跳到主要内容

Flora Capture:公民科学应用程序用于收集结构化植物观察

摘要

背景

数字植物图像变得越来越重要。首先,给定大量的图像,深度学习算法可以训练到自动识别植物。其次,基于结构化图像的观测提供了植物形态特征的信息。最后,在数字化的过程中,数字植物馆藏越来越受到高校的关注。

结果

我们开发了一个免费的移动应用程序,名为Flora Capture,允许用户从预定义的角度收集一系列植物图像。这些图像,连同伴随的元数据,被转移到一个中央项目服务器,在那里,每一个观察结果都由一个植物专家团队进行审查和验证。目前,该申请涵盖了中欧区域自然生长的4800多种植物。自2016年首次发布以来,成千上万的用户收集了超过20万张图片,描绘了1700多种植物。

结论

Flora Capture允许专家、外行和公民科学家收集一个数字标本室,并分享植物的结构多模态观察。收集的图像有助于植物识别算法的训练,但也适合教育目的。此外,通过每次观察收集的存在记录有助于核实世界各地的植物发生记录。

背景

近年来,从图像中自动识别物种的努力大幅增加[12].深度学习方法彻底改变了我们训练计算机从图像数据中识别生物体的能力,比如昆虫[3.鱼类[4],浮游生[5]哺乳动物[6]和植物[7].具体而言,卷积神经网络(CNNS)允许卓越的识别性能[89]并形成成功自动化植物物种鉴定的基础[110.].深度cnn已经被证明可以促进分类准确性,在一般物体识别任务中与人类的表现相当[8]以及细粒度物种识别任务[11.].关于自动化图像的植物识别的最新研究显示至少达到普通植物的人类鉴定能力的识别准确性[1712.].然而,全世界有超过380000种被描述的物种[13.],自动植物识别仍然是一个具有挑战性的图像识别问题,许多物种的种间变异性低而种内变异性高,进一步复杂化(cp. Fig.)。1).

图1
图1

一个五种植物的种间变异性毛茛属植物两种种内的种内变异性。b毛茛属植物单独的鲜花几乎无法区分物种,但伴随着留下图像时清晰可识别

CNN依赖于大量的训练图像,而算法本身也在不断完善和改进[114.,识别的准确性在很大程度上取决于训练中使用的图像质量以及最终的识别过程。因此,区分非常相似的植物需要提供合适的训练图像,描述物种特定的细节。通常,单一的图像不足以可靠地识别物种(cp. Fig.)。1).这对人类和算法都是正确的[15.]通过在识别过程中分析多于一个图像的角度来,已经显示了物种鉴定的准确性,可以显着改善[716.17.].然而,大多数植物图像数据集(如GBIF [18.],不自然[19.], Pl@ntNet [20.])每个观察到的植物只包含一张图像,并且没有以结构化的方式收集。虽然被子植物的花等突出器官分布很广,但叶子和果实等其他器官往往代表性不足,甚至缺失。此外,大多数图像属于单图像观察,在许多情况下,这些图像不具有代表性ot允许安全识别,尤其是在未描述树叶和其他重要细节的情况下[15.]。不幸的是,误认的频率与区分物种的难度成正比。因此,通过存在错误标记的训练数据,算法在视觉上区分相似物种的能力进一步降低。基于预定义透视图的植物结构化多图像观察s、 提供可靠的分类结果,即使是在视觉上表现出强烈相似性的物种,如草[7].在结构化观察中,还可以安全地识别和标记描绘不太突出的角度的图像,没有伴随的角度可能是不可能的。使这些观点成为培训数据,最终使工厂识别算法能够根据较少的植物营养部分识别植物。结构化图像数据集的创建是进一步改善自动工厂识别的重要任务。

