《European Journal of Soil Biology》:Estimating the biomass of soil macrofauna communities using composite images
编辑推荐:
本研究提出了一种基于二维图像(表面积)与生物量之间关系的方法,并为此开发了预测方程。通过测量复合图像中个体的表面积,该方法旨在提高生物量估算的准确性,特别是将分辨率提升至个体水平,避免某些测量偏差,并提供一种稳健、易用、可重复且资源需求低的方法。该方法基于使用
本研究提出了一种基于二维图像(表面积)与生物量之间关系的方法,并为此开发了预测方程。通过测量复合图像中个体的表面积,该方法旨在提高生物量估算的准确性,特别是将分辨率提升至个体水平,避免某些测量偏差,并提供一种稳健、易用、可重复且资源需求低的方法。该方法基于使用简易桌面文档扫描仪进行样本数字化,致力于实现低技术门槛、实用性、可持续性,并可供广泛用户群体使用。研究测量了新鲜和冻干标本的生物量,并将其与通过图像分析获得的形态特征相关联,以确定最佳预测指标。研究人员构建了一个分类学上广泛的校准数据集,涵盖7纲、25目、58科、96种共1153个个体,所有个体均测量了鲜重,其中921个个体测量了干重。基于表面积和周长建立的多重回归模型在个体和群落水平均表现出高预测精度(鲜重调整R2=0.98,干重调整R2=0.97)。研究还量化了酒精保存对六种代表性物种(分别属于腹足纲、环带纲、昆虫纲、倍足纲和蛛形纲)体形收缩的影响,并针对不同类群和酒精浓度(70%和90%)提出了校正因子。该方法提供了一种可扩展且低技术门槛的生物量估算解决方案,在保持精度的同时减少了处理时间,有助于推动土壤动物群落功能生态学研究。
**论文解读:基于复合图像的土壤大型动物群落生物量估算方法研究**
**一、研究背景与科学问题**
土壤无脊椎动物在自然和农田生态系统中扮演着至关重要的角色,参与维持土壤结构、养分循环、碳储存和有害生物生物调控等多种生态功能。土壤大型动物对上述过程的影响取决于其功能性状,尤其是每个个体的生物量以及最终群落的生物量。事实上,个体生物量是与功能影响联系最紧密的体型描述指标,无论是从个体水平还是群落水平来看均是如此。例如,大型节肢动物对凋落物的消耗是一个依赖生物量的生理过程。生物量在营养网络中同样占据核心地位,因为其在物种间的分布驱动着能量流动、营养传递效率以及种内捕食等生物调控过程。然而,在土壤无脊椎动物群落研究中,生物量很少被实际测量,研究者往往更倾向于使用丰度这一更为直接的指标。这一疏忽限制了对土壤群落生态学关键问题的解答,特别是关于群落结构与土壤生态系统功能之间关系的问题。
生物量估算面临方法论上的挑战。传统方法包括:对分类群内多个个体称重求平均生物量再乘以个体数,但该方法繁琐且未考虑种内质量变异,某些类群(如倍足纲)幼体与成体质量差异可达100倍;将群落中所有个体或各分组统一称重,虽然操作简便但无法获得物种或不同分类群的个体水平数据,且保存液会溶解生物体内容物造成测量偏差;液体置换法也存在工作量大和保存偏差的问题。基于形态测量的异速生长关系,如体长-质量方程,是避免上述偏差并获得个体水平生物量数据的有效途径,但测量额外参数导致耗时几乎与逐个体称重相当。利用图像分析进行自动化形态测量是颇具前景的方法,机器学习流程在飞行昆虫生物量自动估算领域发展迅速,但对土壤动物而言,类似工具尚未充分开发。BIODISCOVER机器和DiversityScanner等先进工具依赖机器人处理系统和深度学习流程,在多数生态实验室难以实施,且其生物量估算的准确性不够稳健,常缺乏直接校准或校准数据集较小且分类覆盖有限。因此,学界迫切需要更大、更完善的校准数据集,整合个体尺度的准确鲜重和干重测量数据,以恰当校准基于图像的工具、提高精度并实现可靠的误差估计。
**二、研究内容与主要结论**
针对上述问题,研究人员提出了一种基于二维图像(表面积)与生物量关系的方法,并开发了预测方程。该方法通过测量复合图像中个体的表面积,旨在提高生物量估算的准确性(分辨率细化至个体水平)、避免测量偏差,并提供一种资源需求低的稳健、易用且可重复的方法。研究基于桌面文档扫描仪进行样本数字化,践行低技术、实用、可持续且可及性强的理念。研究在2021年2月至2023年10月期间,于马提尼克岛(小安的列斯群岛)多种农业生态系统(香蕉、甘蔗、蔬菜种植、可可和柑橘果园)和自然生态系统(热带雨林、热带季节性常绿林、干旱林、海岸林)中采集土壤大型无脊椎动物,通过目视搜索或Barber陷阱捕获后活体带回实验室。物种鉴定至科级后由专家鉴定至种级,无法鉴定到种时归入形态种。
