Planktonmonitoring: Automatisierte Bildgebung

AUTOMATISIERTE KLASSIFIZIERUNG

Um die Häufigkeit von Taxa genau abschätzen zu können, braucht es maschinelle Lernwerkzeuge, die die zahlreichen vom Aquascope erzeugten Bilder klassifizieren können. Im Greifensee ist bereits ein gut funktionierender Open-Source-Klassifikator für das Aquascope im Einsatz, aber seine Leistung auf Bildern von einem anderen im Labor verwendeten Gerät ist unbekannt. Diese Information ist entscheidend, um den Entwicklungsaufwand zu bestimmen, der nötig ist, um den Klassifikator für verschiedene Seen, Anwendungen und Instrumente anzupassen.

Um den Klassifikator unter Laborbedingungen zu testen, wurde eine integrierte Wasserprobe aus dem Greifensee verwendet. Erfasst wurden 1270 ROI bei 5-facher Vergrösserung und 3433 ROI bei 0,5-facher Vergrösserung. Anschliessend wurde mit dem Klassifikator jeder ROI kategorisiert und alle Bilder wurden manuell überprüft, um die Genauigkeit zu berechnen.

Die Ergebnisse zeigen, dass die Genauigkeit des Klassifikators bei 5-facher Vergrösserung 76,7% und bei 0,5-facher Vergrösserung 91,5% beträgt (Fig. 3). Verglichen mit der Leistung auf Bildern vom Greifensee-Aquascope bedeutet dies einen Rückgang der Genauigkeit um 13,6% bzw. 2,3% [11]. Bei der 5-fachen Vergrösserung hatte der Klassifizierer am meisten mit pennaten Kieselalgen, Mallomonas, Aulacoseira und Zooplankton zu kämpfen, während er bei der 0,5-fachen Vergrösserung häufig Daphnien- und Copepodenhäute sowie Schmutz falsch klassifizierte.

Insgesamt kann der vorhandene Klassifikator Bilder von einem anderen Gerät verarbeiten, wobei einige Taxa weniger gut abschneiden als andere. Dies zeigt, dass die Entwicklung speziellerer Klassifikatoren, die auf spezifische Projektanforderungen zugeschnitten sind, mit reduziertem Aufwand und Unterstützung des Greifensee-Klassifikators möglich ist.

VERGLEICH MIT HERKÖMMLICHER ­MIKROSKOPZÄHLUNG

Um zu beurteilen, wie der Aquascope-Ansatz im Vergleich zu traditionellen Methoden abschneidet, wurden Aquascope-Zählungen und herkömmliche Mikroskopie analysiert. Zunächst mussten absolute quantitative Daten zur Häufigkeit der Planktontaxa erstellt werden. Die zwei Vergrösserungen haben unterschiedliche Abbildungsvolumina, abhängig von der Schärfentiefe der Objektive. Der theoretische Volumenunterschied beträgt 20 (5 × = 0,2–10 μl, 0,5 × = 4–200 μl). Bei der 0,5-fachen Vergrösserung wurden 23-mal mehr Asterionella-ROI (Taxon, das in beiden Vergrösserungen abgebildet wird) erkannt als bei der 5-fachen Vergrösserung. Man könnte die ROI/sec der 0,5-fachen Vergrösserung durch 23 teilen, um eine konsistente Abundanzschätzung für beide Vergrösserungen zu erhalten. Alternativ könnte man ROI/sec in Zellen/ml umrechnen, basierend auf der Kalibrierung in Merz et al. [3]. Dann können die Abundanzen in beiden Vergrösserungen verglichen werden. Zur Berechnung der Biomassen kann die Gesamtfläche jedes Taxons mit der korrekten Abundanz in Zellen/ml korrigiert werden.