即将到来的众包和公民科学的趋势为生成和不断更新图像数据集提供了极好的机会。移动技术的进步和智能手机的普及为数十亿潜在用户提供了一个强大的工具来记录、收集和分享他们周围的物种图像。因此,公众可以获得数据,并对科学研究项目作出贡献,而所需的知识却很少。让公民积累这样的结构化观察可以产生一个大而高质量的数据集[21.].让参与者参与其中具有挑战性,但可以通过对他们的表现提供持续的反馈来实现。22.].在下一节中,我们将介绍移动应用Flora Capture,它允许用户创建结构化的植物观察,并将它们提交到Flora Incognita研究项目的服务器上。根据植物的生命形式,Flora Capture引导用户通过一系列合适的植物视角来捕捉。这些观点都是经过仔细选择和评估的,以便捕捉互补的信息,使观察结果可能包含足够的信息,以便植物学家鉴定或验证所描述的植物的提供的id [723.].目前,每一个捕获和接受的观察都有助于一个数据集,用于改进Flora Incognita植物识别应用程序[24.].此外,植物群捕捉已被用于进行其他研究,并可能以各种方式用于支持新的研究[7].

实现

体系结构概述

我们设计了Flora Capture System,作为灵活的客户端 - 服务器解决方案,包括在我们的数据中心和客户应用程序中运行的可扩展微服务,实现不同的工厂识别方案(参见图。2).下面,我们简要描述了系统的模块。

图2
figure2

植物捕获系统的建筑概述

植物捕获应用程序弗洛拉捕获应用程序是一个多平台的应用程序,免费在Android和iOS上与模块化的代码库,确保最大限度的重用和功能的一致性的不同应用程序在项目内开发。Flora Capture使用户能够将离线的多图像观测数据批量识别,同步到我们的服务器,并允许创建一个数字植物收集。

观察服务在同步之后,用植物群收集的观察分为观察服务。观察由来自预定义角度的几个图像以及来自出处数据(设备,作者,日期等)。每个观察可选地与地理定位和物种名称相关联。用户本身未识别的每个观察将通过自动识别服务立即分析,在同步时向用户提供初始反馈。该反馈是保守的意义,即如果分类器在其决定中非常有信心,则仅报告结果。除了这一初步反馈外,每个上传的观察都将由植物专家使用我们的植物群专家应用审查。然后,每个确认的观察结果可以用于进一步分析。目前,我们将它们用作植物植物无线识别服务的培训图像[24.].

植物专家应用程序Flora Capture依靠的是与该项目有关的植物学专家进行的图像审查和最终物种鉴定。我们正在不断扩大这个专家评审小组,但计划只涉及专家。我们认为,让一个开放的社区参与进来,可能会给获得的数据带来太多的噪音和潜在的错误标签。为了审查即将到来的Flora Capture观察,我们已经开发了Flora Expert应用程序,可以在网站和移动设备上使用。使用该应用程序,我们的专家可以确认、重新标记、推迟和拒绝对每个图像水平(cp. Fig。3.).不能被我们的专家识别的观察结果,无论是因为一个确切的物种不能被明确地确定,还是观察的质量不合适,都将被拒绝(cp. Fig.)。3.b).我们进行了交叉评估,我们的每位专家在不知道另一位专家先前评估结果的情况下,重新评估了50个随机抽取的观察结果。这些独立结果与96%的评估观察结果相符。这些差异主要是由于不同的专家对不同的植物类群有不同的经验。在现实中,不同的专家会讨论关键的意见,以达成一致的决定。

为了参与和教导我们的Flora捕获用户,对包括最终物种标签的观察结果的反馈将转回其设备。这我的观察应用程序中的列表显示了用户收集到的所有观察结果,并用颜色编码的符号表示他们的评论状态,即,未同步,在评论中,接受,拒绝。此外,用户还可以收到大量关于物种的信息,如保护状态、特征、分布地图等。如果我们的专家拒绝了一个观察,用户将看到详细的信息,为什么她或他的观察没有达到项目的一般接受标准,如果需要,一个单独的消息(cp. Fig. Fig.)。3.b)。

