调查影响基于人工智能的植物检测和识别的主要驱动因素

科学领域:

• 生态生态学 生态生态学
• 植物学 植物学
• 计算生物学 计算生物学
• 公民科学 公民科学

背景情况:

• 人工智能驱动的公民科学平台对于生物数据收集至关重要,通常使用视觉和地理空间数据进行物种识别.
• 侵入性外来植物 (IAP) 构成重大生态和经济威胁,需要准确和及时的检测方法.
• 基于人工智能的识别工具,如 iNaturalist 的准确性可能会受到各种因素的影响,包括位置数据.

研究的目的:

• 调查位置参数对iNaturalist植物识别准确度的影响,特别是外来入侵植物 (IAP).
• 为了比较iNaturalist和PlantNet的识别准确性,探索它们的性能中的潜在偏差.
• 评估植物家族和可见植物部位等因素如何影响识别准确度.

主要方法:

• 分析了已建立的植物 (安大略省本土/自然化植物,n=61) 和"外来植物" (在加拿大分布有限的受管制害虫,n=402) 的照片.
• 在"外来植物"照片中使用了 iNaturalist 和 GBIF 数据集.
• 应用了评分系统和累积链接混合模型来分析分类学准确性,考虑了植物家族,分布状况和可见部分.

主要成果:

• 限制位置数据显著降低了iNaturalist在识别外来入侵植物 (IAP) 的准确性,增加了错过检测的风险.
• 识别准确性在Poaceae家族中的物种和仅显示叶子的照片中明显较低.
• 虽然样本大小限制了可靠的比较,但初步发现表明iNaturalist和Plant.Net之间的准确性有所不同.

结论:

• 位置数据是影响人工智能工具有效性的关键因素,例如 iNaturalist 对外来入侵植物 (IAP) 监测和早期检测的有效性.
• 这些发现强调了优化人工智能识别算法的重要性,以考虑特定位置的数据,以改善IAP监控.
• 需要进一步的研究,以全面比较不同AI识别平台在不同条件下的准确性.