研究共采集了7纲、25目、58科、96种共1153个个体,所有个体均测量鲜重,其中921个个体测量了干重(涵盖7纲、24目、51科、76种)。质量范围从最小个体(蚂蚁)的0.07 mg到最大个体(马陆)的5294.35 mg,覆盖了土壤大型动物质量的广泛变异。研究还捕获了较大的种内质量变异,如蚯蚓Polypheretima elongata的质量范围为25.5至2947.4 mg。图像采集使用配备CCD传感器(确保足够景深)的Epson GT-1500桌面扫描仪,分辨率至少800 dpi(针对1.5 mm蚂蚁)。标本随机以不同朝向放置在扫描仪玻璃上以确保方程稳健性,使用蓝色背景便于图像处理。图像处理使用ImageJ软件(版本1.53t),通过"Color Threshold"函数进行阈值分割去除蓝色背景,再通过"Analyze Particles"函数测量个体形状,共获取18个基于形状和颜色的变量。
**三、主要关键技术方法**
研究采用了以下关键技术方法:(1)高精度称重:使用Sartorius ME5微量天平(精度±0.001 mg)和Mettler Toledo AG104微量天平(精度±0.1 mg)测量鲜重,在-70℃冷冻后使用CHRIST Alpha 1-4 LD plus冷冻干燥机冻干测量干重;(2)图像采集与处理:使用配备CCD传感器的桌面扫描仪(Epson GT-1500)进行数字化,通过ImageJ软件进行阈值分割和颗粒分析,获取18个形态变量;(3)统计建模:主成分分析(PCA)筛选变量,以Akaike信息准则(AIC)选择最优模型,采用普通最小二乘(OLS)回归估计参数,对变量进行自然对数变换以减少异方差性;(4)交叉验证:在个体水平按物种划分训练集(80%)和测试集(20%),重复500次迭代计算平均绝对百分比误差(MAPE);在群落水平生成不同规模(15-300个体)的人工群落,同样重复500次评估;(5)酒精保存效应评估:选取六个代表性物种(腹足类Diplopoma crenulatum、蚯蚓Amynthas rodericensis、蚂蚁Mycetomoellerius jamaicensis、马陆Orthomorpha coarctata、蜘蛛Acanthoscurria antillensis和蝎子Didymocentrus martinicae),每物种20个个体,分别在70%和90%酒精中保存10天,测量体形变化并计算校正因子。
**四、研究结果**
**(一)质量-表面积(+周长)关系分析**
所有鲜重回归均高度显著(P < 0.0001)。仅基于表面积的一般回归调整R2为0.97,加入周长后提高至0.98。各纲特异性回归同样表现出强预测力,调整R2范围从环带纲的0.94(仅使用表面积)到蛛形纲、倍足纲和腹足纲的0.99(加入周长后)。干重回归预测力略低但同样高度显著(P < 0.00001),一般回归仅基于表面积时调整R2为0.94,加入周长后显著提高至0.97。各纲特异性干重回归调整R2范围从环带纲的0.83到腹足纲的0.98。
**(二)个体水平生物量预测**
在同时考虑表面积和周长的情况下,使用纲特异性回归在个体水平仅带来轻微改善。数据反变换后计算MAPE,误差从使用一般回归的25.8%略降至使用纲特异性回归的22.6%。例外是腹足纲,使用纲特异性回归时MAPE从23.5%大幅降至14.8%。对于干重,各纲在一般回归与纲特异性回归之间的差异更为显著,尤其在腹足纲、环带纲和昆虫纲中。环带纲个体误差从一般回归的35.2%降至纲特异性回归的25.4%,昆虫纲从28.7%降至18.7%,腹足纲从31.5%降至22.1%。总体而言,纲特异性回归使干重预测误差从37.7%(一般回归)降至28.7%(纲特异性回归)。异常值物种(MAPE超过Q3+1.5×IQR)的体重中位数显著低于非异常物种,MAPE随体型增大而降低,从最小个体(<4.52 mg)的34%降至最大个体(>209.89 mg)的16%。