图3
图3

一个主要的弗洛拉专家用户界面显示胡萝卜胡萝卜观察。b拒绝错误观察的专家可以从预定义的问题列表中选择问题,也可以添加个人反馈来指导用户

Flora Capture的工作原理

下载应用程序并注册后,用户可以创建新的观察结果,同步现有的观察结果,并查看所有以前拍摄的观察结果(cp图。4a).当创建一个新的观察时,用户将以问卷式的方式一步一步地指导,既适合外行人,也适合专家。如果用户能够识别要观察的植物或对其物种有一个假设,她或他可以提供它——如果不能,她或他可以选择只输入它的生长形式(cp. Fig. Fig.)。4b,表1).根据增长形式,用户直接输入或派生所选择的物种,我们要求用户从最合适的角度拍摄要观察到的工厂的图像。为了减少用户使用应用程序时的认知负载,我们在逻辑上进行分组,并在视觉上不断地通知整体进展。数字4的示例工作流草本或灌木增长形式。每个成长形式都与一些强制性的透视图相关联,并且可能额外提供用户可以或不可以获得的可选透视图(cp. Table1).例如,如果一种植物的基部叶和茎叶形状不同,就可以记录下额外的第二片叶子。一个可选的透视图特征允许用户捕获植物的细节,以至于她或他认为对物种的鉴定特别相关,并且在任何其他视角中没有足够捕获(CP。图。4d).在拍摄了强制性和潜在的可选图像之后,我们展示了一个简短的问卷调查,以粗略估计现场同一物种的个体数量,观察植物的开花状态,以及栖息地的分类(cp. Fig.)。4(e)。此外,用户可以单独做笔记。填写此问卷即完成观察。完整的观察包括所有图像、通过问卷获取的信息以及元数据,如观察的时间、日期和地理位置。最后一步,用户返回应用程序主屏幕,显示e待同步到服务器的待处理观察数(cp图。4f).解耦记录和同步观测使用户能够在没有网络覆盖的远程地点进行观测,并在返回家中并有稳定的互联网连接后进行同步。欧宝直播官网app

用户可以在将它们传输到服务器之前删除他们的观察。在这种情况下,观察和所有内容将完全删除,永不同步。一旦转移到服务器,用户仍然可以从其配置文件中删除观察。这种观察不会在用户的设备上显示,未经审查并不用于进一步分析。由于任何观察是在进一步使用之前进行的专业审查,我们严格删除任何显示人类或其他非植物物体的图像,除了手拿着植物。用户在App,App Stores和Project的网页上找到了一致的隐私声明,解释了应用程序正在收集的信息以及如何使用它。我们解释说,收集的数据用于研究目的,即我们与保护权限共享观察数据,并且收集的观察数据可以以匿名形式释放为稍后及时的数据集。

图4
装具

对生长形式为“草本或灌木”的未知物种进行植物区系捕获观察

表1不同植物生长形态观测记录方案

使用Flora Capture获取植物观察

有多种方法,植物区系捕捉可以用来获取植物观察为一个新的研究目的。首先,用户可以从所有设备中导出所有以及过滤的观察子集,作为一个逗号分隔值(CSV)文件,包含所有元数据(例如,物种id,日期,位置),也可以导出相关的图像。其次,用户群组可以共享一个Flora Capture账户,以便用他们的移动设备独立收集植物观测数据,并由我们的专家审查,在其他用户之间共享,最终输出如上所述的观测数据。第三,我们对通过建立新的观测项目和基于已收集的观测数据开展科学合作持开放态度。例如,我们最近与奥地利的一所农业学校合作,让学生们创建数字植物收藏,以取代传统的挖掘和收集植物标本的任务,以准备植物标本表。在2020年,最积极的学生收集了多达200个植物观测,远远超过了学校的任务要求。另一个例子是最近的一项研究,使用Flora Capture观察来探索图像透视图的信息内容,用于自动植物识别[7].该实验遵循严格的协议,要求学习参与者收集100种明确含有这样的物种的观察,这很容易混淆,即许多相互依赖物种和12种Poaceae。总共收集了10,000个观察。该研究发现,例如,叶片的前部和横向视角的组合和叶子的顶部观点允许高于95%的精度。

