Mesoplanktonic organisms (i

Le ZOOSCAN : un système d’imagerie numérique rapide pour la mesure et la
classification automatiques du zooplancton.
Caroline WAREMBOURG*, Philippe GROSJEAN**, Marc Picheral*, Frederic
IBANEZ* et Gabriel GORSKY*
*
Laboratoire d’Océanographie de Villefranche, CNRS-Université Pierre et Marie Curie, B. P.
28, F-06234 Villefranche-sur-Mer Cedex – France.
**
Laboratoire d’Ecologie Numérique des Milieux Aquatiques, Université de Mons-Hainaut,
Academie Universitaire Wallonie-Bruxelles, 8, av du Champ de Mars, 7000 Mons, Belgium
Résumé
L’abondance et la composition du zooplancton peuvent être rapidement estimées à partir
d’images numérisées de zooplancton recueilli à l’aide de filets. Ce système appelé
ZOOSCAN utilise l’analyse d’image et les méthodes automatiques de classification d’objets
pour compter, mesurer et classer automatiquement les organismes zooplanctoniques. Le
système a été testé avec des échantillons provenant d’une série temporelle de 9 ans, pêchés
chaque semaine dans la rade de Villefranche-sur-Mer. Dans cette étude, nous présentons la
numérisation des échantillons, le système d’analyse d’image utilisé pour isoler, compter et
mesurer les objets et la première utilisation pratique d’un algorithme d’identification conçu
pour discriminer ces objets sur une longue série historique. Le dénombrement des organismes
du zooplancton par l’analyse d’image a été validé grâce à un comptage à la loupe binoculaire.
Les résultats sont similaires (R2=0,98) mais la méthode automatique est trois fois plus rapide
que la méthode traditionnelle. Grâce à un algorithme (discriminant vector forest, DVF)
integré dans une méthode d’identification semi-automatique, le succès de reconnaissance
varie de 50 à 90% pour les 17 groupes du zooplancton retenus dans cette étude. Le
ZOOSCAN est donc un système rapide et non-destructeur adapté à l’étude de l’abondance et
de la taille des organismes simultanément avec leur classification en groupes faunistiques.
Grâce à sa vitesse d’exécution (30 minutes par échantillon), il est tout à fait adapté à l’analyse
de grandes séries temporelles ou spatiales, permettant ainsi la détection d’évènements
exceptionnels ou des changements dans les tendances à long terme au sein de l’écosystème
étudié. Ce système est breveté par le CNRS.
Mots clés : zooplancton, ZOOSCAN, analyse d’image, classification automatique
The ZOOSCAN : a rapid digital imaging system for the automated measurement and
classification of zooplankton.
Abstract
Zooplankton abundance and composition can be rapidly estimated from digitized images of
net zooplankton samples. This system, called ZOOSCAN, is based on image analysis and
pattern recognition methods to count, measure and classify zooplanktonic organims. The
system was trained and tested using weekly samples of a 9-year series from the bay of
Villefranche-sur-Mer. In this study, we describe the image processing of fixed samples, the
image analysis technique used to isolate, count and measure objects and the first practical
application of an identification algorithm used to discriminate these objects on a long-term
series. With this algorithm (discriminant vector forest, DVF) associated with a
complementary semi-automatic identification, the classification accuracy reaches between 50
and 90 % for the 17 major groups of zooplankton selected in this study. Zooplankton
organisms enumeration by image analysis was compared with the manual method using a
stero-microscope. Abundance estimates are similar (R2=0,98) but the automatic method is
three time faster than the traditional method. The ZOOSCAN is thus a rapid and a nondestructive method adapted to the study of the abundance, size spectrum of the organisms and
their faunistic classification. Due to its rapid sample treatment and analysis (only 30 minutes
per sample), this system is well adapted for analysis long-term or spatial zooplankton series
and allows thus to detect exceptional events or changes in long-term trends in the ecosystem.
This system is patented by the CNRS.
Key words : zooplankton, ZOOSCAN, image analysis, automated classification
Introduction
Le zooplancton constitue un maillon essentiel dans la communauté planctonique,
transférant efficacement la matière et l’énergie vers les niveaux trophiques supérieurs et
représentant la principale source de nourriture pour les poissons (Banse, 1995 ; Nogueira et
al., 2004). De plus, des travaux récents montrent que les organismes zooplanctoniques sont
étroitement liés aux processus physiques dans la colonne d’eau et constituent ainsi de
véritables indicateurs biologiques des changements climatiques (Fromentin & Planque, 1996 ;
Beaugrand et al., 2000 et 2002) ou des perturbations anthropiques (surpêche, pollutions
chimiques ou organiques …) (Planque & Ibanez, 1997 ; Tang et al., 1998). Cependant, les
effets de tels changements sur les populations zooplanctoniques restent encore mal connus
(Planque & Ibanez, 1997).
L’étude des populations zooplanctoniques n’est toutefois pas une des priorités
majeures des grands projets nationaux et internationaux. Les raisons sont en partie liées aux
difficultés de la collecte et du traitement des données. Les méthodologies et les instruments
inadaptés limitent toujours l’échantillonnage et par conséquent les progrès dans la
compréhension de ce compartiment biologique.
L’échantillonnage du plancton se fait traditionnellement à l’aide de filets (Bé et al.,
1959 ; Sameoto, 1983 ; Wiebe et al., 1985 ; Sameoto et al., 2000), d’échantillons d’eau
(Smayda, 1978) ou par d’autres moyens de capture comme le CPR (Continuous Plankton
Recorder) (Hardy, 1935 ; Colebrook, 1986 ; Warner & Hays, 1994 ; Beaugrand et al., 2000 et
2004). Les organismes planctoniques sont collectés puis comptés et identifiés manuellement
(loupe binoculaire, microscope). Cette identification manuelle limite malheureusement le
nombre de stations échantillonnées et la fréquence des prélèvements. Les mesures
morphologiques et le comptage des organismes sont pénibles et très coûteux en temps (Akiba
& Kakui, 2000) et l’identification nécessite également l’expertise en taxonomie, expertise de
plus en plus rare.
Plusieurs équipes ont cherché à remplacer ce long processus manuel de dépouillement des
échantillons par de nouvelles techniques de mesures in situ basées sur les compteurs optiques
(Herman, 1988 et 1992 ; Cullen et al., 1997 ; Edvarsen et al., 2002 ; Sourisseau, 2002 ;
Herman et al., 2004), les enregistrements vidéo (Gallager et al., 1996 ; Benfield et al., 1996 et
1998 ; Davis et al., 1996 ; Gorsky et al., 1992, 2000a et b ; Foote, 2000) et l’acoustique
(Baussant et al., 1993 ; Benfield et al., 1998 ; Foote & Stanton, 2000). Cependant l’extraction
du signal d’abondance du plancton parmi les données observées et enregistrées qui sont très
souvent bruitées et éparses reste souvent problématique (Wyatt, 1995). L’analyse d’image
associant la mesure des différents attributs morphologiques du mésozooplancton (le
zooplancton mesurant de 0,2 à 20 mm) et un système de classification automatique peut être
considérée comme une alternative possible aux traitements manuels traditionnels des
échantillons de zooplancton (Jefferies et al., 1984 ; Rolke & Lenz, 1984 ; Gorsky et al., 1989
; Steidinger et al., 1990 ; Tang et al., 1998). Le développement récent de nouvelles techniques
d’imagerie, les progrès dans les algorithmes d’apprentissage et l’augmentation permanente
des puissances informatiques permettent aujourd’hui d’obtenir des résultats satisfaisants sur
des échantillons de plancton. C’est dans un tel contexte que le ZOOSCAN a été crée au
Laboratoire Océanographique de Villefranche-sur-mer (France). Il permet un comptage
rapide, exhaustif et non destructeur, des mesures et une classification automatique des
organismes imagés issus des échantillons fixés de mésozooplancton et de micronecton
(Gorsky & Grosjean, 2003 ; Grosjean et al., 2004).