**(三)群落水平生物量预测**
在群落水平,MAPE随群落规模增大而降低,在约75个个体处出现拐点,此后误差趋于稳定。对于15至300个个体的群落规模,一般回归的MAPE从10.9%降至7.2%,纲特异性回归从8.4%降至5.2%。就鲜重而言,群落水平MAPE呈现与个体水平相同的趋势:一般方程与纲特异性方程之间的差异较小(平均从7.4±0.7%降至5.4±0.6%)。相比之下,干重方面,群落水平上一般回归与纲特异性回归之间的差异仍然显著,从20.7±0.7%降至7.7±1.0%。对于固定规模(n=75)的群落,一般回归预测群落鲜重的MAPE为7.4%,R2为0.98,预测区间窄(±4 g);纲特异性回归估算干重的MAPE为8.2%,R2为0.99,预测区间窄(±1 g),但高值预测存在轻微偏差。
**(四)酒精对生物体形和生物量预测的影响**
在70%酒精中保存时,仅蚯蚓表现出显著的体形变化,表面积减少10%,周长减少9%。相比之下,90%酒精保存影响了其他类群:蚯蚓收缩更为明显(表面积减少34%,周长减少18%),蛛形纲表面积减少15%(周长无变化),倍足纲仅周长减少12%。这些体形变化导致三个类群在个体水平的预测误差增加。应用针对受影响类群的校正因子后,MAPE值恢复到接近无偏估计的水平。蚯蚓在70%酒精中校正使MAPE降低9.5个百分点;在90%酒精中,校正使蚯蚓MAPE降低41.4个百分点,倍足纲降低19.7个百分点。然而,对蛛形纲的校正使MAPE略微增加5.6个百分点,因为较小的蜘蛛未经历收缩而无需校正,被过度校正了。
**五、讨论与结论**
本研究揭示了土壤生物体表面积与生物量之间的直接关系,该关系可应用于绝大多数分类群。该方法在硬件(配备CCD传感器的扫描仪)和软件(ImageJ)方面均易于实施,属于低技术方法,旨在促进土壤无脊椎动物样品生物量的测量,无论针对先前采集并保存在液体中的样品还是未来采集的样品。与基于单一尺寸参数的传统方法相比,表面积方法效率更高,且预测精度达到或超过先前水平。长度基异速回归的R2范围为0.75至0.92,而本方法达到0.98至0.99。与使用深度学习算法的图像处理流程相比,本方法在软件需求方面更为简约,同时更全面,用户可在处理流程的不同阶段手动纠正潜在错误。在个体水平,建议使用纲特异性方程以获得更高精度。结果显示,生物量在整个体型变异范围内均得到良好估计,尽管最小生物体的误差有增加趋势,这可能与图像分辨率限制有关。与先前异速生长研究相比,本研究的R2值至少与之相当,且通常更优。与基于图像的方法相比,本研究的鲜重方程(一般MAPE=25.8%,纲特异性MAPE=22.6%)优于Schneider等人报告的累积纲特异性误差40.7%。干重方面,本研究纲特异性方程(MAPE=28.7%)的性能也与现有研究相当或更优。
生物量测量的一个主要障碍是保存方法。理想情况下,个体应活体捕获并称重鲜重,或在新鲜状态下快速干燥(通常采用冷冻干燥)。然而,冷冻干燥数千只无脊椎动物不切实际,因此必须包含保存阶段,对土壤无脊椎动物通常使用酒精。但该方法存在两个主要限制:保存后称重引入的误差,以及保存引起的体形改变。本研究中,研究人员通过称重活体和冻干个体来最大化校准可靠性,同时量化了酒精保存样品的潜在偏差,评估了不同酒精浓度对代表性形态类型的表面积和周长的保存影响,并在造成显著误差时应用校正因子调整最终生物量估计。在实践层面,该方法比在显微镜下逐个体测量快得多,比手动测量图像长度和宽度的方法效率更高,因为样品可在托盘中一同数字化并同时测量。但需注意防止标本重叠和避免压缩软体生物(如蚯蚓),否则会导致表面积夸大和生物量高估。图像采集和测量仍然快速,小型群落约需5分钟,较大群落或含许多小个体的样品最多15分钟。该方法的一个潜在限制是分类所需时间,可通过图像采集后手动标注或自动化图像分析软件来解决。
总之,本研究提供了新数据并提出了一种基于面积和周长的生物量估算方法,大幅改善了土壤大型动物群落生物量的估算。所生成的大规模校准数据集建立了先前未使用的形状描述符(表面积和周长)与生物量之间的稳健关系,提供了可靠的群落生物量替代指标。该方法在群落尺度高度可靠,可鼓励研究者将生物量测量纳入未来研究,也允许对先前研究的保存样品进行测量。在个体尺度,使用纲特异性方程能够以足够的可靠性提取每个个体的测量数据,有助于创建大规模数据集,促进土壤大型动物功能生态学研究。该方法的根本原理坚持低技术路线,使其可持续且适用于各种环境,包括实验室基础设施有限的场景。同时,该方法保持可扩展性,与更先进的工具(如土壤无脊椎动物群落的图像分析流程)兼容,并能支持需要统一方法论的大规模项目。