Flora Capture另外提供了一个博客叫做故事其中,我们提供一般的建议,以提高观察质量,但也指导市民收集特定的物种。在一个名为“物种月”的系列故事中,我们展示了需要更多关于它们分布的信息和更多描述它们特征表情的图像的物种。事实上,一些宣传的“本月物种”现在确实出现在最受观察的物种中(例如:银莲花,无花果花,叶柄蒜,毛莨属和其他人;无花果。5d).证明博客可以向公民传达当前的研究目标。我们认为提供一个明确的焦点对于保持用户参与研究过程很重要。故事是传达新的研究对象和鼓励现有应用程序用户收集支持该研究的观察结果的理想方法。

图5
figure5

一个自2017年1月起,由公民科学家(彩色线)和包括项目成员和合作伙伴在内的所有用户(灰色线)每月贡献的Flora Capture观察。b每个用户ID收集的有效观察数。蓝点属于与项目成员关联的ID。c公民科学家迄今为止收集的每种物种的观察数。dFlora Capture Citizen Scients用户最常观察到的20个最常见的物种

结果

自2016年10月发布Flora Capture以来,我们收集了超过40000份认可的植物观察结果。截至2020年9月,这些观察结果包括超过200000张图像,涵盖了超过1890种植物(cp图。5).公民科学家的外部贡献数量每年超过5000次观察(2017:1158;2018:5919;2019:5542;2020(截至9月):10640)。到目前为止,超过3000个不同的用户ID至少贡献了一次有效的植物观察,约500个用户上传了5次以上的观察(例如:图。5b)。自应用释放以来,最活跃的公民科学家们已经贡献了数百(甚至超过2000年)的高质量观​​测。观察到的植物的分布非常偏斜(图。5C),最常见的物种是常见的、分布广泛的和显著的物种。大多数观察到的物种是在路边和农田中发现的野生和亲硝基物种(图。5d)。大多数观察结果来自德国内的应用程序正在进行。在这里,Flora Incognita项目的成员和合作伙伴在推广应用程序方面积极促进并与潜在感兴趣的公民科学家联系。然而,越来越多的观察也在欧洲和世界各地采取。Flora Capture目前在11种不同的语言中提供,观测的物种的数量稳步增加。

讨论

积极促进公民科学家参与的研究项目,最终可以激发个人行为,并鼓励公众在保护工作方面采取行动[25.].Flora Capture应用程序为用户提供了一个方便的工具,以提高他们对周围植物多样性的意识,并积累有关植物的知识。用户从不同的角度拍摄植物的图像,最终通过触摸树叶来适当地安排它们,或寻找特定的特征,不可避免地会敏锐地捕捉到感兴趣的植物的细节。与此同时,Flora Capture还可以通过创建高质量的图像数据集来提高自动物种识别的质量[7].cnn的训练图像要求高度可变,并提供丰富的信息,以便在区分非常相似的物种时提供可靠的结果。成千上万的用户生成的图像通过贡献用户的多样性内在地增加了数据的可变性[26.]。图像贡献者的多样性和质量将与待识别图像的质量和多样性相匹配。同时,获取预定义透视图的结构化方法与专家审查相结合,确保所获取图像数据的高度可靠性和信息丰富性[27.].通过每个观察收集的元数据还提供了支持识别过程的有价值的信息,以考虑新的方面(例如位置,一年中的时间)。总之,拟议的用于记录工厂观测的多模态方法允许创建可验证的工厂观察数据库,并作为自己的重要信息来源[28.29.].

