综述:人工智能在介形动物(桡足类)研究中的应用:现状、进展与未来展望
《Limnologica》:Use of Artificial Intelligence (AI) in Meso - zooplankton (Copepod) Research: Applications, Advances and Future Perspectives
【字体:
大
中
小
】
时间:2026年06月27日
来源:Limnologica 1.8
编辑推荐:
苏布拉马尼·蒂鲁纳武卡鲁萨|普瓦扎吉·拉金德拉恩|安德鲁·吉夫特·瓦茨|克莱芒斯·埃皮努|胡安-卡洛斯·莫利内罗|廖博凯|黄江秀台湾海洋大学海洋生物学研究所,基隆202301,台湾
摘要:桡足类在海洋和淡水系统中的中型浮游动物群落中占据主导地位,它们是初级生产者与更高营养级消费
苏布拉马尼·蒂鲁纳武卡鲁萨|普瓦扎吉·拉金德拉恩|安德鲁·吉夫特·瓦茨|克莱芒斯·埃皮努|胡安-卡洛斯·莫利内罗|廖博凯|黄江秀台湾海洋大学海洋生物学研究所,基隆202301,台湾
摘要:桡足类在海洋和淡水系统中的中型浮游动物群落中占据主导地位,它们是初级生产者与更高营养级消费者之间的重要营养纽带,从而调控次级生产、碳通量及养分循环。日益严重的海洋污染,包括微塑料、石油烃、重金属,以及由富营养化引发的有害藻华及其产物,通过影响桡足类的摄食、繁殖和生存能力,威胁着这些关键生物,进而对生态系统稳定性和渔业资源产生连锁影响。然而,目前基于网采、显微镜观察和专家分类的传统监测方法不仅劳动强度大、耗时久,而且难以揭示大规模、长期的污染影响。人工智能作为一种变革性技术,能够实现桡足类群落及其环境因素的快速、自动化且可扩展的评估。本综述总结了机器学习和深度学习在自动物种识别、基于图像的分类、生态建模及分布预测方面的最新进展,同时还介绍了利用人工智能进行叶绿素a和水质指标的时空插补与预测,以评估栖息地质量及污染压力。卷积神经网络、集成学习、生成模型以及实时成像系统等方法显著提升了检测精度、数据完整性及预测性能。尽管在训练数据、传感器整合和模型泛化方面存在一些挑战,但人工智能驱动的框架为持续监测和早期预警提供了前所未有的能力。将这些技术融入海洋污染管理,将有助于加强生物多样性保护、提升生态系统韧性,并推动基于证据的沿海治理。
引言:在咸水和淡水生态系统中的中型浮游动物群落中,桡足类通常是数量最多且生态意义最为重要的组成部分,它们在远洋食物网中发挥着关键作用。作为重要的营养中间体,桡足类将初级生产者(浮游植物)与更高营养级联系起来,包括无脊椎动物和鱼类,尤其是鳍鱼和贝类幼体,以及海洋水柱中多种具有商业价值的物种(Ratnarajah等,2023;Ok等,2024;Mohan和Padmavati,2025)。凭借其较高的生物量、丰富的数量、快速的更替率以及高效的摄食活动,桡足类对水生生态系统中的能量传递、养分循环和碳通量有着重要影响。此外,桡足类具有较短的生命周期、复杂的发育阶段,以及对环境变化迅速的生理反应,因此其种群动态对温度、盐度、食物供应和水质变化极为敏感。与浮游植物等生物相比,桡足类在从无节幼体到成体的不同发育阶段会出现显著的生理和形态变化,这些变化会改变它们的摄食行为、游泳活动、体型及代谢需求,这使得对桡足类的鉴定、自动分类和种群监测变得十分复杂。同一物种的个体在其生命周期中表现和功能可能差异很大,因此在实验和大规模培养系统中很难对桡足类进行标准化处理。正因如此,桡足类成为衡量生态系统健康、气候变化以及工业化带来的化学污染和富营养化等人为压力因素的宝贵生态指标(Engstr?m-?st等,2019;Thirunavukkarasu等,2021;Chakrabarti等,2024)。因此,准确识别桡足类物种、量化其生物量并对其生态状况进行评估,对于理解健康的生态系统功能动态以及预测生态系统对环境变化的响应至关重要(Thirunavukkarasu和Hwang,2024;Thirunavukkarasu等,2025a;Thirunavukkarasu等,2025b)。
传统上,中型浮游动物(桡足类)的研究主要依赖于基于手工显微镜鉴定和形态测量指标的传统方法(Hoffmeyer和Torres,2001;Thirunavukkarasu等,2022;Thirunavukkarasu等,2024)。虽然这些方法在分类学上较为可靠,但本质上较为耗时,容易受到观察者主观偏见的影响,而且随着全球分类学专业人才的减少,其应用也日益受限(Hutchinson,1951;Schminke,2007)。对于大规模监测项目、高频采样工作,以及针对早期发育阶段和隐种的研究而言,这些限制尤为突出。在这种情况下,快速计数、准确鉴定以及标准化的记录流程变得十分困难,往往导致分类分辨率降低和数据不一致性增加(Hutchinson,1951;Perry等,2004;Schminke,2007;Machado等,2015)。
