Descripción de la imagen: Un estudiante usa un espectrómetro para medir la reflectancia espectral de una hoja en el campo del Monumento Natural de Barro Colorado en Panamá.
Título del Proyecto
Explorando el potencial de la identificación automatizada de especies de plantas tropicales a partir de datos de escaneo hiperespectral y 3D
Nombre del mentor
Helene Muller-Landau, Científica Senior
Contact information: mullerh@si.eduNombre del co-mentor
Joe Wright, Científico Senior
Lugar de la pasantía ¿Estará el mentor en este lugar?
Isla Barro Colorado, Panamá. El mentor estará en este lugar.
Resumen y objetivos del proyecto
Los bosques tropicales representan la mayoría de las reservas terrestres de carbono y la biodiversidad, por lo que es fundamental comprender cómo se ven afectados por el cambio climático mundial. Su alta diversidad de plantas ofrece el potencial de una alta resiliencia al cambio global antropogénico porque las especies varían ampliamente en sus respuestas a la variación ambiental y las especies más afectadas negativamente invariablemente se volverán menos comunes. Sin embargo, esta misma diversidad presenta un tremendo desafío para nuestra capacidad de comprender la función de los bosques tropicales hoy en día y predecir cómo responderá al cambio global, ya que significa que la variación interespecífica es crítica. Actualmente carecemos de los abundantes datos específicos de cada especie necesarios para cuantificar esta variación interespecífica y capturarla en modelos. Los estudios realizados en tierra son a pequeña escala y contienen tamaños de muestra inadecuados de la mayoría de las especies de plantas, y los datos de teledetección proporcionan tamaños de muestra grandes, pero actualmente no pueden distinguir especies individuales en diversos bosques tropicales.
Los avances tecnológicos en imágenes hiperespectrales, escaneo láser e inteligencia artificial ahora ofrecen el potencial para la identificación automatizada de especies de plantas individuales utilizando sensores remotos, teléfonos inteligentes y / u otras herramientas. Esto permitiría la recopilación de datos a gran escala y específicos de especies en los bosques tropicales y permitiría que una gama más amplia de investigadores, estudiantes y científicos ciudadanos contribuyeran. Sin embargo, para aprovechar este potencial, necesitamos recopilar datos de entrenamiento de alta calidad y analizarlos para desarrollar algoritmos de aprendizaje automático apropiados y determinar qué tipos o combinaciones de datos son más útiles para la identificación de especies.
Este proyecto tiene como objetivo sentar las bases para la identificación automatizada de especies de plantas leñosas en diversos bosques tropicales. Los objetivos específicos son:
(1) recopilar y publicar un conjunto de datos de entrenamiento multidimensional de alta calidad que incluya reflectancia hiperespectral y estructura tridimensional de plantas enteras, hojas, cortezas, frutos y flores de > 150 especies de plantas leñosas en el centro de Panamá;
(2) cuantificar la variación dentro de las especies y la distinción entre especies en estos datos;
(3) evaluar la capacidad de distinguir taxones para cada tipo de datos y combinación de tipos, e identificar los enfoques más prometedores para la identificación automatizada de especies.
La finalización exitosa de la investigación propuesta sentará las bases para la recopilación a gran escala de datos específicos de taxones que abarcan muchas especies de plantas que coexisten en los bosques tropicales. Los hallazgos sobre la utilidad de la reflectancia del espectrómetro serán de particular importancia para los esfuerzos por ampliar el monitoreo de la biodiversidad tropical de grandes parcelas como Smithsonian ForestGEO a paisajes más grandes con sensores hiperespectrales aéreos y espaciales.
Objetivos de la tutoría
El pasante tendrá la oportunidad de adquirir experiencia en la recopilación de datos de campo de bosques tropicales, mediciones de espectrómetros, escaneo 3D con escáneres láser y fotogrametría, gestión de datos utilizando R y GitHub, análisis estadísticos y preparación de figuras utilizando el lenguaje de programación R, revisión de literatura científica, discusiones científicas en inglés, trabajo en equipo con miembros del laboratorio y colaboradores de diversos orígenes, la preparación de presentaciones científicas, la preparación de publicaciones de datos y el proceso de publicación académica. El pasante tendrá la oportunidad de contribuir y potencialmente dirigir un manuscrito académico, con el apoyo de los mentores.
Esta oportunidad es particularmente adecuada para los candidatos que buscan más experiencia en investigación antes de la escuela de posgrado.
