编辑推荐：
在野生环境中监测入侵植物困难重重，为解决这一问题，研究人员开展乳浆大戟无人机影像分类研究。他们用无人机采集影像并标注，测试两种模型，结果显示模型性能因影像尺寸而异。该研究为入侵植物监测提供数据和方法。
在广袤的自然界中，生态环境的变化时刻影响着生物的生存与发展。入侵植物，作为生态系统的 “不速之客”，正逐渐威胁着许多地区的生态平衡。乳浆大戟（Euphorbia esula）就是这样一种从北美引入后迅速扩散的有害杂草，它在牧场生态系统中肆意生长，不仅与本土植物争夺空间和资源，还影响了农作物生产，给生物多样性带来了严重破坏。据统计，仅在北美大平原北部，乳浆大戟每年就造成超过 1 亿美元的经济损失。
为了有效监测和控制乳浆大戟的扩散，科学家们一直在努力寻找更好的方法。传统的生态数据采集方式，需要专业人员具备物种识别、空间规划等多方面的知识，而且还得争分夺秒地捕捉那些转瞬即逝的生态变化，这使得大规模的生态监测变得困难重重。随着科技的发展，卫星和无人机成像技术逐渐被应用到生态监测领域，但目前公开可用的包含高分辨率野生环境影像的基准数据集却非常稀缺，而且大多偏向森林地区，针对草原等其他陆地生物群落的研究较少。此外，野生环境与农业环境有很大不同，物种多样性更高，地形更为复杂，这都增加了利用遥感技术监测的难度。在这样的背景下，开展对乳浆大戟的高分辨率无人机影像监测研究就显得尤为重要。
美国 MPG Ranch 的 Aerial Survey Program 的研究人员承担了这项重要的研究工作。他们通过一系列实验，得出了许多有价值的结论。研究成果发表在《Scientific Data》上，为相关领域的研究提供了重要的参考。
研究人员开展此项研究时，主要运用了以下关键技术方法：
首先是无人机影像采集技术。他们使用 DJI Mavic 3 M 无人机，在 2023 年 6 月 12 日的 4 个小时内，于美国蒙大拿州西部 118 公顷的草原上空 50 米处进行拍摄，共获取 8241 张影像。飞行过程中，利用 Real - Time Kinematic（RTK）定位技术，保证相机位置精度达到厘米级。同时，设置好影像重叠率，为后续处理做准备。
其次是影像后处理技术。借助 Drone Deploy 后处理服务生成正射镶嵌图（orthomosaic），并通过设立 32 个地面控制点（GCPs），将 GCP 位置的均方根误差（RMSE）控制在 7.32cm，有效减少地理参考误差。
最后是数据标注与模型测试技术。技术人员实地采集乳浆大戟存在与否的地面真值数据，每个位置采集 50 个存在和 50 个不存在的数据点，共获取 1000 个数据点。之后，从正射镶嵌图中提取 900 张影像，并划分训练集和测试集。测试了 ResNet50 和 DINOv2 两种当代计算机视觉模型的分类性能。
下面来看具体的研究结果：
- 数据集获取与处理：研究人员获取了高分辨率的无人机影像，并生成正射镶嵌图。同时，通过实地采样，获取了乳浆大戟存在与否的地面真值数据。从正射镶嵌图中提取了不同尺寸的影像，包括 39×39 像素和 1024×1024 像素的影像，并为每个影像实例提供了元数据，如文件名、经纬度、海拔等。此外，根据地理分离原则，将采样点数据划分为训练集和测试集，用于模型训练和评估。
- 模型分类性能测试：研究人员评估了 ResNet50 和 DINOv2 两种模型对乳浆大戟图像的分类性能。实验结果表明，两种模型都适用于检测目标植物乳浆大戟，但性能取决于图像大小。在较小图像（39×39 像素）的完整数据集上训练时，两种模型性能相似；然而，ResNet50 在较大图像（1024×1024 像素）上对乳浆大戟的分类效果不理想。另外，研究还发现，基于较小图像训练的模型，在每类样本较少的情况下，表现优于基于较大图像训练的模型。
研究结论和讨论部分：
这项研究为乳浆大戟的监测和管理提供了重要的数据支持和方法参考。通过公开的 Hugging Face 数据集，研究人员为机器学习研究社区提供了一个独特的真实世界数据集，有助于开发更精准的乳浆大戟入侵预警系统。同时，研究中对不同模型的测试，也为后续在该领域选择合适的模型提供了依据。虽然研究取得了一定成果，但也面临一些挑战。例如，在复杂的野生环境中，如何进一步提高模型对乳浆大戟的识别精度，尤其是在不同生长阶段和不同背景环境下的识别能力，仍然需要深入研究。此外，如何将研究成果更好地应用到实际的土地管理中，提高乳浆大戟的治理效率，也是未来需要关注的重点。总体而言，该研究为野生环境中入侵植物的监测和管理开辟了新的道路，具有重要的理论和实践意义。
