4 подписчика
GeoPl@ntNet, новый сервис для обнаружения видов вокруг вас
Вы когда-нибудь задумывались, какие растения вы можете увидеть вокруг себя или во время следующей прогулки? Этот сервис может помочь вам ответить на этот вопрос.
Изучение видов растений, потенциально присутствующих в данном месте, может представлять большой интерес как для специалистов по охране окружающей среды, так и для новичков в ботанике.
Такая служба может, например, улучшить планирование кампаний наблюдения или облегчить управление определенными территориями, предвидя появление новых видов. Это также может быть очень полезным инструментом для обсуждения между гражданами и лицами, принимающими решения, вопросов планирования землепользования и воздействия человеческой инфраструктуры на биоразнообразие.
Этот оригинальный сервис под названием GeoPl@ntNet позволяет узнать, какие виды растений уже наблюдались или потенциально присутствуют на этой территории, выбрав точку на карте и нарисовав вокруг нее прямоугольник. Разумеется, он основан на данных Pl@ntNet, а также в более общем плане на данных GBIF , крупнейшей в мире платформы данных о биоразнообразии, в которую вносит свой вклад Pl@ntNet (см. статью на эту тему). Чтобы прогнозировать виды в местах, где данных мало или вообще нет, приложение использует алгоритм искусственного интеллекта (так называемый Deep-SDM*), обученный прогнозировать виды, присутствующие на основе спутниковых данных высокого разрешения (от IGN) и экологических данных . данные (температура, осадки, тип почвы и т. д.). Эта технология является результатом нескольких дипломных работ, выполненных исследовательской группой Pl@ntNet [1,2,3] и реализована в рамках европейского проекта Cos4Cloud , который в более общем плане фокусируется на новых технологиях для гражданской науки. В настоящее время сервис в основном адаптирован для прогнозов в метрополии Франции. Вы можете использовать его за пределами Франции, но в этом случае используются только известные случаи, и вы не получите выгоды от прогнозов ИИ в областях, где нет данных.
Не стесняйтесь сообщать нам свое мнение и предложения по улучшению.
Команда Pl@ntNet.
*Deep-SDM: Потенциальная модель географического распределения видов, основанная на обучении сверточной глубокой нейронной сети.
1. Ботелла К., Жоли А., Бонне П., Монестье П. и Муньос Ф. (2018). Подход глубокого обучения к моделированию распространения видов. В «Мультимедийных инструментах и приложениях для информатики окружающей среды и биоразнообразия» (стр. 169–199). Спрингер, Чам.
2. Дене Б., Серважан М., Бонне П., Ботелла К., Муньос Ф. и Жоли А., 2021. Сверточные нейронные сети улучшают моделирование распределения видов, фиксируя пространственную структуру окружающей среды. PLoS вычислительная биология, 17 (4), p.e1008856. hdoi.org/...8563. Дене Б., Жоли А., Бонне П., Серважан М. и Муньос Ф., 2022. Моделирование распределения видов с очень высоким разрешением на основе изображений дистанционного зондирования: как фиксировать мелкозернистые и крупнозернистые данные. Масштабируйте экологию растительности с помощью сверточных нейронных сетей? Границы в науке о растениях, 13. hdoi.org/...279.
2 минуты
4 ноября 2023