Cet article décrit la technique d’acquisition des images et la méthode utilisée pour
compter, mesurer et classer le zooplancton en routine lors de l’étude d’une longue série
historique (1995-2003) avec le ZOOSCAN. Des résultats de comptage et de classification des
organismes zooplanctoniques obtenus à l’aide de ce système automatique sont présentés dans
cette étude et comparés avec les comptages et les classifications réalisés manuellement.
Matériels et Méthodes
Choix de l’analyse d’image pour l’étude du zooplancton
L’analyse à la loupe binoculaire des échantillons formolés de plancton est très
coûteuse en temps et requiert l’expérience de taxonomistes. Ces spécialistes capables de
compter et d’identifier des organismes très variés sont de moins en moins nombreux (Simpson
et al., 1993). Il est donc nécessaire d’utiliser des systèmes capables d’analyser
automatiquement les échantillons de plancton et de remplacer partiellement ces tâches
fastidieuses. Par ailleurs, pour les études des phénomènes globaux, les échantillons doivent
être dépouillés de façon globale. Mais les spécialistes se sont souvent focalisés sur un faible
nombre de groupes selon leur spécialité, dans ces échantillons, entraînant un biais dans les
données concernant les séries temporelles.
Une variété de compteurs automatiques de plancton basés sur des principes électriques
et optiques ont été développés ces dernières décennies pour compter et mesurer les
organismes in situ ou dans des échantillons fixés (Foote, 2000). Sheldon et Parsons (1967)
utilisaient déjà le compteur Coulter pour estimer la distribution des tailles des petites
particules (< 500 µm) dans l’eau de mer. Cependant, le compteur Coutler ne renseigne pas sur
la forme et la qualité des particules. Les organismes planctoniques ne peuvent donc pas être
distingués des particules détritiques (Boyd & Johnson, 1995). De plus, il ne mesure pas la
surface réelle des objets mais seulement l’atténuation d’un champ électrique à leur passage et
ne distingue donc pas des organismes de formes variées ayant le même volume (Rolke &
Lenz, 1984). Herman & Dauphinee (1980) et Herman & Mitchell (1981) ont toutefois utilisé
avec succès un compteur électronique intégré à un instrument immergé et tracté pour
enregistrer in situ la distribution du zooplancton.
Le compteur optique du plancton (OPC, Optical Plankton Counter) a été développé par
Herman (1988 et 1992). Il permet de déterminer l’abondance et la distribution de taille du
méso et du macroplancton. L’OPC a beaucoup été utilisé ces dix dernières années pour
étudier les distributions zooplanctoniques dans différents écosystèmes marins (Herman et al.,
1993 ; Beaulieu et al., 1999 ; Gallienne et al., 2001 ; Edvardsen et al., 2002) et d’eau douce
(Sprules et al., 1998). Les comptages réalisés avec l’OPC sont difficilement comparables avec
ceux obtenus par des techniques classiques d’échantillonnage (filets). De plus, ce système
fournit des silhouettes des organismes planctoniques qui dépendent de la vitesse de
déplacement du capteur et rendent donc l’identification des espèces difficile (Akiba & Kakui,
2000).
Des progrès récents dans les systèmes immergés d’imagerie permettent d’obtenir des
données d’organismes planctoniques observés in situ (e.g. Ecoscope, (Kils, 1992) ; J. R.
Strickler’s Critter-Cam, (Bergeron et al., 1988) ; ROV, (Paffenhöfer et al., 1991 ; Steinberg et
al., 1994); le Profileur Vidéo Marin, (PVM, Gorsky et al., 1992, 2000a et b) ; l’enregistreur
vidéo de plancton, (VPR, Davis et al., 1992a et b)). Les systèmes d’imagerie (photo puis
vidéo) permettent d’observer les organismes et de les décrire alors que les compteurs
n’indiquent que des propriétés de l’objet. Le PVM (en anglais : Underwater Video Profiler
(UVP)) et l’enregistreur vidéo de plancton (en anglais : Video Plankton Recorder (VPR)) sont
capables d’enregistrer des images de zooplancton avec une résolution suffisante. De tels
systèmes associés à des capteurs physiques nous permettent d’observer du plancton de
différentes tailles, distribué aléatoirement dans la colonne d’eau et d’enregistrer
simultanément
les
paramètres
environnementaux
(la
salinité,
la
température,
la
fluorescence…). Les champs de vision de ces systèmes d’imagerie sont généralement plus
réduits que la section des filets classiques mais ces appareils fournissent des données de
composition taxonomique du plancton similaires (Benfield et al., 1996 ; Norrbin et al., 1996).
Les taxons qualifiés de rares, qui sont généralement présents dans le milieu à une
concentration inférieure à 1 ind.m-3, sont souvent sous échantillonnés ou absents des images
prises par le système vidéo par rapport aux échantillons recueillis à l’aide d’un filet, alors que
les groupes gélatineux et fragiles (appendiculaires, cténophores, protozoaires …) qui sont
détectés par le système vidéo sont souvent absents ou endommagés dans les échantillons
provenant d’une récolte au filet ou simplement dissous par le formol (Norrbin et al., 1996).
Cependant, les technologies de vision restreignent la couverture spatiale des systèmes. Les
techniques acoustiques (échosondeurs) permettent alors de repérer les efflorescences
planctoniques, en particulier dans des études à méso-échelle (Greene et al., 1994 ; Wiebe et
al., 1996 ; Brierley et al., 1998 ; Kirsh et al., 2000 ; Bamsted et al., 2003).
Les filets sont toujours utilisés pour l’étude du zooplancton. Ces outils classiques sont
en effet peu onéreux et largement diffusés et leur utilisation ne requiert pas de compétences
particulières. Cette technique permet également de conserver les échantillons durant des
décennies. Il est donc important de proposer des méthodes performantes et peu onéreuses
pour le traitement des nombreux échantillons qu’ils recueillent.
Les techniques de reconnaissance automatique bénéficient aujourd’hui des progrès
dans différents domaines tels que les systèmes d’imagerie, les puissances de calcul et les
méthodes d’apprentissages des machines (Jeffries et al., 1984 ; Rolke & Lenz 1984 ;
Steidinger et al., 1990).
