越来越多的人使用应用程序来识别植物，而且这些应用程序通常能准确识别它们所看到的植物。但是，人们使用这些应用程序识别的植物往往因为某些引人注目的特点而吸引眼球，因此应用程序也提供了一些便于识别的特征。那么，当我们不刻意挑选植物进行识别时，情况又会如何呢？阿尔伯塔大学的一个研究团队调查了两款应用程序的识别准确率， iNaturalist 和 植物群，当拿到调查中拍摄的照片时。
对于应用程序来说，样地调查难度更大，因为需要选择一个区域（通常是一个小正方形），然后识别其中的物种。调查区域内的植物可能因食草动物或疾病而受到物理损伤，也可能只是尚未成熟。
为了测试这些应用程序，Wanigasinghe及其同事研究了它们在样地上的表现，不仅考察了它们的性能，还探讨了如何才能提升应用程序的性能。他们在艾伯塔省的草原自然区和林地/北方森林自然区过渡带开展了调查。在每个区域，他们设置了三个地点，每个地点采用固定的放射状设计，共设置了九个样地。专家在样地内标记个体以指导拍照，从而确保同一批样本能够通过两种方法进行评估。
他们发现，Flora Incognita 的 Top-1 准确率为 79%，而 iNaturalist 为 67%。两者都低于 Wanigasinghe 及其同事认为的经验丰富的植物学家应有的水平（90-95%）。但他们也发现，有一些方法可以提高准确率。
首先，如果能拍摄一些具有诊断意义的照片就很有帮助。这意味着要拍摄一些与植物繁殖相关的部位，例如花朵、小花或果实。如果你的植物没有开花，那么一开始就处于劣势。因此，选择合适的时机进行调查可能是获得最佳结果的关键。
如果你使用 iNaturalist，提升准确率的下一个关键因素是拍摄一张高质量的照片。与低质量和中等质量的照片相比，高质量的照片能带来 15% 到 23% 的提升。另一种提高准确率的方法是拍摄多张不同角度的照片。Flora Incognita 允许用户组合多张照片来提高推荐的准确率。iNaturalist 则采用了不同的方法。你可以上传多张照片，但推荐结果仍然只基于其中一张照片。Wanigasinghe 及其同事认为，iNaturalist 可以通过在评估过程中组合多张照片来提高准确率。然而，由于 iNaturalist 的照片是由人工审核的，因此上传多张照片仍然是一个好主意。
不出所料，草类和莎草是应用程序与人类认知差距最大的领域。这里采用的方法是让画面中只显示一种植物。这种方法在 Flora Incognita 数据库中的识别率提高了 20%，在 iNaturalist 数据库中提高了 9%，但统计分析表明，iNaturalist 数据库中 9% 的提升可能并不显著。这项调查面临的问题之一是调查条件。Wanigasinghe 及其同事写道：
2023年，草地植物的生长发育受到降水量的影响，降水量不足30年平均水平的一半。这限制了对结果和开花植物（包括禾本科植物）的拍摄。例如，我们收集的禾本科植物图像中，74%仅包含植物体。在如此严峻的野外条件下，多视角合成方法对于提高识别准确率至关重要。
这些摄影技术的缺点是耗时。对我来说没关系，因为我想知道拍摄对象的身份。 a 因为物种繁多，所以我很乐意拍摄多张照片来辨认植物。但如果你把这作为一项工作，那么调查中每增加一种植物的辨认时间，就会使整个调查所需时间增加到专家人工调查的两到三倍。
不过，对于这些应用程序来说，也并非全是坏消息。Wanigasinghe 及其同事评论道：“在生态监测和野外调查中，当由于视觉相似性或观察者局限性（例如经验不足的野外技术人员）而无法进行物种级鉴定时，属/科级鉴定，或将难以鉴定的分类单元归类为复合群或集合群，是一种被广泛接受的务实折衷方案。” Flora Incognita 对属的鉴定准确率达到了 88.4%。虽然还达不到人类的水平，但也相差不远了。他们还计算出，如果 iNaturalist 使用多张图像来识别物种，那么在观察中添加更多图像可以将属的鉴定准确率从 74% 提高到 80%。
作者还引用了 Jones & Jones 在应用程序准确性方面的工作研究发现，2020 年至 2023 年间准确率提高了 20%。值得注意的是，论文从撰写到发表需要时间，作者也强调了这一点，他们写道：“……本研究中呈现的准确率代表了测试时移动应用性能的快照。”他们还指出，准确率每月都在提升。
但Wanigasinghe及其同事指出，提高准确率并非照片未来唯一的潜在用途：“虽然大多数植物学人工智能研究都集中于通过解决错误和偏差来提高植物识别的准确率，但照片调查的真正潜力才刚刚开始被挖掘。植物学家正转向训练和应用深度学习模型，而不仅仅局限于物种识别。” 现在收集的照片可以帮助解答有关表型变异、性状数据和环境数据的问题，这意味着未来可以利用相同的数据提出更多的问题。
阅读文章
瓦尼加辛格，I., 霍格兰，D., 派尔，L.维伦纽夫，M.和 尼尔森，S.（2026）评估物种识别应用程序作为加拿大艾伯塔省维管植物小样地调查的工具。 AoB PLANTS, 18(3)。 可在： https://doi.org/10.1093/aobpla/plag020.
封面图片： 山茱萸 by Kallum McDonald / iNaturalist CC0
