Informasi

Identifikasi hewan air berwarna-warni

Identifikasi hewan air berwarna-warni


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Dari spesies apakah makhluk berikut?

Saya berharap itu adalah Cephalopoda yang hidup di perairan yang tidak terlalu dalam dengan iklim tropis (Brasil?). Namun, saya tidak dapat menemukan informasi tentang spesies apa itu sebenarnya.


Ini adalah ikan fringehead Sarkastik (Neoklinus Blanchardi). [Sumber2]


Sementara jawaban Ilan telah mencakup identifikasi, berikut adalah beberapa teknik lain yang dapat digunakan untuk mengidentifikasi hewan tersebut di masa depan (atau setidaknya mempersempit ruang lingkup kemungkinan):

1: Sudut kiri atas gambar menggambarkan sirip yang memiliki banyak tonjolan tulang. Ini adalah fitur pengenal Actinopterygii, yang semuanya memiliki struktur sirip seperti itu.

2: Gambar tidak diambil oleh Anda, tetapi ditemukan online. Dalam kasus ini, pencarian gambar terbalik dapat membantu dalam mengidentifikasi hewan, karena repost tersebut sering disertai dengan informasi identitas.


Lucas Lab -Ekologi Hewan Akuatik

NS Kelompok Penelitian Ekologi Hewan Perairan telah berada di Durham sejak 1992, dipimpin oleh Martyn Lucas. Kami telah mengembangkan reputasi internasional untuk penelitian tentang ekologi spasial hewan di habitat perairan, termasuk migrasi dan perjalanan ikan serta dampak hambatan, pengalihan air, dan kesesuaian habitat di air tawar. Kami juga aktif melakukan penelitian di bidang ekologi perikanan, ekologi perilaku, ekologi evolusioner, biologi konservasi, dan ekologi invasi. Kami bekerja sama secara luas dengan berbagai lembaga penelitian dan industri nasional dan internasional.

Kami menerima lamaran dari peneliti yang bermotivasi tinggi.

Konservasi proyek lamprey

Hanzen C, Lucas MC , O'Brien G, Calverley P, Downs CT (2021) Ekologi spasial belut air tawar di Afrika Selatan: implikasi untuk konservasi. Hidrobiologi. DOI 10.1007/s10750-021-04581-2

Jones PE, Tummers JS , Galib SM , Woodford DJ, Hume JB, Silva LG, Braga RR, de Leaniz CG, Vitule JR, Herder JE, Lucas MC (2021) Penggunaan penghalang untuk membatasi penyebaran spesies hewan invasif akuatik: tinjauan global. Perbatasan dalam Ekologi dan Evolusi 9: 611631. DOI 10.3389/fevo.2021.611631

Belletti B, de Leaniz CG, . Lucas MC , . Tummers JS , . Zalewski M (2020) Lebih dari satu juta penghalang memecah sungai-sungai di Eropa. Alam 588 : 436–441. DOI 10.1038/s41586-020-3005-2

Galib SM , Findlay JS dan Lucas MC (2020) Dampak kuat invasi udang karang sinyal pada ikan sungai dataran tinggi dan komunitas invertebrata. Biologi Air Tawar DOI 10.1111/FWB.13631

Lothian AJ , Tummers JS , Baiklah AJ , O'Brien P dan Lucas MC (2020) Pemulihan konektivitas sungai untuk lamprey sungai Eropa yang bermigrasi ke hulu: Kemanjuran dua desain ubin studded yang dipasang secara horizontal. Penelitian dan Aplikasi Sungai DOI 10.1002/rra.3734

Hanzen C, Lucas MC , O'Brien G, Downs CT dan Willows-Munro S (2020) Spesies belut air tawar Afrika ( Anguila spp.) identifikasi melalui barcode DNA. Penelitian Kelautan dan Air Tawar . DOI 10.1071/MF19390

Sun J , Galib SM dan Lucas MC (2020) Apakah inventarisasi penghalang nasional cocok untuk kebutuhan pemulihan konektivitas sungai? Sebuah tes dari dua tangkapan. Jurnal Air dan Lingkungan. DOI 10.1111/wej.12578


Editor Edisi Khusus

Ekosistem air tawar menyumbang kurang dari 0,01% dari total luas permukaan planet ini, tetapi mereka mendukung spesies yang tak terhitung banyaknya. Namun, ekosistem ini mengalami kehilangan keanekaragaman hayati yang signifikan. Perubahan habitat, erosi, penggundulan hutan di DAS, spesies invasif, pembangunan bendungan dan saluran sungai, polusi, penyakit, dan perubahan iklim mendorong hilangnya keanekaragaman hayati di ekosistem ini.

Tujuan dari Edisi Khusus ini adalah untuk memperkenalkan ulasan, catatan, dan penelitian asli yang (tidak secara menyeluruh) membahas topik-topik berikut: keanekaragaman hewan air, jaring makanan, keanekaragaman genetik hewan air, metode pemantauan yang ditingkatkan untuk hewan air, dan penilaian kualitas habitat menggunakan indikator jenis hewan air. Studi yang meningkatkan pemahaman kita tentang dampak antropogenik dan perubahan pada hewan air di ekosistem air tawar juga tepat.

