Identificación automatizada de las subespecies de abeja melífera mediante análisis avanzado de la venación de las...

Área de la Ciencia:

• Entomología y Biodiversidad Ciencia
• Biología computacional y análisis de imágenes
• La genética de la conservación

Sus antecedentes:

• La identificación precisa de las subespecies de abeja melífera es crucial para la biodiversidad y la polinización.
• Los métodos actuales como la morfometría y el aprendizaje profundo tienen limitaciones en escalabilidad, subjetividad e interpretabilidad, especialmente con poblaciones híbridas.
• Las técnicas existentes luchan por equilibrar la escalabilidad con el análisis de gradientes fenotípicos en poblaciones mixtas de abejas.

Objetivo del estudio:

• Desarrollar un nuevo marco computacional para la identificación escalable y sin etiquetas de las subespecies de abejas melíferas.
• Superar las limitaciones de la morfometría tradicional y los métodos de aprendizaje profundo supervisado.
• Proporcionar una herramienta práctica para el control ecológico y la conservación de las poblaciones de abejas melíferas.

Principales métodos:

• Una tubería que integra el procesamiento de imágenes adaptativas (denoación NLM, CLAHE, umbral adaptativo, operaciones morfológicas) para aislar las venas del ala.
• Esqueletización de Zhang-Suen para extraer mapas de características basados en gráficos que capturan la geometría y la topología de las venas.
• Agrupación jerárquica adaptativa (AHC) para la discriminación de subespecies sin etiqueta, incluidos ejemplares híbridos.

Principales resultados:

• El marco procesó con éxito 26.481 imágenes de alas.
• Logró una puntuación de silueta de 0.72, lo que indica una buena separación de grupos.
• Mejora de la precisión de la clasificación en un 26,1% en comparación con las técnicas morfométricas tradicionales en conjuntos de datos híbridos.

Conclusiones:

• El método propuesto ofrece una solución escalable e interpretable para la identificación de subespecies de abejas melíferas.
• Aborda efectivamente el reto de discriminar las poblaciones híbridas y los intermedios fenotípicos.
• Este enfoque computacional combina las fortalezas de los métodos manuales y automatizados, proporcionando una herramienta valiosa para los conservacionistas.