未来发展方向

目前,Flora Capture支持4800种植物,主要分布在中欧。该应用程序的未来版本将陆续覆盖更大的物种池,并可能需要修订现有的生长形式。此外,观察议定书将可选地扩展为标准化绘图议定书,使植物绘图者能够对其观察提供更详细的描述,并允许在植被绘图运动中使用植物区系捕捉技术。事实上,其他种类生物的结构化图像数据库也可以用类似的方法开发。生物收集物中的物种记录可由现场观测数据加以补充[30.].目前在学校和大学的试点项目中,学生们在植物远足中使用Flora Capture显示了令人鼓舞的结果。学生们学会了近距离观察植物,同时为他们的数字观察拍照。在随后的演讲和与同学的讨论中,我们发现将植物学和数字工具相结合是激发人们对植物分类学兴趣的可靠方法。最后但并非最不重要的是,各种热情的用户报告说,花时间在大自然中,使用Flora Capture收集植物观察对他们的健康和启发学习是有益的。识别植物会鼓励用户收集更多的观察结果。事实上,智能手机应用通过游戏化提供了吸引用户的巨大潜力。31.32.].提供令人信服,上诉和实施涉及工厂而不是Pokémons的良好应用甚至可能会激励以前未识别的公民科学家参与。

可用性和要求

  • 项目名称:Flora Capture

  • 项目主页:htt欧宝直播官网appps://www.floraincognita.com/flora-capture-app/

  • 操作系统:Android 4.4W及以上,iOS 10及以上

  • 编程语言:TypeScript、Swift、Kotlin、SQL、PHP、Python

  • 许可证:https://www.apple.com/legal/internet-services/itunes/dev/stdeula/对非学者使用的任何限制:没有

数据和材料的可用性

在本文中分析的应用程序使用数据可在合理的请求上获得相应的作者。

缩写

有线电视新闻网::

卷积神经网络

CSV::

逗号分隔值

参考文献

  1. 1。

    Wäldchen J, Mäder P.基于图像的物种识别机器学习。生态学报。2018;9(11):2216-25。

    文章谷歌学术

  2. 2。

    Weinstein BG.动物生态学的计算机视觉.动物生态学杂志.2018;87(3):533-45。https://doi.org/10.1111/1365-2656.12780

    文章PubMed.谷歌学术

  3. 3.

    基于卷积网络的昆虫分类识别方法。系统医学杂志。2019;68(6):876 - 95。

    文章谷歌学术

  4. 4。

    秦H,李X,梁J,Peng Y,张C. Deepfish:精确水下的水下鱼识别与深层建筑。神经关键词。2016; 187:49-58。

    文章谷歌学术

  5. 5。

    Dunker S,Boho D,Wäldchen J,Mäder P.将高通量成像流式细胞术和深度学习相结合,用于浮游植物的有效物种和生命周期阶段鉴定。BMC Ecol.2018;18(1):51。

    文章谷歌学术

  6. 6。

    Norouzzadeh MS, Nguyen A, Kosmala M, Swanson A, Palmer MS, Packer C, Clune J.基于深度学习的相机陷阱图像中野生动物的自动识别、计数和描述。中国科学院院刊。2018;115(25):5716-25。https://doi.org/10.1073/pnas.1719367115

    中科院文章谷歌学术

  7. 7。

    Rzanny M,Mäderp,deggelmann A,Chen M,WäldchenJ.花卉,叶子或两者?如何获得适当的图像以进行自动化工厂识别。植物方法。2019; 15(1):77。https://doi.org/10.1186/s13007-019-0462-4

    中科院文章PubMed.公共医学中心谷歌学术

  8. 8。

    卢沙科夫斯基,邓杰,苏华,Krause J, Satheesh S, Ma S, Huang Z, Karpathy A, Khosla A, Bernstein M, Berg AC, Fei-Fei L. ImageNet大尺度视觉识别挑战。Int J compput Vis (IJCV)。2015年,115(3):211 - 52。https://doi.org/10.1007/s11263-015-0816-y

    文章谷歌学术

  9. 9.

    Krizhevsky A,Sutskever I,Hinton Ge。Imagenet与深卷积神经网络分类。公共交流。2012; 60:84-90。

    文章谷歌学术

  10. 10。

    王志强,王志强,王志强,等。深度学习在生态学中的应用。方法:生态学报。2019;10(10):1632-44。

    文章谷歌学术

  11. 11.

    Goëau H, Joly A, Bonnet P, Lasseck M, Šulc M, Hang ST.植物识别的深度学习:网络如何与人类专家竞争。生物多样性Inf Sci标准。2018;2:25637。https://doi.org/10.3897/biss.2.25637

    文章谷歌学术

  12. 12.