Prof Dr Yuno Do
Editor Tamu

Informasi Pengiriman Naskah

Naskah harus diserahkan secara online di www.mdpi.com dengan mendaftar dan masuk ke situs web ini. Setelah Anda terdaftar, klik di sini untuk pergi ke formulir pengiriman. Naskah dapat diserahkan sampai batas waktu yang ditentukan. Semua makalah akan ditinjau oleh rekan sejawat. Makalah yang diterima akan diterbitkan terus menerus di jurnal (segera setelah diterima) dan akan terdaftar bersama di situs web edisi khusus. Artikel penelitian, artikel ulasan, serta komunikasi singkat diundang. Untuk makalah yang direncanakan, judul dan abstrak pendek (sekitar 100 kata) dapat dikirim ke Kantor Redaksi untuk diumumkan di website ini.

Naskah yang dikirimkan tidak boleh diterbitkan sebelumnya, atau sedang dipertimbangkan untuk diterbitkan di tempat lain (kecuali makalah prosiding konferensi). Semua manuskrip secara menyeluruh direferensikan melalui proses peer-review buta tunggal. Panduan untuk penulis dan informasi relevan lainnya untuk pengiriman naskah tersedia di halaman Petunjuk untuk Penulis. Hewan adalah jurnal bulanan akses terbuka peer-review internasional yang diterbitkan oleh MDPI.

Silakan kunjungi halaman Petunjuk untuk Penulis sebelum mengirimkan naskah. Biaya Pemrosesan Artikel (APC) untuk publikasi dalam jurnal akses terbuka ini adalah 1800 CHF (Swiss Franc). Makalah yang dikirimkan harus diformat dengan baik dan menggunakan bahasa Inggris yang baik. Penulis dapat menggunakan layanan pengeditan bahasa Inggris MDPI sebelum publikasi atau selama revisi penulis.


Menu daftar jurnal

ADAS UK Ltd, Sekolah Kedokteran dan Ilmu Pengetahuan Hewan, Universitas Nottingham, Kampus Sutton Bonington, Loughborough, LE12 5RD Leicestershire, Inggris

ADAS UK Ltd, Sekolah Kedokteran dan Ilmu Pengetahuan Hewan, Universitas Nottingham, Kampus Sutton Bonington, Loughborough, LE12 5RD Leicestershire, Inggris

ADAS Boxworth, ADAS UK Ltd, Boxworth, CB23 4NN Cambridgeshire, Inggris

ADAS Wolverhampton, ADAS UK Ltd, Pendeford House, Pendeford Business Park, Wobaston Road, Wolverhampton, WV9 5AP UK

Fakultas Kedokteran dan Sains Hewan, Universitas Nottingham, Kampus Sutton Bonington, Loughborough, LE12 5RD Leicestershire, Inggris

ADAS UK Ltd, Sekolah Kedokteran dan Ilmu Pengetahuan Hewan, Universitas Nottingham, Kampus Sutton Bonington, Loughborough, LE12 5RD Leicestershire, Inggris

ADAS UK Ltd, Sekolah Kedokteran dan Ilmu Pengetahuan Hewan, Universitas Nottingham, Kampus Sutton Bonington, Loughborough, LE12 5RD Leicestershire, Inggris

ADAS Boxworth, ADAS UK Ltd, Boxworth, CB23 4NN Cambridgeshire, Inggris

ADAS Wolverhampton, ADAS UK Ltd, Pendeford House, Pendeford Business Park, Wobaston Road, Wolverhampton, WV9 5AP UK

Fakultas Kedokteran dan Sains Hewan, Universitas Nottingham, Kampus Sutton Bonington, Loughborough, LE12 5RD Leicestershire, Inggris


Eksperimen dan Hasil

Kami menemukan bahwa pipa dua tahap mengungguli pipa satu langkah (Lampiran SI, Identifikasi Satu Tahap): Pada tahap pertama, jaringan menyelesaikan tugas kosong vs. hewan (tugas I) (yaitu, mendeteksi apakah suatu gambar berisi hewan) pada tahap ekstraksi informasi kedua, jaringan kemudian melaporkan informasi tentang gambar yang berisi hewan . Kami menemukan bahwa 75% gambar diberi label kosong oleh manusia, oleh karena itu, mengotomatisasi tahap pertama saja menghemat 75% tenaga kerja manusia.

Tahap ekstraksi informasi berisi tiga tugas tambahan: tugas II, mengidentifikasi spesies mana yang hadir tugas III, menghitung jumlah hewan dan tugas IV, menjelaskan atribut hewan tambahan (perilaku mereka dan apakah ada anak muda). Kami memilih untuk melatih satu model untuk secara bersamaan melakukan semua tugas ini—teknik yang disebut pembelajaran multitugas (47)—karena (Saya) tugas-tugas ini terkait, oleh karena itu mereka dapat berbagi bobot yang mengkodekan fitur umum untuk semua tugas (misalnya, fitur yang membantu mengenali hewan) mempelajari banyak tugas terkait secara paralel sering meningkatkan kinerja pada setiap tugas individu (48) dan (ii) melakukannya memerlukan lebih sedikit parameter model vs. model terpisah untuk setiap tugas, yang berarti kita dapat menyelesaikan semua tugas lebih cepat dan lebih hemat energi, dan model lebih mudah dikirim dan disimpan. Keuntungan ini akan menjadi sangat penting jika model jaringan saraf seperti itu berjalan pada perangkap kamera jarak jauh untuk menentukan gambar mana yang akan disimpan atau dikirim.

Kumpulan data.

