基于遥感与机器学习的牧场植被分类新方法：邻域增强训练数据提升随机森林模型性能

针对牧场生态系统木本植物入侵(WPE)监测中高质量训练数据稀缺的问题，研究人员创新性地结合实地调查与视觉解译数据，开发了邻域增强训练方法。通过随机森林(RF)模型比较四种数据策略，发现邻域增强方法测试集总体准确率达75.66%，显著提升落叶木本植物（如蜜豆树N. glandulosa）识别能力，为牧场早期WPE监测提供了可扩展的技术方案。

　　

全球牧场生态系统正面临木本植物入侵(WPE)的严峻挑战，这种现象导致草本优势景观向木本植被转变，直接影响牧草资源、野生动物栖息地和碳汇功能。在美国德克萨斯州爱德华兹高原，原生蜜豆树(Neltuma glandulosa，原Prosopis glandulosa)作为"本土入侵者"已导致约2200万公顷牧场贬值。传统监测方法受限于高昂的野外调查成本，而现有遥感技术虽能大范围观测，却因训练数据质量不足难以实现早期精准识别。

针对这一难题，德州农工大学(Texas A&M University)牧场、野生动物和渔业管理系的研究团队创新性地将机器学习与遥感技术相结合。研究人员在马丁牧场(1553公顷)开展实验，通过比较四种训练数据策略：全视觉解译(14,944点)、视觉解译子集(567点)、实地采集(567点)及邻域增强实地数据(2,021点)，系统评估了随机森林(Random Forest, RF)模型在复杂牧场景观中的分类性能。研究结果发表于《Ecological Indicators》，为牧场WPE监测提供了数据优化新范式。

关键技术方法包括：采用Trimble Geo7x GNSS采集厘米级精度样点，基于行星镜(PlanetScope)3米分辨率影像提取47个光谱/纹理特征，结合1米分辨率激光雷达(LiDAR)数字高程模型(DEM)和POLARIS土壤数据库；通过序列后向选择(SBS)筛选22个关键特征；构建RF模型时设置600棵树(ntree)并优化mtry参数，采用20折交叉验证评估。