PhenoAI: A deep learning Python framework to process close-range time-lapse PhenoCam data
Notice bibliographique
Résumé
Close-range digital repeat photography is a powerful technique for studying phenology and the seasonal dynamics of plants. However, the processing of PhenoCam images is time-consuming and requires substantial human expertise. This paper describes PhenoAI , a Python framework that automates the processing of time-series PhenoCam images. The package consists of four modules: (i) image quality control, (ii) vegetation segmentation using deep learning, (iii) greenness index calculation, and (iv) parameter extraction. These modules are consistent with the standard and established methodologies used in the literature. We demonstrate the application of the PhenoAI package in a case study by analyzing black spruce [ Picea mariana (Mill.) B.S.P.] phenology in Quebec, Canada, over five years (2017–2021). The result revealed that the Start of Season (SOS) of Green Chromatic Coordinate (GCC) occurred in the third week of May (DOY 144 ± 5), End of Season (EOS) occurred in the end of September (DOY 269 ± 20) and day of maximum greenness occurred in the first week of July (DOY 183 ± 5). The findings correlate with the previous studies in the same region and species, confirming the ability of the PhenoAI to replicate field observations accurately. PhenoAI is an open-source software package that can be customized to suit specific research needs, reduces significantly the processing time, and simplifies the workflow, making it accessible for use by new users for close range observations taken by PhenoCam. PhenoAI will enhance efficiency and accuracy of data extraction for scientists using phenological data for ecological and forestry research. • PhenoAI automates the data processing chain for close-range PhenoCam imagery. • The image quality control module filters out low-quality images for analysis. • Deep learning effectively segments and identifies different types of vegetation. • Demonstrated the framework in a 5-year case study of black spruce phenology. • PhenoAI reduces processing time and simplifies image analysis workflow.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,006 |
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 source (Gemma direct ou Codex distillé), 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 ».