编辑推荐：
这篇综述聚焦陆地生态学，深入探讨机器学习（ML）、深度学习（DL）和强化学习（RL）等技术在此领域的应用。分析其在生态研究中的优势与局限，提出应对挑战的策略，为推动生态研究与保护、实现可持续发展提供重要参考。
1. 引言
1.1 术语介绍
在本综述中，“机器学习（ML）” 有两种含义。单独使用时，指传统 ML 方法，如决策树、线性回归等，不包括深度学习（DL）和强化学习（RL）。涵盖经典 ML、DL 和 RL 的范畴称为通用 ML。强化学习因其独特应用单独讨论。
1.2 历史回顾
机器学习起源于 20 世纪 50 年代，阿兰?图灵提出 “机器能思考吗” 并引入图灵测试。亚瑟?塞缪尔开发的跳棋程序是早期具有学习能力的程序。早期 ML 受统计方法和模式识别影响，后续神经网络、支持向量机（SVM）等算法不断发展。21 世纪以来，互联网和图形处理单元（GPU）推动了 DL 的快速发展。
1.3 当代陆地生态学概述
在当代陆地生态学中，通用 ML 算法应用广泛。监督学习用于物种分布建模等预测任务；DL 的卷积神经网络（CNN）在图像分析任务中表现出色；RL 用于优化生态系统管理策略。但 AI 技术应用存在混乱，知识差距需要通过跨学科合作等方式弥补。
1.4 综述目的
本综述旨在全面概述 ML、DL 和 RL 在陆地生态学中的应用、挑战及发展方向，为生态学家、研究人员和保护从业者提供参考，促进跨学科合作与创新。
2. 综述方法
通过 Web of Science 数据库检索 2015 - 2024 年相关文献，经筛选最终使用 326 篇论文进行分析。筛选时排除淡水生态系统研究，对农业生态系统研究也有所侧重，主要关注自然和半自然陆地环境。
3. 通用 ML 算法
3.1 无监督学习算法
无监督学习受神经科学影响，旨在发现数据中的隐藏结构和模式，可用于降维、聚类和异常检测。在陆地生态学中，可处理复杂高维数据集，整合不同类型生态数据。
3.1.1 降维
主成分分析（PCA）、t 分布随机邻域嵌入（t - SNE）和自动编码器等算法可降低数据集维度，保留关键信息，有助于可视化高维数据和识别潜在结构。
3.1.2 聚类
K 均值聚类、层次聚类、密度聚类（如 DBSCAN）和无监督随机森林等算法基于相似性对数据点进行分组，可识别数据集中的自然簇，用于物种划分等任务。
3.1.3 异常检测
隔离森林和一类 SVM 等算法可检测数据中的异常值，有助于发现生态数据中的异常现象或数据收集错误。
3.2 监督学习算法
监督学习基于标记数据训练算法进行预测，通过调整参数最小化损失函数，使用准确率、精确率、召回率和 F1 分数等指标评估模型性能。
3.2.1 集成模型（装袋、提升、堆叠）
集成模型结合多个基础学习器提高预测性能，如随机森林（RF）和额外树（ExT）等装袋方法，以及梯度提升机（GBM）、极端梯度提升（XGB）等提升方法，在陆地生态建模中应用广泛。
3.2.2 支持向量机
SVM 通过寻找最优超平面进行二元分类，可扩展到多分类和回归任务，能处理非线性关系，在早期生态图像分类中应用普遍。
3.2.3 神经网络
神经网络受人类大脑结构启发，通过多层神经元计算处理数据。深度神经网络（DNN）包括 CNN 和循环神经网络（RNN），分别用于图像识别和序列数据处理，在生态研究中应用广泛且具有通用性。
3.3 半监督学习算法
半监督学习结合标记和未标记数据训练算法，旨在提高模型性能，适用于标记数据稀缺的情况。
3.3.1 自训练和协同训练
自训练算法用少量标记数据训练初始模型，再用其标记未标记数据进行迭代训练；协同训练则训练两个分类器相互帮助标记未标记数据，提高模型准确性。
3.3.2 生成模型
