通过机器学习自动提取Tridacna贝生长模式,以加强古气候/古气候研究
Qiuju Yang1, Yixuan Wang1, Jun Geng2
1School of Physics and Information Technology, Shaanxi Normal University, Xi'an, China.
The Science of the total environment
|April 30, 2024
概括
这项研究介绍了TriGAN,这是一种机器学习工具,可以自动分析特里达克纳贝的每日生长线. 这项创新通过高效处理贝图像来克服古气候研究中的一个主要障碍.
科学领域:
- 古气候学和古海洋学.
- 海洋生物学 海洋生物学
- 图像分析和机器学习
背景情况:
- 特里达卡纳贝作为重建过去气候和天气模式的关键档案.
- 从激光扫描共聚焦显微镜 (LSCM) 图像中手动分析特里达克纳贝的每日生长线和增量是劳动密集型的,限制了研究.
- 实现这一过程的自动化对于推进对特里达克纳层状时间表的研究至关重要.
研究的目的:
- 开发和验证一种基于机器学习的方法,用于自动识别和测量特里达卡纳贝的日常生长模式.
- 引入一个无监督的生成对抗性注意网络 (TriGAN),以增强LSCM数据的图像处理.
- 为计算每日增长线数和每日增长增量宽度 (DGIW) 提供一个高效的工具.
主要方法:
- 开发 TriGAN,一个无监督的生成对抗性注意力网络,用于识别LSCM图像中的日常生长线.
- 将TriGAN应用于来自南中国海的现代Tridacna标本.
- 通过将自动测量与手动分析进行比较,验证TrigAN的性能.
主要成果:
- 在LSCM图像中,TriGAN有效地重建模糊和模糊的区域,产生更高质量的每日生长模式图像.
- 从TriGAN处理的图像中自动计数每日生长线和DGIW显示与手动测量有很好的一致性 (T. gigas的R = 0.7,T. derasa的R = 0.6).
- 提出的方法显著提高了分析特里达克纳贝生长模式的效率.
结论:
- 特里加恩网络提供了一种有效和高效的自动化解决方案,用于分析特里达克纳贝生长模式.
- 这一进步有助于对古气候重建的特里达克纳层状时间表进行更广泛的研究.
- 机器学习在Tridacna研究中的整合为古海洋学研究开辟了新的途径.