Die beste Übereinstimmung zwischen den Mikroskopiedaten und den Aquascope-Daten wurden bei der Biomasse/l (Mikroskopie, relative Abundanz auf Stammebene) und der Biofläche/l, basierend auf der Gesamtbiofläche und den Zellen/ml (Kalibrierung von Merz et al. [3]) gefunden. Ein lineares Modell der relativen Biomasse der Stämme ergab eine Steigung von 0,65 und ein bereinigtes R^² von 0,37. Die imperfekte Modellanpassung könnte auf ungenaue Abundanzschätzungen oder Fehlklassifizierungen im Aquascope zurückzuführen sein. Alternativ könnten Ungenauigkeiten bei der Biomassenberechnung aus mikroskopischen Zählungen, bei denen jedem Taxon eine nominale Zellgrösse zugewiesen wird, eine Rolle spielen.

TAXONOMISCHE AUFLÖSUNG

Das Aquascope ist in der Lage, weniger Planktontaxa zu identifizieren als die traditionelle Mikroskopie. Zum Beispiel unterschätzt die Kamera die relative ­Abundanz und Biomasse von Ochrophyta im Vergleich zur Mikroskopie. Mit dem Aquascope können wir insgesamt sieben Ochrophyta-Taxa unterscheiden, im Vergleich zu den 17 Ochrophyta-Taxa, die regelmässig durch mikroskopische Zählungen identifiziert werden, was auf eine Grössenbeschränkung des Aquascope hinweisen könnte.

Vergleicht man den Verlust an Informationen auf feineren taxonomischen Ebenen (Tab. 1), wird deutlich, dass die Aquascope-Daten erheblich mehr Detailinformationen auf Artebene verlieren als die Mikroskopiedaten, die mit einer höheren Auflösung erfasst werden. Beispielsweise liegt der Informationsverlust auf der Ordnungsebene bei den Aquascope-Daten bei 60,76%, während er bei den Mikroskopiedaten nur 12,54% beträgt. Darüber hinaus nimmt die Übereinstimmung zwischen den Daten der beiden Methoden ab, je feiner die taxonomische Auflösung ist, was die Fähigkeit des Aquascope einschränkt, detaillierte taxonomische Informationen bereitzustellen. Somit eignet sich das Aquascope besser für eine breit angelegte Überwachung von Seeökosystemen, während es bei der detaillierten Artenzusammensetzung an Präzision verliert.

Stand Juli 2023 identifiziert das Aquascope jeweils 29 taxonomische Gruppen von Phytoplankton und Zooplankton in seinen beiden Vergrösserungen. Traditionelle Mikroskopie hingegen erlaubt es ausgebildeten taxonomischen Fachpersonen, etwa 100 Gruppen zu unterscheiden, häufig bis auf die Gattungs- oder Artebene. Auch andere bildgebende Verfahren wie die FlowCam weisen ähnliche Einschränkungen auf. So konnten Alvarez et al. [14] mit der FlowCam 34 Gruppen identifizieren, während eine Fachperson unter dem Mikroskop 144 Gruppen erkannte [4]. Die meisten Kantone kommunizieren jedoch die ­Abundanz und Biomasse auf Stamm- oder Klassenebene (z. B. BE: [14]; AG: [15]; ZH: [16]). Der Einsatz bildgebender Verfahren könnte diese Zeitreihen fortsetzen, wenn in zukünftigen Projekten das Benchmarking des Aquascope-Ansatzes im Vergleich zu herkömmlichen Probenahmen über mehrere Jahre weitergeführt würde.

SCHLUSSFOLGERUNGEN

Es ist schwierig, die Faktoren zu entwirren, die die Unterschiede in der relativen Häufigkeit taxonomischer Gruppen zwischen traditioneller Mikroskopie und automatisierten Bildgebungstechniken wie dem Aquascope beeinflussen, da jeder Ansatz seine intrinsischen Befangenheiten hat. Zu den Faktoren gehören: Stochastizität bei der Probenahme oder dem Subsampling, die für die mikroskopische (sowie die Aquascope-) Zählung verwendet wird, Unterschiede und Unsicherheiten bei der Zuordnung von Biomasse zu gezählten Individuen und vieles mehr.