变分自编码器（VAE）和生成对抗网络（GAN）等生成模型在半监督学习中常用，分别通过生成数据和对抗训练改进模型性能。
3.3.3 基于图的方法
标签传播和图卷积网络（GCN）等基于图的方法利用数据结构进行分类，在处理具有复杂关系的数据时很有用。
3.3.4 一致性正则化
一致性正则化确保模型在数据增强或噪声下预测稳定，如 MixMatch 和 FixMatch 等方法通过强制模型在数据变化时保持一致预测，提高泛化能力。
3.4 深度学习
DL 通过构建深度架构解决复杂函数表示问题，与传统 ML 有区别。其模型复杂度高，能学习复杂模式，但也面临参数优化等困难。在生态学中，DL 用于物种识别和环境监测等任务，可处理多种类型数据，但对输入数据偏差敏感。
3.5 强化学习算法
RL 源于心理学理论，通过与环境交互学习最优行为，平衡探索和利用。在生态环境中，RL 可模拟生物适应环境的过程，用于优化生态系统管理策略。
4. 陆地生态学中的应用
4.1 生态动力学和建模
集成模型（如 RF 和提升算法）常用于物种分布建模和预测生态网络中的相互作用，帮助理解生态系统动态。DL 算法有助于研究群落结构和生态系统功能。
4.2 生态系统管理和保护
AI 技术在生态系统管理和保护中应用广泛，可识别关键栖息地、评估入侵物种风险等。RL 特别适用于自适应管理实践，如优化森林管理策略和野生动物保护巡逻路线。
4.3 识别和分类
ML 算法可用于土地覆盖分类和物种识别，DL 算法（如 CNN）在图像和音频分析中表现出色，但可能需要大量数据。无监督学习算法也可用于物种划分和异常检测。
4.4 特征和行为识别
DL 技术可提取生态数据中的复杂特征和行为，如分析动物运动模式、植物物候变化和动物发声，有助于研究生态过程和行为。
5. 阻碍 AI 在生态学中广泛应用的挑战
5.1 数据可用性和质量
生态数据集往往存在异质性、规模和范围有限、质量问题（如缺失值、测量误差和偏差）等，影响 AI 模型的训练和预测准确性。
5.2 算法复杂性和可解释性
AI 算法（尤其是 DNN）复杂，决策过程难以理解，特征学习和优化过程增加了解释难度。RL 的奖励函数设计和性能评估也存在挑战，影响模型的可解释性、可重复性和可信度。
5.3 计算资源和环境影响
训练和使用复杂 ML 模型需要大量计算资源，限制了其应用。同时，计算资源需求带来能源消耗和环境问题，需要采取节能算法和可持续实践。
5.4 模型泛化
模型泛化受训练数据偏差、过拟合和生态系统差异等因素影响，导致模型在新数据或不同生态环境中表现不佳。
6. 推进 AI 在生态学中的集成
6.1 优化数据收集和协作
重新思考数据收集方法，利用 AI 辅助可降低成本、加速数据获取。促进生态领域的数据协作和共享，建立标准化数据集和平台，有助于提高数据质量和模型训练效果。
6.2 迁移学习和数据增强
迁移学习通过微调预训练模型提高小数据集上的模型性能，数据增强则通过变换现有数据增加数据集多样性，两者都有助于解决小样本问题。
6.3 可解释 AI 和伦理
可解释 AI（XAI）通过特征重要性分析等方法提高模型透明度和可信度，结合伦理考虑（如减轻偏差、保障公平和隐私）确保 AI 在生态研究中的合理应用。
6.4 因果推断
ML 模型可能无法捕捉真正的因果关系，可通过特征选择、结合物理或生物定律（如物理信息神经网络，PINNs）等方法改进，符号回归等技术也有助于发现生态关系。
6.5 生成式 AI
生成式 AI 可生成合成数据，但存在质量、偏差和伦理问题，在生态应用中需谨慎使用，同时要考虑其对环境的影响。
7. 结论
AI 和通用 ML 在陆地生态学中前景广阔，可推动实时监测和预测，助力生态保护和恢复。但面临诸多挑战，需要持续创新 AI 方法，加强跨学科合作，确保技术有效、可持续且公平地支持生态系统保护。
