Leveraging Artificial Intelligence for Large-Scale Plant Phenology Studies From Noisy Time-Lapse Images
Notice bibliographique
Résumé
Phenology has become a field of growing importance due to the increasingly apparent impacts of climate change. However, the time-consuming, subjective and tedious nature of traditional human field observations have hindered the development of large-scale phenology networks. Such networks are rare and rely on time-lapse cameras and simplistic color indexes to monitor phenology. To automatize rapid, detailed and repeatable analyzes, we propose an Artificial Intelligence (AI) framework based on machine learning and computer vision techniques. Our approach extracts multiple ecologically-relevant indicators from time-lapse digital photography datasets. The proposed framework consists of three main components: (i) a random forest model to automatically select relevant images based on color information; (ii) a convolutional neural network (CNN) to identify and localize open tree buds; and (iii) a density-based spatial clustering algorithm to cluster open bud detections across the time-series. We tested this framework on a dataset including thousands of black spruce and balsam fir tree images captured using our phenological camera network. The performed experiments showed the efficiency of the proposed approach under challenging perturbation factors, such as significant image noise. Our framework is exceedingly faster and more accurate than human analysts, reducing the time-series processing time from multiple days to under an hour. The proposed methodology is particularly appropriate for large-scale and long-term analyzes of ecological imagery datasets. Our work demonstrates that the use of computer vision and machine learning methods represents a promising direction for the implementation of national, continental, or even global plant phenology networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».