Automatische classificatie van plankton beelden door integratie van genetische, morfologische en milieugegevens.

Geen van de huidige analysemethoden kan de gemeenschapsstructuur van plankton op een adequate manier beschrijven. Hoewel biomassa en abundantie van partikels binnen een detecteerbare grootteklasse accuraat door automatische beeldclassificatie kunnen bepaald worden zijn de taxonomische voorspellingen vaak onbetrouwbaar en/of te algemeen. Een hogere taxonomische resolutie kan verkregen worden met DNA gebaseerde methoden, maar deze presteren suboptimaal op vlak van kwantificatie. Vanuit de vaststelling dat beide methoden voor het bepalen van biodiversiteit complementair zijn, stellen wij voor om een geïntegreerde werkprocedure te ontwikkelen die de sterke punten van elke methode benut en de zwaktes complementeert. Milieugegevens kunnen tevens belangrijke informatie geven over de mogelijke biodiversiteit in een plankton staal en zullen ook in de werkprocedure gebruikt worden. Een collectie van gevalideerde plankton-beelden, gemaakt met een FlowCAM machine, is reeds beschikbaar. Aanvullende data en DNA stalen zullen maandelijks verzameld worden op vaste locaties in het Belgisch deel van de Noordzee. Bij het ontwikkelen van de werkprocedure zal een deep learning algoritme voor beeldclassificatie als vertrekpunt worden gebruikt. Optimalisatie zal gebeuren door het invoeren van nieuwe data, extra kenmerken en door wijzigingen in de structuur van het algoritme. Dit zal resulteren in een meer accurate plankton-beeld classificatie met hogere taxonomische resolutie dan huidige methoden.