    Seeland M,Rzanny M,Boho D,WäldchenJ,MäderP.Pres的植物属和家庭的图像分类和未经训练的植物物种。BMC生物素。2019; 20(1):4。

    文章谷歌学术

  13. 13。

    威利斯K.世界植物的植物2017年。报告。皇家植物园,考威尔2017年。

  14. 14。

    Rawat W,Wang Z.图像分类深卷积神经网络:全面审查。神经计算。2017; 29(9):2352-449 PMID:28599112。

    文章谷歌学术

  15. 15.

    乔利A,邦纳P, Goëau H, Barbe J, Selmi S, Champ J, dufourk - kowalski S, Affouard A, Carré J, Molino J- f,等。看看pl@ntnet的体验。Multimed系统。2016;22(6):751 - 66。

    文章谷歌学术

  16. 16。

    基于卷积和经常性神经网络的Lee Sh,Chan CS,Remagnino P.多器官植物分类。IEEE Trans Image Process。2018; 27(9):4287-301。https://doi.org/10.1109/TIP.2018.2836321

    文章PubMed.谷歌学术

  17. 17。

    他是一个,天X.多栏卷积神经网络的多器官植物识别。:2016年IEEE系统,人类和网络网络国际会议(SMC),2016; 002020-002025。

  18. 18。

    GBIF(2020年)。http://www.gbif.org..于1月9日10日访问

  19. 19。

    iNaturalist(2020)。http://www.inaturalist.org.于1月9日10日访问

  20. 20

    Joly A, Goëau H, Bonnet P, Bakić V, Barbe J, Selmi S, Yahiaoui, Carré J, Mouysset E, Molino J- f, Boujemaa N, Boujemaa N, Barthélémy D.基于社会形象数据的交互式植物识别。生态通知。2014;23:22-34。https://doi.org/10.1016/j.ecoinf.2013.07.006生态与环境中的多媒体专刊。

    文章谷歌学术

  21. 21

    Kosmala M,Wiggins A,Swanson A,Simmons B.评估公民科学的数据质量。前ECOL环境。2016; 14(10):551-60。https://doi.org/10.1002/fee.1436

    文章谷歌学术

  22. 22。

    de Moor T,Rijpma A,PRASLópezM.公民科学的参与动态:结果来自“是的,我一样!”项目。Citiz SCI理论实践。2019; 4(1):1-17。

    文章谷歌学术

  23. 23。

    Rzanny M,Seeland M,WäldchenJ,MäderP.获取和预处理叶片自动化植物识别:了解努力与信息收益之间的权衡。植物方法。2017; 13(1):1-11。

    文章谷歌学术

  24. 24。

    Mäder P, Boho D, Rzanny M, Wittich HC, Seeland M, Deggelmann A, Wäldchen J. Flora unknown - automated species identification can effective species monitoring。提交(提交)

  25. 25。

    McKinley DC, Miller-Rushing AJ, Ballard HL, Bonney R, Brown H, Cook-Patton SC, Evans DM, French RA, Parrish JK, Phillips TB, Ryan SF, Shanley LA, Shirk JL, Stepenuck KF, Weltzin JF, Wiggins A, Boyle OD, Briggs RD, Chapin SF, Hewitt DA, Preuss PW, Soukup MA。公民科学可以促进保护科学、自然资源管理和环境保护。Conserv杂志。2017;208:15-28。https://doi.org/10.1016/j.biocon.2016.05.015公民科学在生物保护中的作用。

    文章谷歌学术

  26. 26。

    pocock mjo,tweddle jc,萨维奇j,robinson ld,roy he。生态环境公民科学的多样性与演变。Plos一个。2017; 12(4):1-17。https://doi.org/10.1371/journal.pone.0172579.

    中科院文章谷歌学术

  27. 27。

    Kelling S、Johnston A、Bonn A、Fink D、Ruiz Gutierrez V、Bonney R、Fernandez M、Hochachka WM、Julliard R、Kraemer R等。使用半结构化调查改进公民科学数据,以监测生物多样性。生物科学。2019;69(3):170–9.