Rol del pasante, compromiso de tiempo y productos esperados
Este proyecto cuenta con financiación para dos pasantes a tiempo completo durante 12 meses (24 meses-persona en total). La expectativa es que un pasante se centre más en las mediciones del espectrómetro y el otro más en el escaneo 3D, y que ambos tengan la oportunidad de adquirir experiencia con ambos conjuntos de técnicas. Cada puesto puede ser ocupado por un candidato durante 12 meses, o por pasantes sucesivos por períodos más cortos (por ejemplo, 6 meses y 6 meses, o 3 meses y 9 meses). Las fechas de inicio son flexibles entre marzo y junio de 2024. En general, buscamos pasantes que puedan comprometerse a al menos 6 meses, pero consideraremos nombramientos tan cortos como 3 meses para los candidatos que puedan comenzar en marzo o abril de 2024.
Cada pasante recibirá un estipendio de US$1250/mes, así como apoyo para viajes de ida y vuelta a Panamá en el caso de candidatos no panameños.
El candidato ideal tiene una licenciatura en un campo relevante, capacidad para realizar trabajo de campo en bosques tropicales en terrenos accidentados, sólidas habilidades organizativas, capacidad para trabajar bien con miembros del equipo de diversos orígenes, sólidas habilidades cuantitativas que incluyen experiencia en programación, sólidas habilidades de comunicación oral y escrita en inglés y buenas habilidades de comunicación en español. Para una consideración completa, envíe por correo electrónico un (1) CV, (2) una transcripción de pregrado no oficial (con una explicación del esquema de calificación si es de una universidad no estadounidense), (3) una muestra de escritura científica, preferiblemente en inglés pero puede estar en español (por ejemplo, tesis de pregrado, informe de laboratorio, trabajo de investigación), (4) una muestra de código que haya escrito con comentarios (preferiblemente en R o Python, pero puede ser otro idioma), y (5) una carta de presentación que describa sus calificaciones, interés en el puesto, posibles fechas de inicio e información de contacto para 3 referencias a mullerh@si.edu.
Productos esperados: Se espera que cada pasante contribuya de manera importante y, por lo tanto, sea autor de una o más publicaciones de datos, y también tendrá la oportunidad de contribuir como coautor (o potencialmente autor principal) en un manuscrito académico para su publicación en una revista científica.
Ocasiones habituales para discusiones grupales, asistencia a conferencias, asesoramiento profesional y otras oportunidades educativas y experienciales para sus pasantes
El pasante participará en las reuniones semanales del laboratorio Muller-Landau, y tendrá la oportunidad de asistir a seminarios semanales en BCI (jueves) y en Tupper (martes), así como a oportunidades de capacitación en STRI (por ejemplo, ofertas periódicas en GIS, programación R). El pasante se reunirá semanalmente con la asesora principal (Helene Muller-Landau) y también tendrá la oportunidad de interactuar informalmente con otros científicos, empleados, científicos visitantes, becarios y pasantes de STRI, incluso durante comidas compartidas en BCI.
Lista de lecturas sugeridas
Muller-Landau, H. C., K. C. Cushman, E. E. Arroyo, I. Martinez Cano, K. J. Anderson-Teixeira, and B. Backiel. 2021. Patterns and mechanisms of spatial variation in tropical forest productivity, woody residence time, and biomass. New Phytologist, 229: 3065-3087. https://doi.org/10.1111/nph.17084
Baldeck, C. A., G. P. Asner, R. E. Martin, C. B. Anderson, D. E. Knapp, J. R. Kellner, and S. J. Wright. 2015. Operational Tree Species Mapping in a Diverse Tropical Forest with Airborne Imaging Spectroscopy. Plos One, 10. https://doi.org/10.1371/journal.pone.0118403
Lee, C. K. F., G. Song, H. C. Muller-Landau, S. Wu, S. J. Wright, K. C. Cushman, R. F. Araujo, S. Bohlman, Y. Zhao, Z. Lin, Z. Sun, P. C. Y. Cheng, M. K.-P. Ng, and J. Wu. 2023. Cost-effective and accurate monitoring of flowering across multiple tropical tree species over two years with a time series of high-resolution drone imagery and deep learning. ISPRS Journal of Photogrammetry and Remote Sensing, 201: 92-103. https://doi.org/10.1016/j.isprsjprs.2023.05.022
Calders, K., J. Adams, J. Armston, H. Bartholomeus, S. Bauwens, L. P. Bentley, J. Chave, F. M. Danson, M. Demol, M. Disney, R. Gaulton, S. M. Krishna Moorthy, S. R. Levick, N. Saarinen, C. Schaaf, A. Stovall, L. Terryn, P. Wilkes, and H. Verbeeck. 2020. Terrestrial laser scanning in forest ecology: Expanding the horizon. Remote Sensing of Environment, 251: 112102.https://doi.org/10.1016/j.rse.2020.112102
Allen, M. J., S. W. D. Grieve, H. J. F. Owen, and E. R. Lines. 2023. Tree species classification from complex laser scanning data in Mediterranean forests using deep learning. Methods in Ecology and Evolution, 14: 1657-1667. https://doi.org/10.1111/2041-210X.13981