Dalam pekerjaan ini, kami hanya menangani mengidentifikasi satu, bukan beberapa spesies dalam gambar [yaitu, klasifikasi label tunggal (16)]. Oleh karena itu, kami menghapus gambar yang dilabeli manusia mengandung lebih dari satu spesies dari set pelatihan dan pengujian kami (1,2% dari kumpulan data). Set pelatihan dan tes untuk tahap ekstraksi informasi dibentuk dari 25% gambar yang diberi label sebagai tidak kosong oleh manusia.

Jika ada gambar yang terlalu mirip dalam set pelatihan dan pengujian, model hanya dapat mengingat contoh dan kemudian tidak menggeneralisasi dengan baik ke gambar yang berbeda. Untuk menghindari masalah ini, kami menempatkan seluruh peristiwa pengambilan (yang berisi gambar serupa) ke dalam set pelatihan atau pengujian. Dari total 301.400 peristiwa penangkapan yang berisi hewan, kami membuat satu set pelatihan yang berisi 284.000 peristiwa penangkapan dan dua set pengujian. Set uji berlabel pakar berisi 3.800 peristiwa penangkapan dengan label spesies dan jumlah. Set tes berlabel sukarelawan berisi 17.400 peristiwa penangkapan yang diberi label oleh sukarelawan, dan memiliki label untuk spesies, jumlah, perilaku, dan keberadaan anak muda. Kumpulan data berisi gambar yang diambil pada siang dan malam hari, tetapi kami menemukan bahwa ini memiliki sedikit pengaruh pada kinerja (Lampiran SI, Akurasi Siang vs. Malam).

Ilmu bangunan.

DNN yang berbeda memiliki arsitektur yang berbeda, yang berarti jenis lapisan yang dikandungnya (misalnya, lapisan konvolusi, lapisan yang terhubung penuh, lapisan penyatuan, dll.) dan jumlah, urutan, dan ukuran lapisan tersebut (13). Dalam karya ini, kami menguji sembilan arsitektur modern yang berbeda pada atau mendekati keadaan seni (Tabel 1) untuk menemukan jaringan dengan kinerja tertinggi dan untuk membandingkan hasil kami dengan jaringan Gomez et al. (45). Kami hanya melatih setiap model satu kali karena melakukannya mahal secara komputasi dan karena bukti teoretis dan empiris menunjukkan bahwa DNN yang berbeda dilatih dengan arsitektur yang sama, tetapi diinisialisasi secara berbeda, sering kali menyatu ke tingkat kinerja yang serupa (13, 17, 51).

Performa berbagai arsitektur pembelajaran mendalam

Sebuah metode yang terkenal untuk lebih meningkatkan akurasi klasifikasi adalah dengan menggunakan ensemble model pada waktu yang sama dan rata-rata prediksi mereka. Setelah melatih kesembilan model untuk setiap tahap, kami membentuk ansambel model terlatih dengan rata-rata prediksi mereka (Lampiran SI, Prediksi Rata-rata). Rincian lebih lanjut tentang arsitektur, metode pelatihan, langkah-langkah pra-pemrosesan, dan hyperparameter ada di Lampiran SI, Prapemrosesan dan Pelatihan. Untuk memungkinkan kelompok lain mereplikasi temuan kami dan memanfaatkan teknologi ini untuk proyek mereka sendiri, kami menerbitkan perangkat lunak yang diperlukan untuk menjalankan eksperimen kami sebagai kode sumber terbuka yang tersedia secara bebas. Kami juga menerbitkan DNN akhir yang dilatih tentang SS sehingga orang lain dapat menggunakannya sebagaimana adanya atau untuk pembelajaran transfer. Baik kode maupun modelnya dapat diakses di https://github.com/Evolving-AI-Lab/deep_learning_for_camera_trap_images.

Tugas I: Mendeteksi Gambar Yang Berisi Hewan.

Untuk tugas ini, model kami mengambil gambar sebagai input dan output dua probabilitas yang menjelaskan apakah gambar tersebut memiliki binatang atau tidak (yaitu, klasifikasi biner). Kami melatih sembilan model jaringan saraf (Tabel 1). Karena 75% dari kumpulan data SS diberi label kosong, untuk menghindari ketidakseimbangan antara kelas kosong dan tidak kosong, kami mengambil semua 25% (757.000) gambar tidak kosong dan memilih 757.000 gambar kosong secara acak. Dataset ini kemudian dibagi menjadi training dan test set.

Perangkat pelatihan berisi 1,4 juta gambar, dan perangkat pengujian berisi 105.000 gambar. Karena set data SS berisi label hanya untuk peristiwa pengambilan (bukan gambar individual), kami menetapkan label setiap peristiwa pengambilan ke semua gambar dalam peristiwa itu. Semua arsitektur mencapai akurasi klasifikasi >95,8% pada tugas ini. Model VGG mencapai akurasi terbaik 96,8% (Tabel 2). Untuk menunjukkan kesulitan tugas dan di mana model saat ini gagal, beberapa contoh untuk model terbaik (VGG) ditunjukkan pada: Lampiran SI, Hasil pada Set Tes Berlabel Sukarelawan, dan Lampiran SI, Gambar. S10 menunjukkan matriks kebingungan model terbaik.

Akurasi model yang berbeda pada tugas I: Mendeteksi gambar yang mengandung hewan

Tugas II: Mengidentifikasi Spesies.