Plusieurs algorithmes se basant sur les caractéristiques morphologiques telles que l’aire, le
périmètre ou la convexité, sont utilisés pour la reconnaissance automatique du plancton marin
(Thonnat & Gandelin, 1991 ; Chedi et al., 1986 ; Berman, 1990). La méthode des réseaux de
neurones artificiels (Frankel et al., 1989 ; Smits et al., 1992) a été adaptée et testée pour
dénombrer et identifier des espèces marines ayant un intérêt particulier, telles que des
dinoflagellés produisant des toxines (Simpson et al., 1993 ; Culverhouse, 1995 ; Culverhouse
et al., 1996 et 2003), des larves de poissons (Newbury et al., 1995). Le petit nombre
d’espèces discriminées et le temps important requis pour réaliser l’apprentissage du système
puis pour analyser les images sont des inconvénients limitant l’utilisation de telles méthodes
dans un système d’imagerie numérique pour des études intensives des échantillons de
zooplancton. Un des avantages majeurs de la méthode DVF (Grosjean et al., 2004) appliquée
aux analyses des images fournies par le ZOOSCAN est la rapidité d’analyse des échantillons.
Le système fournit aussi de nombreuses mesures sur les organismes imagés.
Utilisation du ZOOSCAN en routine
Le ZOOSCAN est constitué d’un système d’imagerie et d’un éclairage (situé dans le
couvercle) (figure 1) spécialement étudié pour obtenir l’image détaillée des objets par
transparence à partir de la taille de 200 µm. Les différentes étapes d’acquisition puis
d’analyse de l’image sont contrôlées par une interface utilisateur conviviale.
Les quatre étapes du processus (l’ensemble demande moins de 30 minutes par échantillon)
sont : a) préparation de l’échantillon, b) acquisition de l’image, c) mesures des attributs de
forme des objets et d) classification des organismes. La préparation de l’échantillon inclut
l’élimination du formol et le transfert des organismes dans de l’eau de mer filtrée sous une
hotte. Une fraction de l’échantillon est étalée dans la cellule de numérisation mesurant 18,5
cm sur 7,5 cm (pour le prototype de laboratoire), et contenant 150 ml d’eau de mer filtrée. Il
est ensuite indispensable de consacrer un certain temps à la séparation des organismes
zooplanctoniques dans la cellule de numérisation pour éviter leur superposition. L’acquisition
de l’image et l’extraction des attributs morphométriques dure ensuite 5 minutes puis
l’échantillon non dégradé est récupéré et concentré pour être replacé dans son flacon d’origine
dans du formol.
Figure 1. Le système d’imagerie numérique, ZOOSCAN. Le support table, le couvercle
lumineux et la cellule de numérisation dans laquelle est placée l’échantillon sont
représentés.
Figure 1. The digital imaging system, ZOOSCAN. The base, the lighting system and the
scanning cell which contains the sample are indicated.
•
Origine des échantillons testés
Les échantillons de plancton utilisés au cours de cette étude proviennent de pêches au
filet WP-2 (200 µm de vide de maille) (UNESCO, 1968) de 60 mètres à la surface et font
partie d’une série temporelle de 9 ans (1995-2003), recueillis chaque semaine au point B
(43°41’10’’ N, 7°19’00’’ E) (voir http://www.obs-vlfr.fr/Rade), à Villefranche-sur-Mer. Les
échantillons ont été immédiatement fixés à bord du bateau avec de l’eau de mer formolée à
4% (solution de formol neutralisé par un excès de borax).
•
Taille de la fraction de l’échantillon à analyser
La concentration des organismes décroissant avec leur taille dans le milieu naturel, il
est nécessaire de trouver un compromis permettant à la fois d’imager les organismes rares
(peu nombreux) et de compter correctement les individus plus petits. De plus, les organismes
de petite et de grande taille présents ensemble dans la cellule de numérisation sont plus
difficiles à séparer. La meilleure stratégie a été trouvée expérimentalement : il suffit de
séparer l’échantillon en deux parties. Les organismes de grande taille sont tamisés sur une
soie de 500 µm et séparés avec précaution de ceux de plus petite taille (organismes dont la
taille est comprise entre 200 et 500 µm). Nous avons déterminé qu’environ 1500 organismes
de petite taille est un nombre qui permet une bonne séparation des organismes entre eux dans
la cellule. Le nombre d’organismes plus grands que 500 µm ne doit pas dépasser 500 à 800
individus, selon la taille des plus grands d’entre eux. La boîte de Motoda (Motoda, 1959) est
alors utilisé pour fractionner les filtrats et obtenir les quantités adaptées.
•
Qualité de l’image
Les échantillons des fractions de taille étudiées ici ont été imagés avec une résolution
optique de 2400 dpi et avec 256 niveaux de gris. Un simple calibrage réalisé sur les objets a
montré que la taille d’un pixel était réellement de 10,58 µm (avec un écart type égal à 0,28
%). Les mesures peuvent alors être facilement converties en unité métrique (mm ou µm). Une
telle résolution est tout à fait appropriée pour l’étude du mésozooplancton et les images
obtenues sont d’une qualité telle qu’il est possible de distinguer les détails nécessaires à une
identification taxonomique jusqu’au genre voire même jusqu’à l’espèce. Cette qualité des
images permet également d’effectuer des mesures précises de ces organismes.
Les caractéristiques d’éclairement et de contraste ont été choisis pour digitaliser au
mieux les organismes gélatineux très translucides et les crustacés opaques afin d’obtenir une
reconnaissance optimale de tous les types d’organismes ayant des densités optiques
différentes (figure 2). Le fond est soustrait des images sources et celles-ci sont compressées
sans perte de résolution. Leur qualité et leur taille permettent à la fois l’archivage numérique
des séries de plancton et le partage par Internet en vue de traitement simultané par des
taxonomistes distants.
Figure 2. Portion d’une image brute, numérisée à une résolution de 2400 dpi. Les
caractéristiques du système d’éclairage sont optimales pour étudier les organismes
gélatineux et les crustacés.
Figure 2. Part of a raw digitized image with a resolution of 2400 dpi. Lighting features allow
an optimal study of gelatinous organisms and crustaceans.
•
Les caractéristiques morphométriques
Les objets contenus dans la cellule de mesure sont automatiquement détectés, détourés
et labellisés (figure 3). Les fonctions de la librairie MIL (Matrox Imaging Library,
voir http://www.matrox.com/imaging/products/mil/) permettent de mesurer 38 paramètres
morphométriques sur chacun des 1500 objets de l’image en moins d’une minute. Dans la
présente étude, seulement 27 de ces paramètres sont ensuite utilisés pour caractériser et
classifier les objets. Ce sont essentiellement des paramètres de taille (longueur, largeur, …),
de forme (élongation, compacité …), moments (de premier et second ordre), de niveaux de
gris (valeurs minimale, maximale, moyenne du gris …) ainsi que des ratios de certains de ces
paramètres couramment employés en imagerie numérique (circularité, élongation, etc…).
Certaines de ces caractéristiques morphométriques, telles que la longueur ou l’aire,
constituent des paramètres standards qui sont souvent utilisées dans les études écologiques.
Les autres caractéristiques ont été sélectionnées pour leur capacité à discriminer les
organismes entre les différents groupes.
Figure 3. Portion d’image où les objets sont détectés, entourés et labellisés par l’analyse
d’image.
Figure 3. Part of a digitized image and the objects are detected, contoured and labelled by the
the image analysis.
Les données issues de ces mesures sont importées et regroupées dans un tableau général dans
l’environnement statistique R (voir http://www.r-project.org), à l’aide de routines spécialisées
fournies en complément du ZOOSCAN. Elles permettent d’éditer ou de visualiser facilement
ces données sous forme de graphiques. Ces tableaux seront ensuite utilisés pour classer les
organismes par la méthode DVF.
