地中海浮游生物图像数据集MedPlanktonSet：推动机器学习与生态研究的新资源

《Scientific Data》：Annotated IFCB plankton images from the Mediterranean Sea

　　本研究针对地中海区域缺乏标注浮游生物图像数据的现状，构建了包含77,271张分类图像的MedPlanktonSet数据集。通过成像流式细胞仪（IFCB）采集那不勒斯湾六站点的样本，人工标注至139个分类单元，并提取V2/V4双版本特征数据。该资源解决了机器学习分类器训练样本不足的瓶颈，支持浮游生物三维重建、分类器开发及性状生态学研究，为地中海浮游生物监测与保护提供关键工具。

　　

浮游生物是海洋生态系统的基石，它们支撑着渔业资源，驱动碳固定和营养循环，却因气候变化和污染面临严峻威胁。传统浮游生物监测依赖显微镜观察，虽精度高却耗时费力，难以捕捉短时动态变化；分子技术能发现稀有物种，但定量困难且依赖数据库完整性。这些局限催生了浮游生物成像技术的兴起，其中成像流式细胞仪（IFCB）可自动采集高分辨率图像，实现高频监测。然而，IFCB每秒产生海量图像，人工分类已成瓶颈——训练一个有效的机器学习分类器需每类至少千张图像，且需专家耗时标注。更棘手的是，现有公开标注数据集多集中于北大西洋或波罗的海，地中海作为生物多样性热点区域竟无覆盖！

为此，意大利安东·多恩动物站的研究团队开展了MedPlanktonSet项目，旨在填补这一空白。研究团队于2022年11月至2025年2月，在那不勒斯湾的6个站点（包括长期生态研究站马雷基阿拉、萨尔诺河口等）连续采集表层海水，使用IFCB配置荧光触发模式获取图像。每张图像均经人工初步标注后，由至少两名专家复核，并参照AlgaeBase校对分类名称，最终形成139个分类类别。

关键技术方法包括：利用IFCB采集5毫升水样图像；通过MATLAB工具“startMC”进行人工注释；基于IFCB-analysis开源代码导出PNG图像并提取V2（237个特征）和V4（28个特征）双版本形态特征；所有数据通过Zenodo平台公开共享。

数据概览

MedPlanktonSet包含77,271张标注图像，涵盖18个浮游生物大类（如硅藻、甲藻、纤毛虫等），其中伪菱形藻（Pseudo-nitzschia spp.）更按细胞链长度细分为7类，便于精准计数。

技术验证

通过三级校验（初步标注+双专家复核+AlgaeBase核对）确保分类准确性，且所有图像均公开可查，支持分类结果的可重复性。

结论与意义

MedPlanktonSet作为地中海首个大型IFCB标注数据集，其多重价值凸显：一是为开发地域特异性机器学习分类器提供训练基础，尤其支持有害藻华（如亚历山大藻、Dinophysis等）的精准识别；二是通过多角度图像库助力浮游生物三维结构重建；三是特征数据可整合至全球浮游生物尺寸数据库（如Pelagic Size Structure），推动性状生态学研究；四是通过图像库缩短分类学家培训周期。该资源发表于《Scientific Data》，不仅缓解了IFCB用户社区的数据匮乏困境，更通过开源共享加速浮游生物生态学与保护政策的科学进程。