Untuk tugas ini, lapisan output yang sesuai menghasilkan probabilitas gambar input menjadi salah satu dari 48 spesies yang mungkin. Seperti tradisional di bidang visi komputer, kami melaporkan akurasi top-1 (apakah jawabannya benar?) dan akurasi top-5 (apakah jawaban yang benar dalam tebakan top-5 oleh jaringan?). Yang terakhir ini berguna dalam kasus di mana banyak hal muncul dalam sebuah gambar, bahkan jika label ground-truth dalam dataset hanya salah satunya. Skor 5 teratas juga menjadi perhatian khusus dalam pekerjaan ini karena AI dapat digunakan untuk membantu manusia melabeli data lebih cepat (berlawanan dengan mengotomatiskan tugas sepenuhnya). Dalam konteks itu, seorang manusia dapat diperlihatkan gambar dan 5 tebakan teratas AI. Seperti yang kami laporkan di bawah, teknik terbaik kami mengidentifikasi hewan yang benar dalam daftar 5 teratas 99,1% dari waktu. Menyediakan daftar seperti itu dapat menyelamatkan manusia dari upaya menemukan nama spesies yang benar dalam daftar 48 spesies >99% dari waktu, meskipun studi manusia-pengguna akan diperlukan untuk menguji hipotesis itu.

Diukur pada set tes berlabel ahli, ansambel model memiliki akurasi 94,9% top-1 dan 99,1% top-5 (Lampiran SI, Gambar. S11 menunjukkan matriks kebingungannya), sedangkan model tunggal terbaik (ResNet-152) memperoleh akurasi 93,8% top-1 dan 98,8% top-5 (Gbr. 5, Atas). Hasil pada set tes berlabel sukarelawan bersama dengan beberapa contoh (seperti Gambar 1) dilaporkan dalam Lampiran SI, Hasil pada Set Tes Berlabel Sukarelawan.

(Atas) Akurasi top-1 dan top-5 dari model yang berbeda pada tugas mengidentifikasi spesies hewan yang ada dalam gambar. Meskipun akurasi semua model serupa, ensemble model adalah yang terbaik dengan akurasi 94,9% top-1 dan 99,1% top-5. (Lebih rendah) Akurasi top-1 dan persentase prediksi dalam ±1 bin untuk menghitung hewan dalam gambar. Sekali lagi, ensemble model adalah yang terbaik dengan 63,1% top-1 dan 84,7% dari prediksi dalam ±1 bin.

Tugas III: Menghitung Hewan.

Ada banyak pendekatan berbeda untuk menghitung objek dalam gambar dengan pembelajaran mendalam (52 ​​–54), tetapi hampir semuanya memerlukan label untuk kotak pembatas di sekitar objek yang berbeda dalam gambar. Karena informasi semacam ini tidak tersedia dalam kumpulan data SS, kami memperlakukan penghitungan hewan sebagai masalah klasifikasi dan meninggalkan metode yang lebih maju untuk pekerjaan di masa mendatang. Dengan kata lain, alih-alih menghitung hewan dalam gambar, kami menetapkan gambar ke salah satu dari 12 kemungkinan tempat sampah yang masing-masing mewakili 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11–50, atau +51 individu, masing-masing. Untuk tugas ini, selain melaporkan akurasi top-1, kami juga melaporkan persentase gambar yang diklasifikasikan dengan benar dalam ±1 bin (1).

Untuk tugas ini, ansambel model pada set uji berlabel pakar mendapatkan akurasi 63,1% teratas-1, dan 84,7% prediksi berada dalam ±1 bin. Lampiran SI, Gambar. S10 menunjukkan matriks kebingungan ensemble. Metrik yang sama untuk model tunggal terbaik (ResNet-152) masing-masing adalah 62,8% dan 83,6% (Gbr. 5, Lebih rendah). Hasil pada set tes berlabel sukarelawan bersama dengan beberapa contoh dilaporkan di Lampiran SI, Hasil pada Set Tes Berlabel Sukarelawan.

Tugas IV: Atribut Tambahan.

Dataset SS berisi label untuk enam atribut tambahan: berdiri, beristirahat, bergerak, makan, berinteraksi, dan apakah ada anak muda (Gbr. 1). Karena atribut ini tidak saling eksklusif (terutama untuk gambar yang berisi banyak individu), tugas ini merupakan masalah klasifikasi multilabel (55, 56). Pendekatan tradisional untuk klasifikasi multilabel adalah mengubah tugas menjadi satu set tugas klasifikasi biner (55, 57). Kami melakukannya dengan memiliki, untuk setiap atribut tambahan, satu lapisan output softmax dua neuron yang memprediksi kemungkinan perilaku yang ada (atau tidak) dalam gambar.

Set tes berlabel pakar tidak berisi label untuk atribut tambahan ini, jadi kami menggunakan suara mayoritas di antara label sukarelawan sebagai label kebenaran dasar untuk setiap atribut. Kami menghitung output dengan benar jika prediksi model untuk atribut tersebut adalah >50% dan cocok dengan label kebenaran dasar.

Kami melaporkan metrik klasifikasi multilabel tradisional, khususnya, akurasi, presisi, dan ingatan multilabel (56). Dikumpulkan di semua atribut, ensemble model menghasilkan akurasi 76,2%, presisi 86,1%, dan recall 81,1%. Metrik yang sama untuk model tunggal terbaik (ResNet-152) adalah masing-masing 75,6%, 84,5%, dan 80,9%. Lebih banyak hasil untuk memprediksi atribut tambahan dilaporkan di Lampiran SI, Hasil pada Set Tes Berlabel Sukarelawan. Untuk tugas ini dan semua tugas sebelumnya, kami memberikan contoh prediksi yang benar pada Gambar 6 dan prediksi jaringan yang salah pada Gambar 7.

