Аннотация результатов, полученных в 2024 году
В отчетный период было проведено тестирование в полевых условиях созданной оптико-флуоресцентной видеосистемы для изучения зоопланктона. Видеосистему испытывали в пяти озерах Минусинской котловины (республика Хакасия), отличающихся по своим физическим характеристикам, уровню минерализации, трофности и видовому составу гидробионтов. В озерах проводили сравнительное исследование численности и пространственного распределения основных групп рачкового зоопланктона – кладоцер и копепод с помощью созданной видеосистемы и традиционным методом отбора проб планктонной сетью с последующей их обработкой под микроскопом. В анализах учитывали соотношение живого и мертвого зоопланктона, являющегося важным экологическим показателем условий развития популяций, а также фактором, вносящим вклад в регуляцию цикла углерода в водных экосистемах. В испытаниях использовали прототип видеосистемы с фиксированным расположением видеокамер на расстоянии 9 см относительно снимаемых объектов, что обеспечивало одновременный сканируемый объем воды 350 мл с оптическим разрешением 8.98 лин. / мм (1 пикс = 71 мкм). При данном разрешении хорошо видны морфологические признаки зоопланктеров размером более 0.5 мм, которые составляют основную биомассу зоопланктона. Изучение мелких групп зоопланктона (науплиусов и коловраток размером 0.2-0.5 мм) было также возможно при установке видеокамеры на расстояние 5 см (разрешение повышается до 32 лин. / мм, 1 пикс = 20 мкм), однако сканируемый объем при этом сокращался до 60 мл. Изучение мелких групп зоопланктона на настоящем этапе тестирования видеосистемы не проводили. Испытание видеосистемы показало ее пригодность для изучения зоопланктона в полевых условиях. Видеосистема была надежна в применении, не имела погодных ограничений и хорошо справлялась с видеорегистрацией зоопланктона в широком диапазоне концентраций. Сравнение результатов определения численности зоопланктона с помощью видеосистемы и традиционным способом отбора проб планктонной сетью показало отсутствие статистически достоверных различий между этими методами для большинства исследуемых групп организмов. Профили вертикального распределения доминирующего вида Arctodiaptomus salinus в озерах Шира и Шунет, определенные методом подводной видеосъемки, полностью согласуются с многолетними наблюдениями, полученными ранее. Сравнение данных по численностям зоопланктеров в зонах эпи-, мета- и гиполимниона, определенные одновременно двумя методами, также не обнаружило достоверных различий. Ряд тестов был направлен на оценку возможностей видеосистемы осуществлять запись флуоресцентного сигнала водорослей в желудках рачков. Тестирование было выполнено на максимально чувствительных настройках видеокамеры (ISO 800-1600, скорости 24 к/с). Съемка велась как с применение красного светофильтра (>650 нм), установленного перед объективом камеры, так и без него. Фильтр позволяет отделить чистый сигнал флуоресценции хлорофилла “a” (680 нм) от возбуждающего света (410 и/или 540 нм), но при этом частично ослабляет общий световой поток. Детектирование флуоресценции показало, что экшн-камеры с установленным светофильтром способны обнаруживать свечение водорослей только у крупных видов зоопланктона, таких как Daphnia magna (размер 2.5 мм) при питании чистыми культурами водорослевого корма. Флуоресцентный сигнал особей природных популяций, питающиеся смешенным кормом в условиях низкой концентрации фитопланктона (<1 мкг/л), не обнаруживался. Различие между сытыми и голодными дафниями может быть установлено без использования светофильтра по спектру сигналов, регистрируемых RGB сенсором видеокамеры. При освещении дафний синим светом средняя яркость пикселей на изображениях сытых особей возрастала на 96.4% по красному каналу и на 21.9% суммарно по всем цветовым каналам. При освещении зеленым светом, напротив, было зарегистрировано падение яркости изображений сытых дафний на 22.3 % в красном канале и на 4.9% суммарно по всем цветовым каналам. Таким образом, степень наполненности желудков зоопланктеров водорослями вызывает достоверные изменения в отклике RGB сенсора камер, что может быть использовано для изучения трофических условий развития популяции зоопланктеров в водоемах с помощью разработанной видеосистемы. Анализ видеоданных проводили с помощью методов машинного обучения. Модели классификации изображений зоопланктона, строили на основе алгоритмов случайного леса (Random forest, RF). Обучения моделей осуществляли по выборке наиболее информативных изображений зоопланктеров, собранных вдоль треков их движения. Обработку видеоданных проводили с помощью нескольких программных модулей, написанных на языке Python v.3.12 (код созданных программ размещен на сайте https://zoofluobox.wordpress.com/). Нахождение треков осуществляли с помощью плагина TrackMate v.7 для программы ImageJ/Fiji. Все построенные RF модели демонстрировали близкую к 100% точность классификации на тестовых частях данных. На неклассифицированной части данных ошибочное распознавание кладоцер и копепод составило 1.19% и 1.76%, соответственно. Сравнение важностей морфологических показателей и характеристик движения в распознавании кладоцер и копепод не обнаружило преимущество какой-то одной группы признаков. Более того, использование лишь одной из групп было достаточным для корректной классификации зоопланктеров. Таким образом, на основе выполненного анализа можно заключить, что качество изображений и параметры движения зоопланктеров, полученные с помощью разработанной видеосистемы, имеют высокую информативность и могут эффективно обрабатываться методами машинного обучения.