•
Apprentissage et classification à l’aide de la méthode DVF
L’algorithme développé pour classer les organismes imagés par le ZOOSCAN requiert
un apprentissage sur des échantillons de référence identifiés par des taxonomistes. Nous avons
utilisé 6500 objets choisis au hasard parmi plus de 180 000 objets provenant d’environ 100
échantillons répartis dans la série temporelle de 9 ans. Toutes les saisons et toutes les années
ont été intégrées à ce « training set » pour y inclure toute la variabilité existant dans les
échantillons et couvrir correctement toute la diversité du plancton observée en Méditerranée
Occidentale. Ces objets ont été identifiés manuellement, à partir des images, par les
spécialistes et classés aussi précisément que possible (embranchement, ordre, famille, genre et
même parfois espèce). 141 catégories ont ainsi été créées par les spécialistes que nous avons
regroupées en 50. Certaines l’ont été car elles ne contenaient que très peu de représentants
(moins de 5) ou parce qu’elles étaient trop difficiles à séparer manuellement et/ou
automatiquement. Nous avons également décidé d’éliminer tous les objets de taille inférieure
à 300 µm de la base de données car ils correspondaient le plus souvent à des fibres, des débris
ou des artefacts. Ces 6500 objets de référence ont été séparés aléatoirement en un « training
set » et un « test set », ce dernier permettant de contrôler l’efficacité des méthodes de
reconnaissance créées à partir du training set.
Grosjean et al. (2004) avaient testé et comparé différents algorithmes de
reconnaissance et étaient arrivés à la conclusion que la nouvelle méthode mise au point
spécifiquement pour analyser les images issues du ZOOSCAN, DVF, ou Dicriminant Vector
Forest, est l’une des meilleures. Une variante, dite reconnaissance semi-automatique, avait
aussi été introduite à cette occasion. Cette technique classifie deux fois chaque objet et vérifie
si les deux identifications sont les mêmes. Dans le cas contraire, les objets sont qualifiés de
« suspects », et une confirmation visuelle par un taxonomiste est requise avant de les classer
définitivement. Avec les réglages par défaut de cet algorithme, nous avons généralement entre
10 et 15%, et jamais plus de 20% des objets qui sont prédits comme suspects. Cette méthode
semi-automatique combine la rapidité de classification par l’ordinateur avec l’intervention
humaine pour la fraction la plus difficile à reconnaître. C’est donc cette méthode que nous
adoptons ici pour le travail en routine sur notre série.
Dans un premier temps, nous avons tenté de créer un training set de routine capable de
classer les 50 groupes discréminés visuellement par les taxonomistes. Nous obtenons un taux
global de classification réussie (c’est-à-dire, de concordance entre l’identification manuelle et
la classification par l’ordinateur) de 68,6% en mode automatique et de 75,6% en mode semiautomatique lors de l’apprentissage. Pour rappel, le tableau servant à l’apprentissage est
divisé aléatoirement en un training set et un test set, de sorte que la vérification se fait en
utilisant d’autres individus que ceux qui ont effectivement servit à l’apprentissage.
L’utilisation en routine du système de classification obtenu implique de pouvoir l’utiliser sur
des échantillons différents de ceux d’où sont issus les organismes du tableau d’apprentissage.
Nous avons donc réévalué le taux de reconnaissance sur un second test set, qualifié d’externe,
et issu d’autres échantillons. Dans ces conditions, le succès de classification global chute à
53,7%. Cette valeur faible ne nous permet pas d’utiliser avec fiabilité notre système de
classification détaillée de 50 groupes en routine. Une part de l’explication de ce faible résultat
tient dans le nombre trop bas d’individus présents (moins de 10) dans le tableau
d’apprentissage pour plusieurs dizaines de groupes.
Nous décidons donc de simplifier ce tableau par regroupements pour aboutir à la
classification simplifiée en 17 groupes reprise au Tableau I. Avec ces 17 groupes, le taux de
reconnaissance s’élève à 79,4% en mode automatique et 85,9% en mode semi-automatique.
C’est ce training set que nous utilisons en routine sur notre série et que nous évaluons de
façon plus détaillée dans la suite.
Tableau I. Liste des 17 groupes taxonomiques établie après une identification manuelle
par plusieurs spécialistes sur les images digitalisées. Les échantillons utilisés proviennent
de la série temporelle du « point B » (Villefranche-sur-Mer).
Table I. List of the 17 taxonomic groups created after manual identifications by several
taxonomists with digitized images. The samples used come from the time series of the “point
B” (Villefranche-sur-Mer).
Résultats
•
Estimation des abondances du zooplancton
Trente échantillons, contenant de 200 à 1400 organismes zooplanctoniques chacun,
ont été comptés sous la loupe binoculaire puis digitalisés à l’aide du ZOOSCAN. L’analyse
des images a ensuite permis de compter le nombre d’organismes dans chaque échantillon.
Le temps nécessaire pour le comptage des individus est en moyenne 3 fois plus
important que le temps nécessaire pour tout le processus d’acquisition et d’analyse des images
au ZOOSCAN et ce facteur varie de 1 à 5 selon l’abondance des individus dans les
échantillons.
La figure 4 représente la relation linéaire entre les comptages effectués manuellement et les
comptages effectués automatiquement par le ZOOSCAN. La pente de la droite de régression
égale à 1,096 ainsi que le coefficient de corrélation R2= 0,981 (significatif à 95 %) montrent
donc que les comptages effectués par les deux méthodes sont fortement corrélés. Par
conséquent, le ZOOSCAN donne une estimation reproductible et parfaitement proportionelle
des abondances des organismes zooplanctoniques par rapport à la méthode traditionnelle de
dénombrement sous binoculaire. Le comptage issu du ZOOSCAN indique 9,6% (la pente de
la droite de regression valant 1,096), en moyenne, d’organismes supplémentaires par rapport
au comptage manuel. Ceci peut s’expliquer en partie par la classification automatique de
débris ou particules dans les groupes faunistiques alors qu’ils n’ont pas été pris en compte
dans le comptage manuel. Cependant, il est également possible que ce soit la méthode
manuelle qui sous-estime, ceci pouvant être due à la fatigue de l’expérimentateur.
Figure 4. Comparaison du nombre d’organismes zooplanctoniques dans 30 échantillons
estimé par un comptage manuel (loupe binoculaire) et par un comptage automatique
(ZOOSCAN). La droite de régression linéaire est représentée et l’équation de cette
droite ainsi que le coefficient de corrélation (significatif à 95 %) sont indiqués.
Figure 4. Comparison between abundance of zooplankton organisms estimated with a manual
count (with a microscope) and an automated enumeration (ZOOSCAN) in 30 samples. The
linear regression line is represented and the equation and the correlation coefficient
(significant at 95% confidence level) are indicated.