Ditampilkan sembilan gambar model ResNet-152 yang diberi label dengan benar. Di atas setiap gambar terdapat kombinasi label yang disediakan oleh pakar (untuk jenis dan jumlah spesies) dan label yang disediakan oleh sukarelawan (untuk atribut tambahan), serta prediksi model untuk gambar tersebut. Di bawah setiap gambar adalah tebakan teratas dari model untuk tugas yang berbeda, dengan lebar bilah warna yang menunjukkan keluaran model untuk setiap tebakan, yang dapat diartikan sebagai keyakinannya pada tebakan itu.

(A–aku) Ditampilkan sembilan gambar model ResNet-152 berlabel salah. Di atas setiap gambar terdapat kombinasi label yang disediakan oleh pakar (untuk jenis dan jumlah spesies) dan label yang disediakan oleh sukarelawan (untuk atribut tambahan), serta prediksi model untuk gambar tersebut. Di bawah setiap gambar adalah tebakan teratas dari model untuk tugas yang berbeda, dengan lebar bilah warna yang menunjukkan keluaran model untuk setiap tebakan, yang dapat diartikan sebagai keyakinannya pada tebakan itu. Orang dapat melihat mengapa gambarnya sulit untuk diperbaiki. G dan Saya berisi contoh gangguan yang disebabkan oleh penetapan label untuk peristiwa pengambilan ke semua gambar dalam peristiwa tersebut. A, B, D, dan H menunjukkan bagaimana hewan yang terlalu jauh dari kamera membuat klasifikasi menjadi sulit.


Komisi Perikanan Great Lakes didirikan pada tahun 1955 oleh Kanada/AS. Konvensi Perikanan Danau Besar. Komisi tersebut mengoordinasikan penelitian perikanan, mengendalikan lamprey laut invasif, dan memfasilitasi pengelolaan perikanan kooperatif di antara lembaga pengelolaan negara bagian, provinsi, suku, dan federal.

Situs web Konservasi Ikan dan Perairan berisi sumber daya untuk akuakultur yang tinggal di Amerika Serikat. Ini juga memberikan informasi bagi mereka yang tertarik dengan olahraga memancing, termasuk tautan ke situs web tentang berperahu rekreasi dan olahraga memancing.


Manfaat Relawan

Sebagai imbalan atas bakat, antusiasme, dan energi mereka, sukarelawan Aquarium menikmati:

  • Pelatihan profesional untuk peran Anda
  • Hak keanggotaan tahunan termasuk tiket masuk gratis setiap hari
  • Parkir garasi gratis untuk sukarelawan reguler selama shift sukarela
  • Diskon toko suvenir dan kafe
  • Peluang sosial dan acara penghargaan sukarelawan resmi
  • Senyum, keterlibatan, dan apresiasi tanpa batas dari 1,3 juta tamu tahunan

Profil

Dr. Harms memimpin Program Kesehatan Laut di CMAST, dan melakukan penelitian yang diterapkan secara klinis tentang kesehatan dan penyakit spesies akuatik dan nondomestik dalam rangka memberikan layanan dan dukungan veteriner di NC Aquariums, Pusat Penyelamatan dan Rehabilitasi Penyu Laut Karen Beasley, kelautan jaringan terdampar mamalia dan penyu, fasilitas akuakultur penelitian daerah, dan laboratorium kelautan daerah Morehead City/Beaufort kami.

Pekerjaan terbaru termasuk identifikasi patogen hewan air baru dan yang muncul, memenuhi tantangan anestesi unik untuk penelitian biologi sensorik dalam air, menilai dan mengurangi dampak fisiologis dari teknik penangkapan untuk penelitian satwa liar, masalah kesejahteraan untuk paus besar yang terdampar, dan farmakokinetik pada spesies nondomestik.

Dr. Harms menerima DVM dari Iowa State University pada tahun 1989, dan gelar PhD dalam bidang Imunologi dari NC State University pada tahun 1999.

Afiliasi
Sertifikasi

Penekanan Penelitian

Model Penyakit Hewan Spontan

Dr. Harms melakukan penelitian terapan klinis tentang kesehatan dan penyakit spesies akuatik dan nondomestik dalam rangka memberikan layanan dan dukungan veteriner di NC Aquariums, Pusat Penyelamatan dan Rehabilitasi Penyu Karen Beasley, jaringan terdampar mamalia laut dan penyu, penelitian area fasilitas akuakultur, dan laboratorium kelautan Morehead City/Beaufort area kami.

Pekerjaan terbaru termasuk identifikasi patogen hewan air baru dan yang muncul, memenuhi tantangan anestesi unik untuk penelitian biologi sensorik dalam air, menilai dan mengurangi dampak fisiologis dari teknik penangkapan untuk penelitian satwa liar, masalah kesejahteraan untuk paus besar yang terdampar, dan farmakokinetik pada spesies nondomestik.

