编辑推荐：
本文聚焦深度度量学习在生态系统监测中的应用。深度学习虽推动了生态监测发展，但也带来挑战。深度度量学习（DML）可应对少样本、未知类识别等问题，在生物分类、野生动物监测等多领域展现潜力，不过仍面临挑战，跨学科协作很关键。
1. 引言
持续长期的监测对于理解环境变化意义重大，它能提前预警生物多样性丧失以及不利的环境改变。借助图像和视频进行的非接触、非破坏性监测，已成为生态系统监测的主要手段之一。随着深度学习的发展，基于计算机视觉的生态系统监测取得显著进展。但与此同时，生态系统监测也面临诸多难题，比如难以准备大规模带标记数据集，观测数据特征可能属于未训练的分类类别。
深度度量学习（Deep Metric Learning，DML）融合了深度学习与度量学习，它致力于缩小同类样本间的距离，同时加大不同类样本间的距离。这种技术为少样本（Few-shot Learning）和零样本学习（Zero-shot Learning）提供了解决方案，已在人脸识别、异常检测等领域广泛应用，近年来也逐渐涉足自然科学领域，如遥感、农业、野生动物识别等。本文将深入探讨深度度量学习在生态系统监测领域的应用实例，挖掘其潜在价值。
2. 深度度量学习在生态野外观测数据中的潜在应用
在生态系统监测的地面调查中，计算机视觉技术得到了广泛应用。随着观测设备的不断进步，大量的野外数据得以获取。然而，有限的训练数据以及各类别数据量的极端不平衡，给数据的处理、分析、分类和聚类带来了巨大挑战。虽然深度度量学习在遥感领域已提供了诸多有效解决方案，但在地面生态系统监测中的应用尚处于起步阶段。
生物表型作为遗传和环境因素复杂相互作用的结果，对于理解生物的生态功能以及它们对环境条件的响应至关重要。生物表型往往呈现出地理多样性和不平衡性，对其进行定量解释有助于揭示进化动态。此前，深度学习系统在分类时常常忽略类间和类内的定量比较，如相似性。BioEncoder 工具集的出现改变了这一局面，它能够从基于深度学习的生物图像分析中获取具有生物学意义的定量信息。
深度学习的兴起推动了基于计算机视觉的野生动物监测系统的发展。一系列高效、强大的目标定位和检测算法不断涌现，这些算法能够提取野生动物更详细的形态特征，并克服拍摄时环境条件（如亮度、背景复杂性和相似性）的影响。不过，图像式野生动物监测仍面临不少挑战，包括数据集因动物出现频率导致的不平衡、图像视觉异质性（如动物大小、颜色、姿态和拍摄方向的变化）的影响，以及采集图像的区域和物种特异性导致的数据偏差。深度度量学习，如少样本学习，有望为解决这些不平衡数据集的问题提供有效途径。同时，其在未知类别的应用也备受关注。例如，有研究利用图像相似性网络和基于卷积神经网络（Convolutional Neural Networks，CNNs）的度量学习，通过长颈鹿体表图案对个体进行重新识别，即便训练数据集中每个个体的图像数量有限，CNNs 重新识别的准确率仍能达到约 90%。在生态系统监测中，对野生动物行为识别的数据分析方法需求日益增长，而深度度量学习在人类行为识别中的成功应用，为野生动物行为识别提供了借鉴，尽管野生动物行为数据在数量和多样性上远不如人类数据平衡，但观测设备和方法的进步以及少样本、零样本学习等新技术的发展，有望突破这一障碍。
在植物病虫害识别领域，一种零样本深度度量学习方法被提出，该方法仅需少量样本（甚至一个样本）就能识别植物叶片上的病虫害。它采用通用判别特征学习（General Discriminative Feature Learning）作为深度特征提取器，并使用基于代理的损失函数，能够有效捕捉嵌入空间的整体结构，且收敛速度快。这种方法在稀有物种调查中具有重要意义，若将其应用于野生植物和动物的稀有物种调查，将为生物多样性的维护和保护提供关键信息。在农业环境中，深度学习系统在植物病害检测方面已取得显著成果，如在田间环境的应用以及利用高光谱和多光谱图像进行早期检测等。环境变化对植物健康影响巨大，植物病害早期检测对于维持生态系统平衡至关重要。若能将农业环境研究的成果拓展到植被和森林层面，借助航空和卫星图像，或许能够获取当前方法所忽略的生态信息。遥感技术在监测土地利用和植被变化方面发挥着重要作用，但也面临数据处理分析复杂、数据量时空不平衡等挑战。融入深度度量学习的方法有望实现更稳定、准确的全球监测，同时，开发能够处理未来未知类别的框架也迫在眉睫。
生物分类通常需要丰富的经验以及经过专门训练的知识和技能，这使得准确、客观的知识和技能难以传承。深度学习系统在生物分类（如物种识别）方面具有重要作用，它有助于统一因研究人员主观偏差导致的物种分类混乱局面，还能促进分类工作的高效开展。不过，基于图像的物种识别面临着模型准确率依赖数据集大小、存在未知类别以及标记数据有限等问题。深度度量学习开始在生物分类学中崭露头角，例如，有研究首次将其应用于浮游有孔虫壳的显微图像分类，结果表明，度量学习能够利用度量空间嵌入能力识别未知类别的物种标本。
3. 未来展望
深度度量学习在学习数据间的距离和相似性方面表现卓越，是提取生态系统中复杂数据相似性和变化的有力工具。在过去的生态系统监测中，部分数据，尤其是地面数据，时空异质性强，处理难度大。但对于气候变化等需要长期数据验证的主题而言，将异质性数据与最新的大规模数据相结合，可能会催生新的假设。利用深度度量学习开发监测生物多样性和种群动态的方法，有助于应对生态系统监测中的挑战，为生物多样性研究和保护开辟新途径。然而，深度度量学习在未来仍面临数据依赖、模型过拟合以及可解释性等挑战。跨学科研究人员的协作对于充分发挥深度度量学习的潜力、保护生态系统、减轻人类活动和气候变化的影响至关重要。