•
Classification du zooplancton
Afin d’évaluer l’efficacité de classification des objets imagés par le ZOOSCAN, lors
de son utilisation en routine sur une longue série, nous avons réalisé un test set
supplémentaire, issu de cette série en prenant soin de sélectionner des objets n’appartenant
pas au jeu de données plus restreint qui avait été utilisé dans la phase d’apprentissage. Pour
cela, nous avons sélectionné 50 échantillons au hasard parmi les 804 échantillons digitalisés
de la série complète de 9 ans. Nous avons classé manuellement 5000 objets sélectionnés au
hasard et nous avons comparé nos résultats de classification manuelle avec ceux fournis
automatiquement par la métode DVF.
Cette méthode DVF est évidemment nettement plus rapide que la classification
manuelle. En effet, à partir des images numérisées, la classification manuelle de ces 5000
objets en 17 groupes taxonomiques demande plusieurs heures à un biologiste alors que la
méthode DVF classe ces objets en seulement quelques minutes, même s’il ne faut pas négliger
le temps passé à la réalisation du training set.
Les résultats globaux de classification pour l’ensemble des groupes sur toute la série
apparaissent très satisfaisants. En effet, nous obtenons un succès de reconnaissance de 80,7%
avec la méthode automatique et de 87,8% avec la méthode semi-automatique, c’est à dire
après la ré-identification manuelle des objets suspects.
Pour évaluer le succès de reconnaissance au sein de chaque groupe, nous avons calculé
un tableau présentant les différents groupes et deux valeurs en pourcentage pour chacun
d’eux. Le premier pourcentage correspond au nombre d'objets correctement prédits par la
méthode automatique par rapport à tous les objets que la méthode a classé dans ce groupe. La
deuxième valeur indique la fraction des objets existant dans un groupe (parmi les 5000 testés)
qui ont été correctement prédits par la méthode automatique dans ce groupe. Ces deux valeurs
ne sont pas forcément identiques. La première est complémentaire aux faux positifs (100% -
faux positifs), la seconde est le complément des faux négatifs (100% - faux négatifs). Ces
deux mesures renseignent donc, pour chaque groupe, l’exactitude de reconnaissance par la
méthode (pour la première), et la capacité à ne pas manquer les individus appartenant à ce
même groupe pour la seconde. Naturellement, il faut que les deux pourcentages soient
simultanément élevés pour obtenir une bonne reconnaissance globale. Les figures 5 et 6 sont
les représentations graphiques de ces deux mesures, pour chacun des groupes discriminés. Par
exemple, pour le groupe « Appendicularia », l’analyse automatique n’est en accord avec la
détermination du biologiste que dans un peu plus de 60% des cas (figure 5). Par contre, cette
même méthode automatique s’avère très efficace pour traquer les appendiculaires parmi
l’ensemble des organismes, puisqu’elle en identifie près de 85% et n’en rate donc que 15%
(figure 6).
Les résultats montrent que certains groupes ont des pourcentages d’objets bien classés très
satisfaisants (supérieurs à 80%, figure 5), comme le groupe des copépodes ou le groupe
« other » regroupant les débris, les particules … Cependant, d’autres groupes présentent de
faibles pourcentages d’objets bien classés (inférieurs à 50%) : les groupes « Thaliacea »,
« Siphonophora », « Pisces-Polychaeta », « Hydroida » et « Decapoda ».
Le nombre de groupes où plus de 80% des organismes ont été correctement prédits comme tel
dans l’ensemble de ceux qui se trouvaient initialement dans le test set (figure 6) est cette foisci plus important. Ces groupes sont : « Siphonophora », « Ostracoda », « Egg-Protista »,
« Copepoda », « Cladocera », « Chaetognatha », « Artifact » et « Appendicularia ». Seuls
deux groupes n’atteignent pas 50 % : « Thecosomata » et « Hydroida ».
Le groupe « Ctenophora » a des valeurs nulles dans les deux cas (figures 5 et 6) pour la
simple raison que l’échantillonnage aléatoire de 5000 individus dans toute la série de 9 ans
n’a inclu aucun organisme de ce groupe. Par conséquent, il n’est pas possible d’estimer la
qualité de la reconnaissance de ce groupe dans l’expérience décrite.
Figure 5. Pourcentage des individus correctement prédits dans chacun des 17 groupes
taxonomiques, au cours du test, avec la méthode semi-automatique.
Figure 5. Percent of correctly predicted objects in each of the 17 taxonomic groups, during the
test, using the semi-automatic method.
Figure 6. Pourcentage des individus de chaque groupe présents dans le « test set » et qui
ont été correctement prédits comme tel par la méthode semi-automatique.
Figure 6. : Percent of objects of each group that are recognized in its own category in the “test
set” using the semi-automatic method.
La plupart des échantillons de la série temporelle imagés par le ZOOSCAN et triés par
la méthode DVF contiennent au moins 90 % de copépodes. Le jeu de données ayant été choisi
au hasard, cette catégorie est donc en proportion très importante parmi les 5000 objets testés
et seuls quelques individus représentent les autres catégories.
Discussion et conclusion
Le ZOOSCAN a été conçu pour accélérer l’étude du zooplancton et remplit ses
objectifs. Comme nous l’avons montré, c’est un outil beaucoup plus rapide que le travail
fastidieux de dénombrement, de mesure et de classification des organismes zooplanctoniques
sous la loupe binoculaire. De plus, comme le ZOOSCAN compte et trie tous les organismes
des fractions digitalisées, il permet l’étude de la distribution des tailles des groupes identifiés
et permet d’obtenir ainsi très rapidement une information à la fois qualitative et quantitative
sur les échantillons. Le processus de traitement au ZOOSCAN d’un échantillon contenant
plus d’un millier d’organismes (de la préparation de l’échantillon aux résultats) ne dépassant
pas 30 minutes, cet appareil convient très bien pour l’étude des grandes séries. Les images
acquises peuvent être archivées et consultées beaucoup plus facilement que les échantillons
formolés (Grassle, 2000). Elles constituent donc un excellent moyen de partage des séries
historiques de zooplancton et ces données numériques sont potentiellement intégrables dans
les bases de données concernant l’environnement marin.
Il apparaît que la qualité des images obtenue avec le ZOOSCAN est suffisante pour
discriminer parmi 17 groupes zooplanctoniques, à la fois manuellement en examinant les
organismes à l’écran et automatiquement par le nouvel algorithme crée pour ces données, qui
fournit un degré de classification satisfaisant (jusqu’à 85%-90% avec la méthode semiautomatique). De plus, outre une relativement bonne concordance dans la classification en 17
groupes par rapport au taxonomiste, le ZOOSCAN dénombre aussi les individus totaux dans
l’échantillon de manière parfaitement proportionnelle par rapport au travail classique sous
binoculaire (avec toutefois une surestimation jusqu’à 10%). Cette différence entre le
comptage manuel et automatique peut s’expliquer par le classement d’un certaine nombre de
debris dans les groupes faunistiques par la méthode automatique, ces débris n’étant pas pris en
compte au moment du comptage manuel. L’amélioration de la qualité de la phase de
l’apprentissage et un travail complémentaire sur les attributs utilisés lors des analyses vont
permettre d’ici peu d’améliorer nettement les performances du ZOOSCAN sur ce point.
La méthode DVF doit encore être améliorée pour pouvoir prétendre classer les
organismes en davantage de groupes avec une bonne précision. En tout cas, l’analyse
automatique permet d’éviter le biais humain introduit par l’intervention de différentes
personnes et par l’accumulation de la fatigue lors des comptages ou identifications manuelles.