Suara Alumni: Apa Arti Zoological Medicine di CVM bagi Saya

Sebagai kepala dokter hewan di South Carolina Aquarium di Charleston, SC, Shane Boylan (DVM, 󈧉) merawat beberapa hewan laut paling menakjubkan di dunia, termasuk penyu yang terkena dampak tumpahan minyak di Teluk Meksiko dan orang-orang berselisih yang membutuhkan rehabilitasi di Aquarium's Sea Turtle Care Center. Sebagai mahasiswa di NC

Wild Things: 30 Tahun Kedokteran Zoologi di CVM

30 tahun yang lalu, CVM mengubah cara kedokteran zoologi dipraktikkan dan diajarkan. Hari ini, itu tetap menjadi kekuatan yang tak tertandingi di lapangan.

Studi Baru Memeriksa Kembali dengan Penyu Laut yang Direhabilitasi dan Dilepaskan

Craig Harms telah membantu menandai penyu belimbing besar di perairan terbuka untuk melacak kesehatan mereka. Dia telah mengidentifikasi patogen hewan air baru, mempelajari pendengaran penyu hijau remaja dan membantu menyempurnakan protokol anestesi untuk membunuh spesies laut. Dia telah berjalan menyusuri pantai Carolina Utara berkali-kali untuk mengembalikan penyu laut yang telah direhabilitasi

Tag Kecil, Bantuan Besar untuk Penyu Belimbing yang Terancam Punah

Craig Harms adalah bagian dari tim peneliti besar yang baru-baru ini menandai penyu belimbing di lepas pantai Carolina Utara untuk pertama kalinya.

Paus Terdampar? Ada Aplikasi untuk Itu

Craig Harms telah melihat bagiannya dari paus dan lumba-lumba yang terdampar sebagai dokter hewan margasatwa akuatik Negara Bagian NC yang berbasis di pantai Carolina Utara. Sekarang, berkat kolaborasi dengan College of Charleston, Harms memungkinkan responden pertama untuk memberikan bantuan kepada hewan-hewan ini melalui iPhone. “Saya mendapatkan konsultasi tentang cetacea pantai – lumba-lumba

Kemitraan Penyelamatan Penyu Berusia 20

Ini juga merupakan tahun kesebelas mahasiswa tahun keempat dari CVM memiliki kesempatan untuk mengalami rotasi klinis dalam rehabilitasi dan penyelamatan penyu.

Fakultas Negeri NC Tanggapi Rekor Jumlah Penyu Tertegun Dingin

Bulan Desember yang hangat di luar musimnya, diikuti oleh penurunan suhu yang drastis setelah Tahun Baru, menangkap rekor jumlah penyu hijau muda di pantai di mana mereka rentan terhadap Cold Stun Syndrome.

Studi Penelitian Meningkatkan Perawatan Nyeri untuk Musang

Tim peneliti NC State CVM melakukan penelitian meloxicam pada sembilan musang jantan dan sembilan musang betina. Di antara penemuan tim, dosis meloxicam yang benar mungkin serupa dengan yang dibutuhkan untuk kucing dan anjing, dan.

NOAA Minta Pakar CVM Berpartisipasi dalam Penanggulangan Tumpahan Minyak

Permintaan Tumpahan Minyak: Fakultas Kedokteran Hewan Universitas Negeri Carolina Utara menerima permintaan darurat dari Administrasi Kelautan dan Atmosfer Nasional untuk para ahli hewan laut untuk membantu respons tumpahan minyak di Pantai Teluk. Greg Lewbart, profesor kedokteran hewan akuatik Dr. Craig Harms, profesor akuatik, margasatwa, dan zoologi


Perikanan & Ilmu Perairan

Perikanan dan Ilmu Perairan memberikan ilmu objektif untuk mendukung perlindungan dan pengelolaan perikanan dan sumber daya perairan, dengan inovasi dan keunggulan dalam penelitian, pendidikan dan penyuluhan. Fakultas memiliki program di empat bidang: Budidaya, Kesehatan Hewan Perairan, Konservasi dan Pengelolaan Lingkungan Alam, dan Perikanan Berkelanjutan. Banyak proyek menjangkau area ini dan melibatkan kolaborasi dengan ilmuwan lain di UF, universitas dan institut lain, dan lembaga manajemen sumber daya negara bagian & federal.

PENGAJARAN

RISET

PERPANJANGAN

Perikanan & Ilmu Perairan
7922 NW 71 St
PO Box 110600
Gainesville, FL 32611-0610

(352) 273.3642
(352) 392.3672 faks

BERITA PROGRAM FAS

Kebakaran Air Tawar

Berita: June eNews

Peneliti UF mempelajari cara untuk mengurangi gelombang merah

Badai, El Niño, dan ganggang berbahaya

Dr. Shirley Baker Menunjuk Pemimpin Program Rekanan Baru untuk Sumber Daya Alam

Inner Beauty: Kerangka Terungkap dari Koleksi Ikan Museum

Ilmuwan UF menemukan bagaimana ikan asli mencegah pembentukan spesies invasif global

Lanjutkan Hari Memancing Keluarga 21 Agustus

Ilmuwan UF mengidentifikasi katak cakar tropis yang berpotensi invasif

Para peneliti terkejut menemukan mikroplastik di laguna Florida Keys

BIDANG STUDI

PERIKANAN BERKELANJUTAN

Program perikanan berkelanjutan melayani perikanan rekreasi dan komersial Florida, yang memiliki nilai ekonomi tertinggi dari negara bagian mana pun di AS. Program ini berfokus pada 1) efek kualitas habitat pada populasi ikan, 2) pemodelan populasi dan penilaian stok, 3) mengidentifikasi habitat ikan yang penting, dan 4) penjangkauan publik untuk perikanan berkelanjutan. Bidang penelitian dari program ini meliputi perikanan laut dan air tawar dan mencakup biologi dan pemodelan populasi, ekologi perilaku, sejarah kehidupan, dan faktor-faktor yang mempengaruhi struktur komunitas ikan. Studi khusus telah memperkirakan pertumbuhan dan kematian spesies komersial dan rekreasional yang penting, memperkirakan respons populasi terhadap perubahan batas ukuran, mengidentifikasi dampak pemancingan turnamen pada perikanan rekreasi, menguji efek habitat pada variasi dalam parameter pertumbuhan dan riwayat hidup, dan menilai biologi populasi dan komunitas dinamika terumbu bersuhu hangat.

