Mesoplanktonic organisms (i
Transcription
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.