无监督深度聚类作为生物监测中暗种类的识别工具

科学领域:

• 环境科学 环境科学
• 计算生物学 计算生物学
• 纳税学是一种分类学.

背景情况:

• 识别水生宏无脊椎动物,特别是像Chironomidae这样具有挑战性的种类,对于生物监测至关重要,但由于复杂的形态学和分类学而受到阻碍.
• 目前的鉴定方法在常规生物监测中往往是低效的,限制了"暗种类"在生物评估中的纳入.

研究的目的:

• 开发和评估一种使用β-变异自编码器 (β-VAEs) 的无监督深度集群方法,用于识别虫幼虫形态类型.
• 评估潜伏特征和β超参数对无监督分类准确性的影响.
• 探索β-VAE在促进生物监测和生物多样性保护方面的潜力.

主要方法:

• 来自37个种群的5365个脊椎动物标本的数据集被用于训练和测试各种β-VAE模型.
• 系统地改变潜伏特征 (20-80) 和β超参数 (0.1-10) 以优化模型性能.
• 用K-means和Louvain算法使用规范化相互信息 (NMI) 评估了聚类准确性.

主要成果:

• 具有较少潜伏特征的模型显示,特征脱更好,总相关性损失减少.
• 最佳模型 (30隐藏特征,β=0.1) 获得了最高的NMI分数 (0.4438与K-平均值,0.4813与卢旺).
• 某些物种 (例如,Diamesa insignipes) 提出了分类挑战,标本被分配到多个集群中.

结论:

• β-VAE提供了一种有前途的无监督聚类方法,用于对水生巨无脊椎动物进行分类识别.
• 这种方法可以显著提高生物监测计划的效率和可扩展性.
• 这项研究支持将困难的种类纳入生物评估,并有助于探索隐秘的多样性以保护.