机器学习与人工分类方法在景观特征评估中的比较研究：以Bannau Brycheiniog国家公园为例

推荐：本研究针对传统景观特征评估(LCA)方法存在的主观性强、可扩展性差等问题，采用One-pass Multi-view Clustering (OPMC)、Self-Organising Feature Map (SOFM)和Swin Transformer Segmentation Clustering (STSC)三种自动化分类方法，对英国Bannau Brycheiniog国家公园进行景观特征类型(LCTs)划分。结果表明STSC模型与专家人工分类(EBMC)吻合度最高，地质、历史景观和土壤类型是关键影响因素，为景观监测与管理提供了客观、高效的解决方案。

　　

随着全球气候变化和人类活动加剧，景观特征评估(Landscape Character Assessment, LCA)在资源规划和环境管理中的重要性日益凸显。传统LCA依赖专家人工分类(Expert-based Manual Classification, EBMC)，虽能有效识别局部尺度景观特征，但存在耗时费力、主观性强、难以大规模推广等瓶颈。尤其在面对生物多样性丧失、粮食安全危机等全球性挑战时，如何建立客观、可重复的景观分类体系成为生态学和地理学领域的关键科学问题。

北京林业大学园林学院的研究团队在《Ecological Modelling》发表最新研究，以英国威尔士Bannau Brycheiniog国家公园为案例区，创新性地对比了三种自动化分类方法与传统EBMC的优劣。研究采用One-pass Multi-view Clustering (OPMC)、Self-Organising Feature Map (SOFM)和半监督深度学习方法Swin Transformer Segmentation Clustering (STSC)，通过SHapley Additive exPlanations (SHAP)可解释性分析和像素级精度验证，首次系统评估了机器学习在景观特征分类中的应用潜力。

关键技术方法包括：(1)收集海拔、地质、土壤等7类60个景观特征元素(LCEs)数据；(2)应用OPMC、SOFM和STSC模型进行无监督聚类；(3)采用轮廓系数(SC)和Davies-Bouldin (DB)指数确定最佳聚类数；(4)通过SHAP分析量化各LCE贡献度；(5)以EBMC为基准进行精度评估，计算准确率(ACC)、归一化互信息(NMI)等6项指标。

研究结果揭示：

1. 聚类验证：OPMC在k=20时取得最优聚类效果(SC=0.4410，DB=1.0712)，显著优于SOFM(k=16)和STSC(k=20)。

2. 景观特征制图：STSC生成的LCTs与EBMC空间一致性最高，特别是在Fan Brycheiniog山脊等典型地貌识别中表现优异，其LCT20与专家分类的"Wooded Hills & Slopes"类型匹配度达4.75%。

3. 要素贡献解析：地质(SHAP=0.68)、历史景观(0.71)和土壤类型(0.65)是三大关键要素，而栖息地和地形贡献较弱，这一发现在所有模型中具有稳健性。

4. 精度评估：STSC综合表现最佳，ACC达0.845，NMI为0.974，显著优于OPMC(PR=0.892)和SOFM(RE=0.803)。

讨论部分指出，该研究首次证实深度学习方法STSC能够有效捕捉景观形成的生物物理模板，其生成的LCTs不仅具有环境一致性，还能识别专家认可的景观单元。相较于传统方法，自动化分类将景观评估效率提升数十倍，且避免了人为偏差，为区域尺度生态监测提供了新范式。值得注意的是，研究也发现自动化方法在结果可解释性方面存在局限，未来需开发混合智能系统以兼顾科学严谨性与决策实用性。

这项研究的意义在于：(1)建立了首个可迁移的景观自动化分类框架，支持《欧洲景观公约》倡导的标准化评估；(2)开发的STSC模型可适配Copernicus等全球对地观测数据，助力跨境生态保护；(3)SHAP解释技术为理解景观形成机制提供了量化工具。研究成果已开源共享，将为全球国家公园和生物圈保护区的可持续管理提供重要技术支撑。