e-Surveyor移动应用程序在植物调查和生境类型预测中的效能评估

《Ecology and Evolution》:Evaluation of the e-Surveyor Mobile Application for Undertaking Plant Surveys and Predicting Habitat Type

【字体: 大 中 小 】 时间:2026年07月01日 来源:Ecology and Evolution 2.6

编辑推荐:

  具有自动物种识别功能的移动应用程序可协助公民科学家开展植物和生境调查。尽管已有研究报道了此类应用程序具有较高的识别准确率,但针对公民科学家在野外条件下实际使用的测试仍然有限。若此类 worthwhile 将此类工具应用于支持生物多样性研究和保护管理,则其准确性

  
具有自动物种识别功能的移动应用程序可协助公民科学家开展植物和生境调查。尽管已有研究报道了此类应用程序具有较高的识别准确率,但针对公民科学家在野外条件下实际使用的测试仍然有限。若此类 worthwhile 将此类工具应用于支持生物多样性研究和保护管理,则其准确性和功能性须足以满足预期用途。本研究评估了e-Surveyor移动应用程序的识别准确性,该应用程序包含植物物种的自动识别和生境预测功能。研究人员比较了公民科学家在野外使用应用程序所收集的物种名录及衍生生境关联数据,与同一调查样方内专家植物学家记录的数据。此外,研究还通过问卷调查评估了用户体验。共有37名公民科学家参加了e-Surveyor工作坊并完成问卷,在钙质草地(calcareous grassland)、中性草地(neutral grassland)和改良草地(improved grassland)三种生境类型中共提交了51份独立植物调查。平均而言,专家在单个样方内记录的植物物种数多于公民科学家。在公民科学家通过e-Surveyor记录并已知存在于样方中的物种里,71%被正确鉴定到物种水平,但根据专家植物学家的评估,公民科学家通常仅正确捕获了样方中全部可观察物种的45%。80%的调查正确识别了首要的广义生境(broad habitat),25%正确识别了应用程序建议的首要植物社会学群丛(phytosociological community)。公民科学家通过问卷提供了宝贵反馈,包括e-Surveyor的改进建议和未来应用案例。大多数公民科学家能够准确识别样方中约一半的可观察植物物种,并利用e-Surveyor确定正确的广义生境,且不受其植物学技能水平的影响。这表明该应用程序是支持生物记录的有用工具,同时有助于提升对自然的信心、认知和参与度。
本研究旨在评估e-Surveyor移动应用程序在植物自动识别与生境预测方面的准确性,相关成果发表于《Ecology and Evolution》。研究背景源于传统生物多样性监测对专业人员的依赖及其在大规模实施中的局限性。公民科学(citizen science)作为补充手段日益受到重视,但植物识别和生境分类所需的高技能门槛成为主要挑战。尽管基于卷积神经网络(convolutional neural networks, CNNs)等深度学习(deep learning)方法的自动物种识别系统已取得显著进展,现有研究多依赖数据库图像或专业人员采集的照片进行评估,缺乏公民科学家在野外实际使用场景的验证。

研究人员在英国中部和南部地区开展了七场野外工作坊,招募37名对生物记录感兴趣的公民科学家参与。研究选取了物种复杂度呈梯度差异的三种草地生境作为样本队列来源,包括钙质草地、中性草地和改良草地,调查时间集中于2024年6月至8月英格兰植物盛花期。每位参与25 m2样方的独立调查,利用应用程序内置的Pl@ntNet应用程序接口(Application Programming Interface, API)进行基于人工智能(artificial intelligence, AI)图像识别的物种自动鉴定,同时可手动输入已知物种;每场工作坊中2至3名专家植物学家对同一样方进行独立调查以建立完整物种名录参照,并采用DAFOR多度等级记录物种丰度及开花状态。研究通过广义线性混合模型(generalised linear mixed model, GLMM)和广义线性模型(generalised linear model, GLM)分析数据,并辅以问卷调查收集用户体验反馈。

物种数量方面,参与者平均记录17.03±1.21种植物,显著低于专家的23.06±1.06种;模型显示不同生境类型间物种数量存在显著差异,但参与者植物记录技能自评水平对记录物种数无显著影响。

物种识别准确性方面,在参与者记录的已知存在物种中,平均71%正确鉴定到物种水平,提升至科水平则达87%;然而,参与者仅正确捕获了专家记录的全部可观察物种中的45%,其中43%未被检测到,9%被错误鉴定。广义线性混合模型分析表明,植物类型(草本/禾本)、开花状态及物种多度是影响正确捕获率的重要因素:丰度更高、处于开花期以及非禾本科的物种更易被准确记录。

生境准确性方面,80%的调查正确识别了首要广义生境建议,考虑前三项建议时提升至98%;首要广义生境识别准确率随正确鉴定物种比例增加而提高。相比之下,仅25%的调查正确识别了首要英国国家植被分类(National Vegetation Classification, NVC)群丛,但考虑前十项建议时提升至71%;改良草地的MG7群丛识别准确率最高。

参与者反馈方面,多数参与者具有低或中等植物记录信心,但不同技能水平者的物种识别准确性差异不大;78%首次使用e-Surveyor,81%认为操作简便,70%遇到过困难(主要为网络连接问题),但全部参与者均表示愿意再次使用并向他人推荐。

讨论部分指出,e-Surveyor应用程序作为支持公民科学生物记录的工具具有实用价值。虽然参与者记录的物种数少于专家,但错误鉴定比例较低,未检测物种比例较高。物种多度、开花状态及生活型对识别准确性的影响与其他检岀率研究一致。生境分类中,广义生境的较高准确率得益于即使部分物种遗漏或存在假阳性,关键指示物种仍能有效区分生境类型;而NVC群丛需要 exhaustive survey 的完整物种名录,故准确率相对较低。钙质草地因具有更多特有种而更易被正确识别,但退化钙质草地与中性草地存在混淆。全部参与者对应用程序的积极体验表明其在提升自然参与度和知识获取方面具有潜力。研究结论认为,e-Surveyor应用程序是支持生物记录的有用工具,可用于重要自然保护地的植物物种名录编制、生境状况评估及指示物种监测;对经验丰富者可辅助鉴定和查证,对初学者则有助于建立信心和自然认知。该应用程序的结构化记录功能和生境解读能力优于一般植物识别应用,但不应替代专家的传统生物记录工作。通过公民科学家的实地测试,研究人员增进了对此类工具能力、局限性和潜在用途的理解。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号