KESEHATAN HEWAN AIR

Kesehatan hewan akuatik adalah program interdisipliner yang benar-benar mapan di University of Florida yang melibatkan fakultas, staf dan mahasiswa dari Perikanan dan Ilmu Perairan, Fakultas Kedokteran Hewan, dan Laboratorium Whitney. Program ini berfokus pada, 1) diagnosis penyakit & manajemen kesehatan, 2) penilaian efek racun ganggang & kontaminan lingkungan, dan 3) program pendidikan intensif kesehatan hewan akuatik melalui Sekolah Pascasarjana dan Program Ekstensi. Untuk informasi lebih lanjut tentang area inti ini: Kesehatan Hewan Perairan.

PERAIRAN

Akuakultur adalah budidaya organisme air tawar atau laut, termasuk ikan, kerang, dan tanaman. Pada skala dunia, serta di halaman belakang kita sendiri, akuakultur memainkan banyak peran penting dalam pertanian dan pengelolaan sumber daya alam. Akuakultur digunakan untuk 1) menghasilkan hewan dan tumbuhan yang penting secara ekonomi untuk makanan, rekreasi, produk komersial dan pengelolaan ekosistem, 2) melindungi dan meningkatkan populasi liar melalui penangkaran dan pemeliharaan buatan, dan 3) memelihara organisme dalam kondisi terkendali untuk mempelajari dasar-dasar proses biologis. Agar berhasil membudidayakan organisme akuatik dalam sistem yang dikelola, ahli akuakultur harus memanfaatkan berbagai disiplin ilmu biologi termasuk nutrisi, pertumbuhan, reproduksi, kedokteran, peternakan, dan teknik. Departemen kami menekankan genetika, fisiologi reproduksi dan lingkungan, manajemen kesehatan, dan nutrisi. Laboratorium Budidaya Tropis

KONSERVASI DAN PENGELOLAAN LINGKUNGAN PERAIRAN

Konservasi dan pengelolaan lingkungan perairan merupakan tanggapan terhadap tantangan serius yang dihadapi Florida karena pertumbuhan eksplosif pembangunan manusia. Program ini berfokus pada 1) mencapai pemahaman yang objektif dan komprehensif tentang struktur dan fungsi ekosistem, 2) menyediakan informasi penting yang diperlukan untuk pengembangan pendekatan pengelolaan yang menjamin integritas dan keberlanjutan sumber daya alam kritis dan 3) menghasilkan sumber daya manusia yang dibutuhkan untuk memenuhi tantangan manajemen masa depan melalui program pendidikan dan penyuluhan.

MASALAH KUNCI

Minimum Flows and Levels (MFLs)– ditetapkan oleh Water Management Districts (WMD) untuk melindungi sumber daya air dari bahaya akibat perubahan antropogenik dalam aliran. Warga khawatir karena setiap MFL mempengaruhi ketersediaan air untuk pertanian dan perkotaan, serta akses rekreasi. Kami bekerja dengan beberapa lembaga negara bagian dan federal untuk memberikan ilmu objektif mengenai efek MFL pada sumber daya kehidupan akuatik, termasuk ikan dan habitat esensialnya.

Fish Stock Assessment – ​​melibatkan perkiraan yang akurat tentang kelimpahan, pertumbuhan, umur dan struktur ukuran untuk mempertahankan perikanan yang berkelanjutan. Warga khawatir karena penilaian ini digunakan untuk menetapkan batasan panen komersial dan rekreasi. Kami memberikan ilmu objektif untuk lembaga yang menilai saham. Pemodelan prediktif adalah area pertumbuhan utama untuk program ini.

Peningkatan Habitat Perikanan – berkaitan dengan efek perubahan habitat mekanis di danau dan restorasi hidrologi di sungai. Warga khawatir tentang hilangnya habitat ikan terkait dengan tingkat danau yang stabil dan pengembangan garis pantai. Kami memberikan ilmu pengetahuan kepada lembaga-lembaga untuk mendukung remediasi habitat di perairan tawar.

Terumbu Buatan – terkait dengan penelitian yang dilakukan selama sepuluh tahun terakhir oleh Departemen ini untuk mengoptimalkan ukuran dan konfigurasi terumbu buatan sebagai habitat perikanan yang berharga di Teluk Meksiko. Warga prihatin dengan tekanan penangkapan ikan yang intens di terumbu alami dan mengakui manfaat terumbu buatan untuk perikanan berkelanjutan, penyelaman rekreasi, dan kegiatan lainnya. Kami menyediakan ilmu pengetahuan dan penjangkauan untuk mendukung pengembangan program ini di seluruh negara bagian.

