Contrasting the efficiency of imaging systems for mesozooplankton indicators across Pacific and Atlantic coastal ecosystems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mesozooplankton have a pivotal role in marine food webs, linking primary producers to higher trophic levels. Their abundance and traits serve as key indicators of ecosystem structure and function, making them essential components of long-term ocean monitoring. However, the need to monitor biodiversity and functional traits, combined with their pronounced spatial and temporal variability, requires extensive sampling and presents significant laboratory bottlenecks and cost-related challenges. Imaging instruments, combined with automated image classifiers such as Ecotaxa, offer a promising solution by enabling high-throughput, cost-effective processing of large numbers of samples, while also providing highly precise trait measurements previously unattainable with traditional methods. In this study, we compare the performance of human-sorted microscopy, human-sorted images and computer-sorted images across three contrasting coastal ecosystems on Canada's Pacific and Atlantic coasts. First, we demonstrated that upfront investment in identifying a larger number of images contributed to the development of robust regional image libraries, which significantly enhanced the performance of automated classifiers (e.g., mean F1 score = 0.54 with up to 200 images per taxon and 0.68 with up to 5000 images per taxon). Results showed that automated image classification performance varies with specimen characteristics such as symmetry, geodesic thickness, and taxa richness. We then assessed how each method captures local mesozooplankton diversity and altered key ecological indicators. Based on observed ecosystem-specific differences, we provide recommendations for optimizing classification workflows in relation to local diversity patterns. This study provides large-scale empirical evidence that investing in the development of regional image libraries enhances the scalability and accuracy of coastal ecological assessments. These emerging digital assets have the potential to significantly advance ecosystem monitoring and management. • Differences in automated zooplankton classification performance between regions. • Larger regional image libraries led to better model performance. • Differences between microscopy and imaging between regions. • Taxonomic resolution impacted classification accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle