An AI ‐driven soil extractor for high‐throughput measurement of soil microarthropod taxon densities using live individuals

方法

干式提取结合实时计算机视觉与深度学习分类，用Berlese漏斗对比验证。

发现

分类准确率80.9%，检测成功率超97%，丰度估计与传统方法高度一致。

机会点

可将该活体自动监测流程扩展至多类群土壤生物，构建长期高频土壤生物多样性监测网络。

摘要 土壤无脊椎动物在生态系统功能中发挥着关键作用，然而其监测仍受限于劳动密集型的提取和分类鉴定流程。因此，尽管对标准化监测工具的需求日益增长，土壤生物多样性的大规模和高频率评估仍然困难。在此，我们提出了一种人工智能驱动的土壤提取器，将传统干式提取与实时计算机视觉及基于深度学习的土壤微型节肢动物分类相结合。生物体在通过装置移动时被检测和分类，从而实现对分类单元密度的自动量化，同时个体保持存活并可用于后续分析。系统性能通过一个验证框架进行评估，该框架分别评估了人工智能分类准确性、集成检测与传输工作流程，以及相对于传统贝列斯漏斗（Berlese funnels）的提取性能。与专家图像鉴定相比，自动图像分类的总体准确率达到80.9%（95%置信区间：79.9%–81.8%；Cohen's κ = 0.767）。对同一提取物的自动检测与人工鉴定在群落组成上表现出高度一致性，Bray–Curtis相似度中位数为0.80，表明标本传输引入的机械偏差有限。自动化系统获得的丰度估计与传统贝列斯提取法所得结果密切吻合，仅存在轻微的类群特异性差异。控制实验进一步证明了高机械可靠性，检测成功率超过97%，传输成功率超过92%。该系统为土壤微型节肢动物群落的定量监测提供了一种可扩展的方法，同时保留活体标本用于下游分析。通过将提取、图像采集、分类和标本收集整合到单一工作流程中，人工智能驱动的土壤提取器为高通量土壤中型动物群监测提供了一种实用工具。