摄像机、GPS跟踪器和气象站等远程传感器技术彻底改变了现场的生物数据采集。现在，研究人员可以在困难的地形中捕获连续的数据集，其规模在这些技术可用之前难以想象。但随着大量数据涌入世界各地的实验室计算机，研究人员发现自己没有完善的分析工具来处理这一切。在最近一期植物科学应用中的研究中，Greice Mariano博士及其同事介绍了一种名为RadialPheno的工具，用于根据远程摄像机数据分析植物的叶片模式。
在广泛使用遥感设备进行野外数据采集之前，科学家进行人工观察是一项艰巨、单调且容易出错的任务，产生的数据更小、更可疑。对于物候学来说尤其如此，如对叶片、开花和结果等发育事件的时间进行研究。
“实地物候观测是定期完成的，需要更多的劳动力，并依赖于进行观测的人员，”马里亚诺博士解释说，“最重要的是，结果存储在电子表格中，这不允许数据之间的互操作性，这使得分析数据变得困难。”
通过设置相对便宜的远程摄像机获得丰富的观察结果的能力已经改变了这一切。但这些观察并不意味着什么，除非它们可以被翻译成可以产生有意义见解的综合、易处理的数据集。“由于远程监测是物候学研究的新事物，因此需要开发和改进检测物候系列和数据图像变化的方法，”Mariano博士说，“因此，在这项研究中，我们引入了RadialPheno作为支持物候学专家分析的工具。”
为了确定这些物候学专家的需求，Mariano博士和她的团队与圣保罗州立大学物理学实验室（UNESP）的研究人员合作。Mariano博士调查了他们希望从数据可视化工具中看到的内容以及他们使用现有软件遇到的问题。基于这项调查，他们“开发了一个专注于时间数据可视化的工具，其中复发事件的识别是最重要的任务。我们还考虑了可视化与专家使用的常见统计方法的整合，”马里亚诺博士解释说。“我们选择径向表示，因为这些结构对于理解周期事件很有用，例如物候事件。”
该团队通过测量巴西cerrado的叶片模式测试了他们的新工具，这是一个以干湿季节为主的广阔的热带草原生态系统。“巴西的许多植物物候研究都是在cerrado稀树草原地区进行的，并且在该地区安装了用于近地表监测的数码相机，”Mariano博士说。“因此，我们还有基于实地观测的物候数据，这使我们能够利用实地数据和相机衍生的数据来验证我们的工具。” 他们设置的摄像机网络是安装在不同区域的一组摄像机的一部分，称为Phenocam网络，可在线获取。
由于气候变化改变了世界各地生态系统事件的发生时间，可能对生态相互作用造成严重后果，因此比以往任何时候都更迫切需要有关物候模式的可靠数据。幸运的是，遥感技术使这些数据集成为可能; 像RadialPheno这样的工具现在可以使它们更有意义。