Daher ist mehr Benchmarking erforderlich, um Überwachungsdaten auf der Grundlage von Bildgebungs- und herkömmlichen Mikroskopiedaten zu validieren. Die Ergebnisse weiterer Vergleiche werden wahrscheinlich deutlich machen, dass jeder Ansatz Vorteile gegenüber dem anderen und inhärente Einschränkungen aufweist. Ob eine Methode einer anderen vorgezogen werden sollte, kann von den Zielen und Anforderungen des Monitoringprogramms abhängen.

Zusammenfassend lässt sich sagen, dass automatisierte Bildgebungstechniken im Vergleich zur herkömmlichen ­Mikroskopie den Überwachungsprozess erheblich beschleunigen können und die Methodik in allen Labors standardisiert werden kann. Darüber hinaus ist die Bearbeitung einer Stichprobe nicht von der Verfügbarkeit einer ausgebildeten und erfahrenen Fachperson abhängig, was in Zukunft der limitierende Faktor sein wird. Insgesamt sind automatisierte Bildgebungstechniken leistungsstarke Werkzeuge, die einen Kompromiss zwischen i) Rückverfolgbarkeit, Standardisierung, Schnelligkeit und Unabhängigkeit von ausgebildeten taxonomischen Fachpersonen und ii) taxonomischer Auflösung und der Einsicht eines Experten darstellen.

Die Autoren zeigen, dass es mit einem grösseren Benchmarking-Projekt (gilt für Aquascope und FlowCam) möglich sein könnte, die traditionelle und langfristige Zeitreihenüberwachung mit automatischer Bildgebung zu integrieren. Letztere ist sogar in der Lage, kostengünstige und zuverlässige Daten zur Planktonbiodiversität auf einer groben taxonomischen Ebene zu liefern, die jedoch für die Berichterstattung über die Wasserqualität und den Zustand des Ökosystems durch viele kantonale Behörden ausreichend sein sollte.

Bibliographie

[1] BAFU (2023): Wasserqualität der Seen. Zustand der Gewässer 2022.

[2] Niederhauser, P. (2023): Konzept zur Untersuchung der Oberflächengewässer Messperiode 2022 bis 2025

[3] Merz, E. et al. (2021): Underwater dual-magnification imaging for automated lake plankton monitoring. Water Res; 203:117524

[4] Álvarez, E. et al. (2013): Routine determination of plankton community composition and size structure: a comparison between FlowCAM and light microscopy. J Plankton Res; 36:170–84

[5] Rivas-Villar, D. et al. (2021): Fully automatic detection and classification of phytoplankton specimens in digital microscopy images. Comput Methods Programs Biomed; 200:105923

[6] Rivas-Villar, D. et al. (2020): Automatic Detection of Freshwater Phytoplankton Specimens in Conventional Microscopy Images. Sensors; 20. 

[7] Lombard, F. et al. (2019): Globally Consistent Quantitative Observations of Planktonic Ecosystems. Frontiers in Marine Science; 6. 

[8] Yokogawa Fluid Imaging Technologies, Inc. FlowCam 8000 Series. Fluidimaging.com n.d. 

[9] Roberts, P. SPCConvert. Github; n.d.

[10] Orenstein, E.C. et al. (2020): The Scripps Plankton Camera system: A framework and platform for in situ microscopy. Limnol. Oceanogr. Methods; 18:681–95

[11] Kyathanahally ,S.P. Plankiformer. Github; n.d.

[12] Plankifier. Github; n.d.

[13] Merkli, S. et al. (2024): Laboratory application of the Aquascope approach of automated imaging and classification for long-term plankton monitoring. BioRxiv: 2024.02.23.581739. 

[14] Guthruf, K. et al. (2020): Entwicklung des Phyto- und Crustaceenplanktons / Le développement du phytoplancton et du plancton de crustacés 2019

[15] Kanton Aargau: Zustand Hallwilersee. Oberflächengewässer n.d.

[16] Niederhauser, P. et al. (2023): Wasser und Gewässer 2022 – Hauptbericht
Résumé