Mekar Alga Beracun – berkaitan dengan dampak pemekaran di sistem air tawar dan laut. Warga khawatir tentang penutupan pantai dan kematian ikan karena gelombang merah di sepanjang Pantai Teluk dan peringatan tentang berenang, memancing, dan rekreasi kontak di danau dan sungai. Kami bekerja sama dengan College of Veterinary Medicine (CVM) untuk mengembangkan program komprehensif untuk mengidentifikasi kontrol pertumbuhan alga, tingkat produksi toksin, dan efeknya pada ikan dan biota air lainnya.

Eutrofikasi – berkaitan dengan efek peningkatan masukan nutrisi ke danau, mata air, sungai dan perairan pesisir, dan dengan standar yang ditetapkan oleh USEPA dan Departemen Perlindungan Lingkungan Florida (FDEP) untuk membatasi masukan nutrisi ke sumber daya perairan. Warga khawatir tentang biaya tinggi dan potensi hasil negatif jika nutrisi tidak dikendalikan secara efektif. Pertanian khawatir bahwa pembuangan akan dikenakan batas yang terlalu ketat. Kami menyediakan ilmu objektif yang digunakan untuk menetapkan standar yang sesuai untuk badan air tertentu, dengan mempertimbangkan kondisi historisnya dan penggunaan yang ditentukan.

Spesies Eksotis – berjumlah ratusan di ekosistem perairan Florida, dan termasuk ikan, invertebrata, dan tumbuhan. Banyak warga khawatir tentang efek potensial pada ikan asli, kerang dan biota lainnya, dan ini adalah area fokus untuk penelitian masa depan di Departemen kami. Kami juga bekerja sama dengan Center for Aquatic and Invasive Plants untuk meneliti efek Hydrilla dan tanaman eksotik / pengganggu lainnya pada fungsi ekosistem dan produksi perikanan.

Budidaya – berfokus pada peningkatan produktivitas budidaya kerang keras, sturgeon dan ikan hias. Warga yang memelihara akuarium atau memelihara, menjual, atau memakan makanan laut yang dibudidayakan di peternakan menuai manfaat dari penelitian kami, yang telah membantu para petani menghasilkan produk berkualitas tinggi dan ekonomis. Dua area pertumbuhan adalah: mengembangkan produk baru yang berinteraksi dengan operasi pertanian tradisional untuk meningkatkan pendapatan dan mengatasi masalah limpasan sumber non-titik terkait dengan standar nutrisi.

Fish Kills and Aquatic Animal Health – berfokus pada efek patogen dan racun alami dan antropogenik pada ikan liar dan budidaya. Warga yang tinggal di dekat air atau berekreasi di atas air sangat menyadari bahwa ada sesuatu yang salah ketika mereka melihat ikan mati dan/atau ikan dengan luka. This Department, in concert with the CVM, examines how toxins and pathogens affect fish in natural systems and in the aquaculture industry, and identifies solutions to reduce risk of those impacts.

Ecosystem Restoration – relates to large-scale restoration projects occurring across the state. Citizens are concerned about impacts of altered water flow and other stresses are they are aware that billions of taxpayer dollars are funding these projects. We provide objective science to WMDs and other agencies conducting ecosystem restoration, and they use this information to design effective restoration project.


Identification, characterization of selenoprotein W and its mRNA expression patterns in response to somatostatin 14, cysteamine hydrochloride, 17β-estradiol and a binary mixture of 17β-estradiol and cysteamine hydrochloride in topmouth culter (Erythroculter ilishaeformis)

In this study, a selenoprotein W cDNA was cloned from topmouth culter (Erythroculter ilishaeformis), and it was designated as EISelW. The EISelW open reading frame was composed of 261 base pairs (bp), encoding 86-amino-acid protein. The 5' untranslated region (UTR) consisted of 104 bp, and the 3'-UTR was composed of 365 bp. A selenocysteine insertion sequence (SECIS) element was found in the 3'-UTR of EISelW mRNA. The SECIS element was classified as form II because of a small additional apical loop presented in SECIS element of EISelW mRNA. Bioinformatic approaches showed that the secondary structure of EISelW was a β1-α1-β2-β3-β4-α2 pattern from amino-terminal to carboxy-terminal. Real-time PCR analysis of EISelW mRNAs expression in 17 tissues showed that the EISelW mRNA was predominantly expressed in liver, ovary, pituitary, various regions of the brain, spinal cord and head kidney. Study of intraperitoneal injection showed that the levels of EISelW mRNA in brain, liver, ovary and spleen were regulated by somatostatin 14 (SS14), 17β-estradiol (E2), cysteamine hydrochloride (CSH) and a binary mixture of E2 and CSH, dependent on the dosage. These results suggest that E2, SS14 and CSH status may affect tissues of selenium metabolism by regulating the expression of SelW mRNA, as SelW plays a central role in selenium metabolism.

Kata kunci: 17β-Estradiol Cysteamine hydrochloride Injection Selenoprotein W Somatostatin 14.


Tonton videonya: 10 Ամենախելացի կենդանիները (Juni 2022).


Komentar:

  1. Nalmaran

    Anda mengizinkan kesalahan. Masuk kita akan membahasnya.

  2. Rhoecus

    What do you think about the fact that Vicente Del Bosque will lead the Spanish national team?

  3. Faum

    Apa yang biasanya Anda lakukan dengan saya?

  4. Mesida

    Bendungan dalam banyak kasus itu!



Menulis pesan