    文章谷歌学术

  28. 28。

    Terry JCD, Roy HE, August TA。像自然学家一样思考:通过利用上下文数据增强公民科学图像的计算机视觉。方法Ecol Evol. 2019; 11:303-15。

    文章谷歌学术

  29. 29。

    Wittich HC, Seeland M, Wäldchen J, Rzanny M, Mäder p。BMC Bioinform。2018;19(1):190。

    文章谷歌学术

  30. 30

    Heberling JM,Isaac Bl。不属性主义者作为扩大博物馆标本的研究价值的工具。苹果厂SCI。2018; 6(11):E01193。

    文章谷歌学术

  31. 31

    Balmford A,Clegg L,Coulson T,Taylor J.为什么环保主义者应该关注神奇宝贝。科学。2002;295(5564):2367.

    中科院文章谷歌学术

  32. 32

    Dorward LJ、Mittermier JC、Sandbrook C、Spooner F.Pokémon go:保护运动的利益、成本和教训。保护Lett.2017;10(1):160–5。

    文章谷歌学术

下载参考

致谢

我们感谢所有弗洛拉捕捉应用程序的用户,特别是玛蒂娜哈特尔。我们感谢所有的同事和学生助手,特别是Christian Engelhardt, Karl Amende Benedict Stephan和Anke Bebber,关心这个项目。图像在无花果。2是由OpenClipart-Vectors根据CC0-Creative Commons许可在Pixabay上提供的。

资金

由Projekt DEAL支持和组织的开放获取资金。我们由德国联邦环境、自然保护、建筑和核安全部(BMUB)资助:3514685C19、3519685A08和3519685B08;德国教育和研究部(BMBF)资助:01LC1319, 01IS20062;the the Stiftung Naturschutz Thüringen (SNT) Grant: SNT-082-248-03/2014;图林根环境、能源和自然保护部赠款:68678。资助者没有参与应用程序的实施、研究的设计、数据的分析和解释以及手稿的撰写。

作者信息

隶属关系

作者

贡献

概念设计:DB、MR、PM、JW;编程:DB、FN、HW、MS;数据分析:MR、AD、DB、JW、MS;数据可视化:MR、JW、DB;撰写手稿:MR、DB、JW、PM;资金获取:项目经理,JW。所有作者都阅读并批准了最终手稿。

通讯作者

对应到Janawäldchen.

伦理宣言

伦理批准和同意参与

不适用。

同意出版

不适用。

相互竞争的利益

提交人声明他们没有竞争利益。

补充资料

出版商的注意事项

欧宝体育黑玩家施普林格《自然》杂志对已出版的地图和机构附属机构的管辖权要求保持中立。

权利和权限

开放访问本文是基于知识共享署名4.0国际许可,允许使用、共享、适应、分布和繁殖在任何媒介或格式,只要你给予适当的信贷原始作者(年代)和来源,提供一个链接到创作共用许可证,并指出如果变化。本文中的图像或其他第三方材料都包含在本文的知识共享许可中,除非在该材料的信用额度中另有说明。如果资料不包括在文章的知识共享许可协议中,并且你的预期用途没有被法律规定允许或超过允许用途,你将需要直接从版权所有者获得许可。如欲查阅本许可证副本,请浏览http://creativecommons.org/licenses/by/4.0/.Creative Commons公共领域奉献豁免(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据,除非在数据的信贷额度中另有说明。

再版和权限

关于这篇文章

通过CrossMark验证货币和真实性

引用这篇文章

波希米亚,D, Rzanny, M, Wäldchen, J。et al。Flora Capture:收集结构化植物观察的公民科学应用程序。欧宝娱乐合法吗21,576(2020)。https://doi.org/10.1186/s12859-020-03920-9

下载引用

关键字

  • 结构化的植物的观察
  • 多器官植物鉴别
  • 移动应用
  • 公民科学
  • 数字植物采集
  • 数字herbariumn