφοδότησαν τα training set. Ένα γενικό συμπέρασμα σύμφωνα με τα αποτελέσματά μας, είναι ότι το ZooImage είναι πιο αξιόπιστο για ανώτερες ταξινομικές ομάδες (π.χ. ομάδα των Κωπηπόδων), παρά με γένη (π.χ. Oithona και Oncaea) (Πιν.2). Μια επίσης γενική αποδοχή είναι ότι η ακρίβεια αναγνώρισης αυξάνει όσο μικραίνει ο αριθμός των ομάδων προς αναγνώριση (Culverhouse et al., 2003; Grosjean &Denis, 2007; Fernades et al., 2009). Μειονέκτημα του προγράμματος είναι ότι οι περισσότερες λειτουργίες του είναι δύσχρηστες (Grosjean & Denis, 2007). Δεδομένου ότι, τα ποσοστά επιτυχίας αναγνώρισης σύμφωνα με την παρούσα εργασία ήταν >70% (ανάλυση αποτελεσμάτων με αλγόριθμο random forest), θεωρούμε ότι γενικά το πρόγραμμα υπήρξε αποτελεσματικό, αφού το ποσοστό ανθρωπίνου σφάλματος κατά τη συμβατική μέθοδο αναγνώρισης πλαγκτού μπορεί να πλησιάσει το 30% (Culverhouse et al., 2003). Για να δούμε καλύτερα ορισμένα πλεονεκτήματα αλλά και μειονεκτήματα πρέπει να συγκρίνουμε τη μέθοδο της αυτόματης ανάλυσης (ZooImage), με τη μέθοδο της ημιαυτόματης

10 ανάλυσης (Image Pro Plus) και την ανάλυση με τη χρήση στερεοσκοπίου, όπως συνοψίζονται στον Πιν.3. Πίνακας 3: Στερεοσκόπιο VS Image Pro Plus VS ZooPhytoImage Στερεοσκόπιο Ημιαυτόματη Αυτόματη ανάλυση ανάλυση Πηγή εικόνας Στερεοσκόπιο Σαρωτής Σαρωτής Λογισμικό - Image Pro Plus ZoοImage Επίπεδο ταξινομικής Είδος Ομάδα (έως γένος) Ομάδα (έως γένος) Σφάλμα αναγνώρισης Μικρό Μέτριο Υψηλό Χρόνος/δείγμα Υψηλός Μέτριος Μικρός Μέτρηση διαστάσεων Μη αυτόματη Αυτόματη Αυτόματη Μικρότεροι αναγνωρίσιμοι οργανισμοί 20 μm 100 μm 100 μm Για την περαιτέρω βελτίωση της απόδοσης του λογισμικού απαιτείται επιπλέον τροφοδότηση και αυτόματη αναδιάρθρωση των training sets. Σε επόμενο στάδιο θα μπορούσε να αυτοματοποιηθεί και ο υπολογισμός της βιομάζας των οργανισμών χρησιμοποιώντας γνωστές εξισώσεις ανά βέλτιστη ομάδα και να γίνει σύγκριση με μετρήσεις βιομάζας που έχουν γίνει με την κλασική μέθοδο. Μέσω της χρήσης του ZooImage, ο χρόνος ανάλυσης των δειγμάτων και ο υπολογισμός της βιομάζας μπορεί να μειωθεί από 6-12 φορές εφόσον διαθέτουμε τις κατάλληλες βάσεις δεδομένων (Gislason & Silva, 2009). Ωστόσο σε καμία περίπτωση δεν υποτιμάται η παραδοσιακή μέθοδος ταξινόμησης, όχι μόνο για συγκριτικούς σκοπούς αλλά και για την απαιτητική αναγνώριση ειδών, υποειδών, αναπτυξιακών σταδίων, φύλων και δομών ζωοπλαγκτικών βιοκοινοτήτων. 5. Βιβλιογραφικές Αναφορές Bell, J.L., & Hopcroft, R.R. (2008). Assessment of ZooImage as a tool for the classification of zooplankton. Journal of plankton research, 30 (12): Culverhouse, P.F., Williams, R., Benfield, M., Flood, P.R., Sell, A.F., Mazzocchi, M.G., Buttino, I. & Sieracki, M., Automatic image analysis of plankton: future perspectives. Marine Ecology Progress Series, 312: Culverhouse, P.F., Williams, R., Reguera, B., Herry, V. & Gonzalez-Gil, S., Do experts make mistakes? A comparison of human and machine identification of dinoflagellates. Marine Ecology Progress Series, 247: Frangoulis C., Psarra S., Zervakis V., Meador T., Mara P., Gogou A., Zervoudaki S., Giannakourou A., Pitta P., Lagaria A., Krasakopoulou E., Siokou-Frangou I. (2010). Connecting export fluxes to plankton food web efficiency in the Black Sea waters inflowing into the Mediterranean Sea. Journal of plankton research, 32, Fernades, J.A., Irigoien, X., Boyra, G., Lozano, J.A. & Inza, I., Optimizing the number of classes in automated zooplankton classification. Journal of plankton research, 31 (1): Gislason, A. & Silva, T., Comparison between automated analysis of ZooImage and traditional methodology. Journal of plankton research, 31 (12): Grosjean, P., Picheral M., Warembourg C., Gorsky G., Enumeration, measurement, and identification of net zooplankton samples using the ZOOSCAN digital imaging system. ICES Journal of Marine Science, 61, Grosjean, P. & Denis K., Zoo/PhytoImage version User s Manual, 57pp. Irigoien, X., Fernandes, J.A., Grosjean, P., Denis K., Albaina A., Santos, M., Spring zooplankton distribution in the Bay of Biscay from 1998 to 2006 in relation with anchovy recruitement.

11 Wiebe P.H. & Benfield M.C, From the Hensen net toward four-dimensional biological oceanography. Progress in Oceanography 56,