Le CNRS a accordé la licence à la société française BioTOM qui est désormais en
charge de commercialisation du ZOOSCAN.
Remerciements
Les auteurs tiennent à remercier les taxonomistes de Villefranche-sur-Mer (J.C. Braconnot, C.
Carré, S. Dallot S. Gasparini, J.C. Molinero et S. Nival) pour leur participation pendant la
phase d’apprentissage du ZOOSCAN. Ils remercient également Isabelle Palazzoli pour l'aide
technique au cours de cette étude et Lars Stemmann pour les discussions constructives
pendant ce travail.
AKIBA, T. & KAKUI, Y., 2000. Design and Testing of an Underwater Microscope and
Image Processing System for the Study of Zooplankton distribution. IEEE Journal of oceanic
engineering, 25(1) : 97-104.
BAMSTEDT, U., KAARTVEDT, S. & YOUNGBLUTH, M., 2003. An evaluation of
acoustic and video methods to estimate the abundance and vertical distribution of jellyfish. J.
Plankton Res., 25(11) : 1307-1318.
BANSE, K., 1995. Zooplankton: pivotal role in the control of ocean production. ICES J. Mar.
Sci., 52 : 265-277.
BAUSSANT, T., GASSER, B., KANTIDAKIS, A. & GORSKY, G., 1993. Mesopelagic
micronekton and macrozooplankton observed by echosouding, multiple-net sampling and
video profiling across the Almeria-Oran front (W.-Mediterranean). Ann. Inst. Oceanogr.
Paris, 69(1) : 87-93.
BE, A.W.H., EWING, M. & LINTON, L.W., 1959. A quantitative multiple opening-andclosing plankton sampler for vertical towing. J. Cons. Perm. Int. Explor. Mer., 25 : 36-46.
BEAUGRAND, G., IBANEZ, F. & REID, P.C., 2000. Spatial, seasonal and long-term
fluctuations of plankton in relation to hydroclimatic features in the English Channel, Celtic
Sea and Bay of Biscay. Mar. Ecol. Prog. Ser., 200 : 93-102.
BEAUGRAND, G., REID, P.C., IBANEZ, F., LINDLEY, J.A. & EDWARDS, M., 2002.
Reorganization of North Atlantic marine copepod biodiversity and climate. Science, 296 :
1692-1194.
BEAUGRAND, G., 2004. Monitoring marine plankton ecosystems. 1: Description of an
ecosystem approach based on plankton indicators. Mar. Ecol. Prog. Ser., 269 : 69-81.
BEAULIEU, S.E., MULLIN, M.M., TANG, V.T., PYNE, S.M., KING, A.L. & TWINING,
B.S., 1999. Using an optical plankton counter to determine the size distributions of preserved
zooplankton samples. J. Plankton Res., 21(10) : 1939-1956.
BENFIELD, M.C., DAVIS, C.S., WIEBE, P.H., GALLAGER, S.M., LOUGH, R.G. &
COPLEY, N.J., 1996. Video Plankton Recorder estimates of copepod, pteropod and larvacean
distribution from a stratified region of Georges Bank with comparative measurements from a
MOCNESS sampler. Deep-Sea Res. II, 43 : 1925-1945.
BENFIELD, M.C., WIEBE, P.H., STANTON, T.K., DAVIS, C.S., GALLAGER, S.M. &
GREENE, C.H., 1998. Estimating the spatial distribution of zooplankton biomass by
combining Video Plankton Recorder and signal-frequency acoustic data. Deep-Sea Res. II, 45
: 1175-1199.
BERGERON, E., BOWE, A.D., HERSEY, W.J., LANGE, W.N. & STRICKLER, J.R., 1988.
Reaching the ultimate goal : observing live zooplankton in situ. EOS, 69 : 1087-1099.
BERMAN, M.S., 1990. Enhanced zooplankton processing with image analysis technology.
ICES Council Meeting 1990 (Collected Papers) : 1-5.
BOYD, C.M. & JOHNSON, G.W., 1995. Precision of size determination of resistive
electronic particle counters. J. Plankton Res., 17(1) : 41-58.
BRIERLEY, A.S., WARD, P., WATKINS, J.L. & GOSS, C., 1998. Acoustic discrimination
of Southern Ocean zooplankton. Deep-Sea Res. II, 45 : 1155-1173.
CHEDI, K., BOUCHER, J.M. & HILLION, A., 1986. Automatic classification of
zooplankton by image analysis. In: Int. Conf. Acoustics, Speech and Signal Processing, 14771480.
COOLEBROOK, J.M., 1986. Environmental influences on long-term variability in marine
plankton. Hydrobiologia, 142 : 309-325.
CULLEN, J.J., Ciotti, A.M., DAVIS, R.F. & LEWIS, M.R., 1997. Optical detection and
assessment of algal blooms. Limnol. Oceanogr., 42(5) : 1223-1239.
CULVERHOUSE, P.F., 1995. Automatic methods for the detection of harmful algae. In :
LASSUS, P., ARZUL, G., ERARD, E., GENTIEN, P. & MARCALLOU, C. (eds), Harmful
Marine Algal Blooms. Lavoisier, Paris, 695-706.
CULVERHOUSE, P.F., SIMPSON, R.G., ELLIS, R., LINDLEY, J.A., WILLIAMS, R.,
PARISINI, T., REGUERA, B., BRAVO, I., ZOPPOLI, R., EARNSHAW, G., McCALL, H.
& SMITH, G., 1996. Automatic classification of field-collected dinoflagellates by artificial
neural network. Mar. Ecol. Prog. Ser., 139(1-3) : 281-287.
CULVERHOUSE, P.F., WILLIAMS, R., REGUERA, V., HERRY, B. & GONZALEZ-GIL,
S., 2003. Do experts make mistakes? A Comparison of human and machine identification of
dinoflagellates. Mar. Ecol. Prog. Ser., 247 : 17-25.
DAVIS, C.S., GALLAGER, S.M., BERMAN, N.S., HAURY, L.R. & STRICKLER, J.R.,
1992a. The Video Plankton Recorder (VPR) : Design and Initial Results. Arch. Hydrobiol.
Beith., 36 : 67–81.
DAVIS, C.S., GALLAGER, S.M. & SOLOW, A.R., 1992b. Microaggregations of Oceanic
Plankton Observed by Towed Video Microscopy. Science, 257 : 230–232.
DAVIS, C.S., GALLAGER, S.M., MARRA, M. & STEWARD, W.K., 1996. Rapid
visualization of plankton abundance and taxonomic composition using the Video Plankton
Recorder. Deep-Sea Res. II, 43 : 1947-1970.
EDVARSEN, A., ZHOU, M., TANDE, K.S. & ZHU, Y., 2002. Zooplankton population
dynamics: measuring in situ growth and mortality rates using an Optical Plankton Counter.
Mar. Ecol. Prog. Ser., 227 : 205-219.
FOOTE, K.G., 2000. Optical methods. In : ICES Zooplankton methodology manual.
HARRIS, R.P., WIEBE, P.H., LENZ, J., SKJODAL, H.R. & HUNTLEY, M. (eds), San
Diego, Academic Press : 259-291.
