太平洋与大西洋沿岸生态系统中观浮游动物成像系统效率的对比研究及其生态监测应用

研究人员针对传统浮游动物监测方法存在的高成本、低通量瓶颈，创新性对比了人镜检(HM)、人工图像分类(HI)与计算机图像分类(CI)三种方法在加拿大太平洋与大西洋沿岸三种生态系统中的表现。通过构建区域性图像库（最高5000张/类），发现计算机分类F1分数提升至0.68，且分类精度受生物对称性、测地厚度等形态特征显著影响。该研究为优化海岸带生态监测的自动化流程提供了实证依据，推动成像技术在全球生物多样性评估中的标准化应用。

　　

海洋生态监测正面临重大技术变革。传统显微镜检虽能精确识别浮游动物，但耗时费力且难以捕捉细微功能性状；而新兴成像技术虽能高通量处理样本，但其分类准确性受区域生物多样性特征影响尚不明确。这一技术鸿沟严重制约了全球海岸带生态系统健康评估的标准化进程。加拿大渔业与海洋部圣安德鲁斯生物站（Fisheries and Oceans Canada, St. Andrews Biological Station）的研究团队在《Ecological Genetics and Genomics》发表的研究，首次系统比较了太平洋与大西洋沿岸三种典型生态系统中成像技术的适用性差异。

研究团队采用多技术联合作战策略：通过FlowMacro成像系统获取浮游动物（0.25-5.00mm）形态数据，结合人工镜检建立基准数据集；利用EcoTaxa平台构建区域性训练库（含5000张/类图像），采用随机森林算法进行自动分类；运用主成分分析解析形态特征（对称性、测地厚度）与分类性能的关联；通过NMDS和PERMANOVA比较三种方法对群落结构的表征差异。样本覆盖圣彼得湾（大西洋）、纽芬兰南臂（大西洋）及温哥华岛Lemmens Inlet（太平洋）的40个站点。

模型训练与性能评估显示：区域性图像库是提升分类精度的关键。当单类训练图像从200张增至5000张时，加权平均F1分数从0.54跃升至0.68。太平洋样本因生物多样性高（平均22.6种/样本），其模型性能最优（F1=0.74），而大西洋样本因优势种（如Acartia）过度聚集导致特异性下降。值得注意的是，对称性（β=0.45）和测地厚度（β=141.5）等形态参数可解释74.8%的分类误差变异。

生态指标对比揭示技术互补性：人工图像分类（HI）检出最多物种数（较镜检高30%），但计算机分类（CI）在群落结构分析中表现出稳定性——其Bray-Curtis相异度比人工方法低15-40%。当训练图像突破5000张阈值后，CI对优势种Acartia的识别准确率提升17%，印证了"数据规模决定性能天花板"的机器学习定律。

讨论部分提出了革命性监测框架：在低多样性区域（如纽芬兰），成像技术能以目级分类精度替代传统镜检；而对于高多样性海域（如太平洋），建议采用"HI初筛+CI批量处理+HM重点复核"的三级工作流。该研究首次量化了区域性图像库建设（需≥5000张/类）对自动化监测的增益效应，为《全球海洋评估报告》推荐的"数字浮游动物"计划提供了关键技术参数。正如作者Ana?s Lacoursière-Roussel强调的，这项成果不仅解决了海岸带监测的"通量-精度"悖论，更通过标准化形态特征数据库的构建，为气候变化背景下的浮游动物功能性状研究开辟了新维度。