PlantTraitNet：基于公民科学数据的全球尺度植物性状不确定性感知多模态推断框架
计算机视觉与模式识别
2026-05-20 v3 人工智能
摘要
全球植物地图（如叶氮含量或植物高度）对于理解生态系统过程（包括地球系统的碳和能量循环）至为关键。然而，现有性状图受制于野外测量成本高且地理覆盖稀疏。公民科学计划提供了一种 largely 未开发资源，全球约有 5000 万块带有地理坐标的植物照片，捕获了关于植物形态和生理的宝贵视觉信息。本研究引入 PlantTraitNet，一个多模态、多任务、不确定性感知的深度学习框架，从公民科学照片预测四个关键植物性状（植物高度、叶面积、特定叶面积和氮含量），采用弱监督方式。通过在空间上聚合个体性状预测，我们生成性状分布的全球地图。我们将这些地图与独立的植被调查数据（sPlotOpen）进行验证，并与领先的全球性状产品进行基准测试。我们的结果显示，PlantTraitNet 在所有评估性状上均一致优于现有性状图，表明当公民科学影像与计算机视觉和地理空间 AI 集成后，不仅实现了可扩展的全球性状制图，还实现了更准确的制图。这一方法为生态研究和地球系统建模提供了强大的新路径。
引用
@article{arxiv.2511.06943,
title = {PlantTraitNet: An Uncertainty-Aware Multimodal Framework for Global-Scale Plant Trait Inference from Citizen Science Data},
author = {Ayushi Sharma and Johanna Trost and Daniel Lusk and Johannes Dollinger and Julian Schrader and Christian Rossi and Javier Lopatin and Etienne Laliberté and Simon Haberstroh and Jana Eichel and Daniel Mederer and Jose Miguel Cerda-Paredes and Shyam S. Phartyal and Lisa-Maricia Schwarz and Anja Linstädter and Maria Conceição Caldeira and Teja Kattenborn},
journal= {arXiv preprint arXiv:2511.06943},
year = {2026}
}
备注
Accepted at the 40th AAAI Conference on Artificial Intelligence (AAAI-26). Link: https://ojs.aaai.org/index.php/AAAI/article/view/41272