FOOTE, K.G. & STANTON, T.K., 2000. Acoustical methods. In : ICES Zooplankton
methodology manual. HARRIS, R.P., WIEBE, P.H., LENZ, J., SKJODAL, H.R. &
HUNTLEY, M. (eds), San Diego, Academic Press : 223-258.
FRANKEL, D.S., OLSON, R.J., FRANKEL, S.L. & CHISHOLM, S.W., 1989. Use of a
neural net computer system for analysis of flow cytometric data of phytoplankton populations.
Cytometry in aquatics sciences, 10(5) : 540-550.
FROMENTIN, J.M. & PLANQUE, B., 1996. Calanus and environment in the eastern North
Atlantic. II. Influence of the North Atlantic Oscillation on C. finmarchicus and C.
helgolandicus. Mar. Ecol. Prog. Ser., 134(1-3) : 111-118.
GALLAGER, S.M., DAVIS, C.S., EPSTEIN, A.W., SOLOW, A. & BEARDSLEY, R.C.,
1996. High-resolution observations of plankton spatial distributions correlated with
hydrography in the Great South Channel, Gearges Bank. Deep-Sea Res. II, 43(7-8) : 16271663.
GALLIENNE, C.P., ROBINS, D.B. & WOODD-WALKER, R.S., 2001. Abundance,
distribution and size structure of zooplankton along a 20 degree west meridional transect of
the northeast Atlantic ocean in July. Deep-Sea Res. II, 48(4-5) : 925-949.
GORSKY, G., GUILBERT, P. & VALENTA, E., 1989. The autonomous image analyzer –
enumeration, measurement and identification of marine phytoplankton. Mar. Ecol. Prog. Ser.,
58: 133-142.
GORSKY, G., ALDORF, C., PICHERAL, M., KAGE, M., GARCIA, Y. & FAVOLE, J.,
1992. Vertical distribution of suspended aggregates determined by new Underwater Video
Profiler. Ann. Inst. Oceanogr. Paris, 68(1-2) : 275-280.
GORSKY, G., FLOOD, P.R., YOUNGBLUTH, M., PICHERAL, M. & GRISONI, J.M.,
2000a. Zooplankton distribution in four Western Norwegian Fjords. Estuar. Coast. Shelf Sci.,
50 : 129-135.
GORSKY, G., PICHERAL, M. & STEMMANN, L., 2000b. Use of the Underwater Video
Profiler for the study of aggregate dynamics in the North Mediterranean. Estuar. Coast. Shelf
Sci., 50 : 121-128.
GORSKY, G. & GROSJEAN, P., 2003. Qualitative and quantitative assessment of
zooplankton samples. GLOBEC Int. Newsletter, 9(1) : 5.
GRASSLE, J.F., 2000. The Ocean Biogeographic Information System (OBIS): an on-line,
worldwide atlas for accessing, modelling and mapping marine biological data in a
multidimensional geographic context. Oceanography, 13(3) : 5-7.
GREENE, C.H., WIEBE, P.H. & ZAMON, J.E., 1994. Acoustic visualization of patch
dynamics in oceanic ecosystems. Oceanography, 7(1) : 4-12.
GROSJEAN, P., PICHERAL, M., WAREMBOURG, C. & GORSKY, G., 2004.
Enumeration, measurement, and identification of net zooplankton samples using the
ZOOSCAN digital imaging system. ICES J. Mar. Sci., 61(4) : 518-525.
HARDY, A.C., 1935. The Continuous Plankton Recorder: a new method of survey. Rapp.
Cons. Int. Expl. Mer, 95: 36-47.
HERMAN, A.W. & DAUPHINEE, T.M., 1980. Continuous and rapid profiling of
zooplankton with an electronic counter mounted on a “Batfish” vehicle. Deep-Sea Res.,
27(1A) : 79-96.
HERMAN, A.W. & MITCHELL, M.R., 1981. Counting and Identifying Copepod Species
with an in situ Electronic Zooplankton Counter. Deep-Sea Res., 28(7A) : 739-755.
HERMAN, A.W., 1988. Simultaneous measurement of zooplankton and light attenuance with
a new optical plankton counter. Cont. Shelf Res., 8(2) : 205-221.
HERMAN, A.W., 1992. Design and calibration of a new optical plankton counter capable of
sizing small zooplankton. Deep-Sea Res., 39(3-4A) : 395-415.
HERMAN, A.W., COCHRANE, N.A. & SAMETEO, D.D., 1993. Detection and abundance
estimation of euphausiids using an optical plankton counter. Mar. Ecol. Prog. Ser., 94(2) :
165-173.
HERMAN, A.W., BEANLANDS, B. & PHILLIPS, E.F., 2004. The next generation of
Optical Plankton Counter: the Laser-OPC. J. Plank. Res., 26(10) : 1135-1145.
JEFFRIES, H.P., BERMAN, M.S., POULARIKAS, A.D., KATSINIS, C., MELAS, I.,
SHERMAN, K. & BIVINS, L., 1984. Automated sizing, counting and identification of
zooplankton by pattern recognition. Mar. Biol., 78(3) : 329-334.
KIRSCH, J., THOMAS, G.L. & COONEY, R.T., 2000. Acoustic estimates of zooplankton
distributions in Prince William Sound, spring 1996. Fish. Res., 47(2-3) : 245-260.
KILS, U. 1992. The ecoSCOPE and dynIMAGE : microscale tools for in situ studies of
predator prey interactions. Archiv fèur Hydrobiologie Beiheft, Ergebnisse der Limnologie,
36 : 83-96.
MOTODA, S., 1959. Devices of simple plankton apparatus. Memoirs. Faculty of Fisheries.
Hokkaido University, 7 : 73-94.
NEWBURY, P.F., CULVERHOUSE, P.F. & PILGRIM, D.A., 1995. Automatic fish
population counting by artificial neural network. Aquaculture, 133(1) : 45-55.
NOGUEIRA, E., GONZALEZ-NUEVO, G., BODE, A., VARELA, M., MORAN, X.A.G. &
VALDES, L., 2004. Comparison of biomass and size spectra derived from optical plankton
counter data and net samples : application to the assessment of mesoplankton distribution
along the Northwest and North Iberian Shelf. ICES J. Mar. Sci., 61 : 508-517.
NORRBIN, M.F., DAVIS, C.S. & GALLAGER, S.M., 1996. Differences in fine-scale
structure and composition of zooplankton between mixed and stratified regions of Georges
Bank. Deep-Sea Res. II, 43(7-8) : 1905-1924.
PAFFENHOEFER, G.A., STEWART, T.B., YOUNGBLUTH, M.J. & BAILEY, T.G., 1991.
High-resolution vertical profiles of pelagic tunicates. J. Plank. Res., 13(5) : 971-981.
PLANQUE, B. & IBANEZ, F., 1997. Long-term time series in Calanus finmarchicus
abundance - a question of space ? Oceanol. Acta, 20 : 159-164.
ROLKE, M. & LENZ, J., 1984. Size structure analysis of zooplankton samples by means of
an automated image analyzing system. J. Plank. Res., 6 : 637-645.
SAMEOTO, D.D., 1983. Micronekton sampling using a newmultiple-net sampler, the
BIONESS, in conjunction with a 120 kHz sounder. Biol. Oceanogr., 2 : 179-198.