因此,人工智能领域的最新进展,包括机器学习和技术以及深度学习技术,为克服中型浮游动物(桡足类)研究中的这些局限提供了有力的契机(Maps等,2024;Petersen等,2025)。简单来说,人工智能是指能够模拟人类智能、执行诸如模式识别等任务的计算机系统。机器学习是人工智能的一个分支,通过算法从数据中学习模式和规律,使系统无需为每项任务进行明确编程即可不断提升预测性能。深度学习则更进一步,它借助受大脑启发的分层神经网络来处理复杂的图像数据。在桡足类研究中,这意味着人工智能能够比人类更快地“看到”并“识别”微小的生物,同时还能减少大型数据集中的错误(Mohan和Padmavati,2025)。基于人工智能的方法可以实现自动图像分析以进行分类,高效提取形态测量数据,以及在生态毒理学实验中识别行为模式,比如污染物引起的游泳和摄食行为变化,正如Maps等(2024)和Petersen等(2025)所展示的那样。
这些进展对桡足类研究尤为重要,因为自动分割和分类技术能够识别混合浮游生物群落中的个体,还能解析精细的形态结构,如前体与后体边界、触角、游泳足以及带有刚毛的尾枝。此外,这些技术还能区分不同的发育阶段(无节幼体、桡足幼体和成体),定量估算形态特征和生物量替代指标,以及分析延时视频数据中的行为模式,如游泳动态和摄食行为。另外,融合专业知识的深度学习方法通过将专家的分类知识纳入训练框架,提高了模型的可解释性,从而提升了物种级别的识别能力,为未来对复杂海洋群落的生态评估提供更可靠的依据。
此外,基于人工智能的预测建模有助于生态预测、生物多样性监测,以及桡足类分布模式和海洋洋流影响的时空分析,从而帮助我们更好地理解在环境变化背景下桡足类的生态学和生物地理学特征(Schmid,2017;Petersen等,2025)。尽管人工智能工具在更广泛的浮游生物学和水生生物多样性研究中被越来越多地采用,但专门针对桡足类的应用仍然零散分布于不同学科领域,且相关研究综述也相对不足(Jiang和Zhu,2022)。本综述强调了整合现有知识、构建清晰的预测性概念框架的紧迫性,以便将基于人工智能的工具应用于桡足类的多个生态学和方法学层面。
在此背景下,本综述全面总结了人工智能在中型浮游动物(桡足类)研究中的应用,涵盖了方法学发展、生态学见解以及新兴机遇。通过总结当前进展并明确未来的研究方向,本研究旨在推动人工智能驱动的方法在桡足类分类、生态学研究及监测领域的广泛应用,从而引领桡足类研究进入人工智能赋能的水生科学新时代。
文献收集与综述框架:本综述采用系统性综合方法,对那些在当代桡足类研究中直接或间接被应用的经过验证的人工智能和机器学习技术进行批判性评估(Jiang和Zhu,2022)。其目的是整合方法学进展、生态学应用以及与桡足类分类、形态、行为和分布相关的新兴人工智能工具。
相关文献的收集来自:传统机器学习方法:人工智能在桡足类研究中的早期应用主要基于结合数字图像处理的经典机器学习框架,这反映了人工智能在生物分类学领域应用的整体发展趋势(W?ldchen和M?der,2018)。经典机器学习指的是依赖人工选择或设计的特征来进行数据分析和预测的传统算法,而深度学习方法则是直接从数据中自动学习特征。
人工智能在中型浮游动物(桡足类)研究中的局限性、偏见与可解释性:尽管人工智能在中型浮游动物(桡足类)研究中的应用日益增多,但仍有一些挑战限制了它的更广泛应用。目前规模较大、经过分类学验证的数据集仍然有限,这制约了在不同生态条件下的稳健模型训练、验证和泛化。由于桡足类体型较小、形态特征重叠,加之在不同发育阶段的巨大差异,进一步增加了自动分类的难度。
人工智能在水产养殖领域的中型浮游动物(桡足类)研究中的应用:将人工智能应用于水产养殖领域的中型浮游动物(桡足类)研究,其主要目的是改进桡足类养殖的监测、预测和管理,从而提升活饵料生产的效率、可靠性和质量。在各类中型浮游动物中,桡足类因其适宜的体型范围、有利的脂肪酸组成以及较高的营养价值,而被广泛认为是适合用于海洋鱼类和甲壳类动物幼体的优质活饵料。
人工智能在生物研究中的优势与劣势:人工智能已成为生物研究领域的一项变革性工具,它在分类学、生态学、环境监测以及应用水产养殖等领域都带来了显著优势。通过自动数据分析、高通量图像分类以及实时监测,人工智能大大提升了实验室和野外研究的效率、精确度以及可扩展性。尤其是机器学习和深度学习方法,例如卷积神经网络……
未来发展方向与研究机遇:本综述强调了建立开放获取的桡足类图像数据库对于支持未来基于人工智能的中型浮游动物研究的重要性。在人工智能驱动的成像平台中融入可解释人工智能技术,可以通过展示影响模型预测的特征,提高分析过程的透明度。Grad-CAM、SHAP以及基于注意力机制的可视化方法等,能够识别出对分类有重要意义的生物相关形态特征。
结论:总体而言,人工智能已经开始重塑中型浮游动物(桡足类)的研究,它实现了物种的自动识别,提升了生态建模水平,还促进了大规模的生物多样性评估与监测工作。虽然目前的应用还相对有限,但随着深度学习、成像技术以及数据获取能力的快速发展,人工智能将在桡足类生态学研究中发挥越来越重要的作用。在数据标准化方面进行战略投资……
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号