In:
Methods in Ecology and Evolution, Wiley, Vol. 11, No. 8 ( 2020-08), p. 922-931
Abstract:
En central udfordring for naturforvaltning og forskning i biodiversitet er, at forstå hvordan arter reagerer på miljøvariation. I lyset af globale nedgange i insektbestande er der brug for en større moniteringsindsats, men manuel sortering og ekspert‐baseret insektbestemmelse sætter store begrænsninger for hvor mange prøver, der kan behandles. Dermed sænkes det samlede ambitionsniveau, når det gælder kortlægning og monitering af invertebrater, da mange prøver slet ikke bliver indsamlet. De store landvindinger indenfor billedgenkendelse og kunstig intelligens, der er gjort i de senere år, motiverer os til at foreslå at insektbestemmelse kan gøres langt mere effektiv ved hjælp af automatiseret billedbaseret teknologi. Vi beskriver en robot‐baseret maskine til billedgenkendelse, der kan automatisere processen med at sortere og identificere invertebrater og tilmed estimere individernes biomasse. Vi anvender apparatet til at generere en omfattende billeddatabase af terrestriske leddyrsarter og tester klassifikationsnøjagtigheden, altså med hvilken sikkerhed et individ kan artsbestemmes ud fra billeder taget med maskinen. Vi tester også systemets følsomhed for kameraindstillinger (blændeåbning og lukkertid) for at opnå den optimale billedkvalitet. Vi bruger state‐of‐the‐art Resnet‐50 og InceptionV3 convolutional neural networks (CNNs) til klassifikationsopgaven. Resultaterne er meget lovende, da vi opnåede en gennemsnitlig klassifikationsnøjagtighed på 0,980. Selvom klassifikationsnøjagtigheden var høj for de fleste arter, var den lavere for arter repræsenteret med mindre end 50 individer. Vi fandt også signifikante positive relationer mellem det gennemsnitlige areal af et individ beregnet ud fra billederne og individets tørvægt for tre arter af Diptera . Systemet er generelt og kan nemt tilpasses andre grupper af invertebrater. Dermed baner vores resultater vejen for at generere mere data på tidslig og rumlig variation i invertebraters abundans, diversitet og biomasse.
Type of Medium:
Online Resource
ISSN:
2041-210X
,
2041-210X
DOI:
10.1111/2041-210X.13428
Language:
English
Publisher:
Wiley
Publication Date:
2020
detail.hit.zdb_id:
2528492-7