SAMEOTO, D.D., WIEBE, P.H., RUNGE, J., POSTEL, L., DUNN, J., MILLER, C. &
COOMBS, S., 2000. Collecting zooplankton. In : ICES Zooplankton methodology manual.
HARRIS, R.P., WIEBE, P.H., LENZ, J., SKJODAL, H.R. & HUNTLEY, M. (eds), San
Diego, Academic Press : 55-81.
SHELDON, R.W. & PARSONS, T.R., 1967. A continuous size spectrum for particulate
matter in the sea. J. Fish. Res. Bd. Canada, 24(5) : 909-915.
SIMPSON, R., CULVERHOUSE, P.F., WILLIAMS, R. & ELLIS, R., 1993. Classification of
Dinophyceae by artificial neural networks. In : Toxic phytoplankton blooms in the sea.
SMAYDA, T.J. & SHIMIZY, Y. (eds), Elsevier, Amsterdam (Netherlands), 3 : 183-190.
SMAYDA, T.J., 1978. Phytoplankton – the basis of life in the sea. Maritimes, 22(3) : 1-3.
SMITS, J.R.M., BREEDVELD, L.W., DERKSEN, M.W.J., KATEMAN, G., BALFOORT,
H.W., SNOEK, J. & HOFSTRAAT, J.W., 1992. Pattern classification with artificial neural
networks : classification of algae, based upon flow cytometer data. Anal. Chim. Acta., 258(1) :
11-25.
SOURISSEAU, M., 2002. Etude de la structure de taille de la communauté des copépodes
par l’analyse de spectres mesurés avec un compteur optique et par la modélisation de la
dynamique des populations. Thèse de Doct. État, Univ. P. & M. Curie, Paris VI, 172 pp.
SPRULES, W.G., JIN, E.H., HERMAN, A.W. & STOCKWELL, J.D., 1998. Calibration of
an optical plankton counter for use in fresh water. Limnol. Oceanogr., 43(4) : 726-733.
STEIDINGER, K.A., CHASE, C., GARRETT, J., MAHMOUDI, B., ROBERTS, B.,
THOMAS, C. & TRUBY, E., 1990. The use of optical pattern recognition in dinoflagellate
taxonomy. In: Toxic Marine Phytoplankton. GRANELI, E., SUNSTROM, B., EDLER, L. &
ANDERSON, D.M. (eds), Elsevier : 88-89.
STEINBERG, D.K., SILVER, M.W., PILSKALN, C.H., COALE, S.L. & PADUAN, J.B.,
1994. Midwater zooplankton communities on pelagic detritus (giant larvacean houses) in
Monterey Bay, California. Limnol. Oceanogr., 39(7) : 1606-1620.
TANG, X., STEWARD, W.K., VINCENT, L., HUANG, H., MARRA, M., GALLAGER,
S.M. & DAVIS, C.S., 1998. Automatic plankton image recognition. Artificial Intelligence
Review, 12 : 177-199.
THONNAT, M. & GANDELIN, M.H., 1991. An automatic system to recognize the
biological class of zooplankton from monocular images. Traitement Signal, 5 : 373-387.
UNESCO, 1968. Zooplankton Sampling. Paris. 174 pp.
WARNER, A.J. & HAYS, G.C., 1994. Sampling by the Continuous Plankton Recorder
survey. Prog. Oceanogr., 34 : 237-256.
WIEBE, P.H., MORTON, A.W., BRADLEY, A.M., BACKUS, R.H., CRADDOCK, J.E.,
BARBER, V., COWLES, T.J. & FLIERL, G.R., 1985. New developments in the MOCNESS,
an apparatus for sampling zooplankton and micronekton. Mar. Biol., 87(3) : 313-323.
WIEBE, P.H., MOUNTAIN, D.G., STANTON, T.K., GREENE, C.H., LOUGH, G.,
KAARTVEDT, S., DAWSON, J. & COPLEY, N., 1996. Acoustical study of the spatial
distribution of plankton on Georges Bank and the relationship between volume backscattering
strength and the taxonomic composition of the plankton. Deep-Sea Res. II, 43(7-8) : 19712001.
WYATT, T., 1995. Global spreading, time series, models and monitoring. In : LASSUS, P.,
ARZUL, G., ERARD, E., GENTIEN, P. & MARCALLOU, C. (eds), Harmful Marine Algal
Blooms. Lavoisier, Paris : 755–764.
Figure 1. Le système d’imagerie numérique, ZOOSCAN. Le support table, le couvercle
lumineux et la cellule de numérisation dans laquelle est placée l’échantillon sont
représentés.
Figure 1. The digital imaging system, ZOOSCAN. The base, the lighting system and the
scanning cell which contains the sample are indicated.
Figure 2. Portion d’une image brute, numérisée à une résolution de 2400 dpi. Les
caractéristiques du système d’éclairage sont optimales pour étudier les organismes
gélatineux et les crustacés.
Figure 2. Part of a raw digitized image with a resolution of 2400 dpi. Lighting features allow
an optimal study of gelatinous organisms and crustaceans.
Figure 3. Portion d’image où les objets sont détectés, entourés et labellisés par l’analyse
d’image.
Figure 3. Part of a digitized image and the objects are detected, contoured and labelled by the
the image analysis.
1600
Comptage automatique (ind)
y = 1,096x
2
r = 0,981
1400
1200
1000
800
600
400
200
0
0
200
400
600
800
1000
1200
1400
Comptage manuel (ind)
Figure 4. Comparaison du nombre d’organismes zooplanctoniques dans 30 échantillons
estimé par un comptage manuel (loupe binoculaire) et par un comptage automatique
(ZOOSCAN). La droite de régression linéaire est représentée et l’équation de cette
droite ainsi que le coefficient de corrélation (significatif à 95 %) sont indiqués.
Figure 4. Comparison between abundance of zooplankton organisms estimated with a manual
count (with a microscope) and an automated enumeration (ZOOSCAN) in 30 samples. The
linear regression line is represented and the equation and the correlation coefficient
(significant at 95% confidence level) are indicated.
Thecosom ata
Thaliacea
Siphonophora
Scyphozoa
Pisces-Polychaeta
Other
Ostracoda
Hydroida
Egg-Protista
Echinoderm ata
Decapoda
Ctenophora
Copepoda
Cladocera
Chaetognatha
Artifact
Appendicularia
0
10
20
30
40
50
60
70
80
90
100
Pourcentage d'objets correctement prédits dans chaque groupe
Figure 5. Pourcentage des individus correctement prédits dans chacun des 17
groupes taxonomiques, au cours du test, avec la méthode semi-automatique.
Figure 5. Percent of correctly predicted objects in each of the 17 taxonomic
groups, during the test, using the semi-automatic method.
Thecosomata
Thaliacea
Siphonophora
Scyphozoa
Pisces-Polychaeta
Other
Ostracoda
Hydroida
Egg-Protista
Echinodermata
Decapoda
Ctenophora
Copepoda
Cladocera
Chaetognatha
Artifact
Appendicularia
0
10
20
30
40
50
60
70
80
90
100
Pourcentage d'objets testés correctement prédits dans leur groupe
Figure 6. Pourcentage des individus de chaque groupe présents dans le « test
set » et qui ont été correctement prédits comme tel par la méthode semiautomatique.
Figure 6. : Percent of objects of each group that are recognized in its own category
in the “test set” using the semi-automatic method.