کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4943418 1437634 2017 30 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
The effect of automated taxa identification errors on biological indices
ترجمه فارسی عنوان
اثر خطاهای شناسایی تاکسی های خودکار بر شاخص های بیولوژیکی
کلمات کلیدی
بیومونیتوری، خطای طبقه بندی، تنوع: انتشار خطا، شناسایی، شباهت،
ترجمه چکیده
در سیستم های بیومونیزاسیون ماکرومتری طعمه زدایی، هدف این است که وضعیت اکوسیستم ها را براساس شاخص های بیولوژیکی مختلف تعیین کنیم. برای افزایش بهره وری، شناسایی تاکسونهای مبتنی بر رایانه برای داده های تصویر اخیرا توسعه یافته است. اما اشتباهات شناسایی تاکسی می تواند بر شاخص ها تاثیر بگذارد و بنابراین تعیین وضعیت زیست محیطی. برای جابجایی فرآیند بی نظم در برابر سیستم های کارشناس خودکار، ما باید درک روشنی از تعصب ناشی از اتوماسیون داشته باشیم. در این مقاله، ما به بررسی یک روش طبقه بندی در مورد داده های تصویر بزرگ ماکرو آمبولار می پردازیم و نشان می دهد که چگونه اشتباهات طبقه بندی آن ها به شاخص های بیولوژیکی مختلف می رسند. ما 14 شاخص غنی، تنوع، سلطه و شباهت را که معمولا در نظارت بر بیومارکرهای مورد استفاده قرار می گیرند، ارزیابی می کنیم. علاوه بر میزان خطای روش طبقه بندی، ما در مورد اثر بالقوه انواع مختلف خطاهای شناسایی بحث می کنیم. در نهایت، ما توصیه هایی را برای شاخص هایی که حداقل توسط خطاهای شناسایی اتوماتیک تحت تاثیر قرار می گیرند، ارائه می کنیم و می توان در نظارت بر بیوموناتوری استفاده کرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
In benthic macroinvertebrate biomonitoring systems, the target is to determine the status of ecosystems based on several biological indices. To increase cost-efficiency, computer-based taxa identification for image data has recently been developed. Taxa identification errors can, however, have strong effects on the indices and thus on the determination of the ecological status. In order to shift the biomonitoring process towards automated expert systems, we need a clear understanding on the bias caused by automation. In this paper, we examine eleven classification methods in the case of macroinvertebrate image data and show how their classification errors propagate into different biological indices. We evaluate 14 richness, diversity, dominance and similarity indices commonly used in biomonitoring. Besides the error rate of the classification method, we discuss the potential effect of different types of identification errors. Finally, we provide recommendations on indices that are least affected by the automatic identification errors and could be used in automated biomonitoring.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 72, 15 April 2017, Pages 108-120
نویسندگان
, , , , , , ,