《Agronomy》：Integrating Species Distribution Modelling and Spring Low-Temperature Exposure to Assess Climatic Suitability for Actinidia arguta in Europe
编辑推荐：
牧场退化评估对可持续草地管理具有重要意义；传统野外调查可能劳动密集，遥感方法可能需要专用传感平台或额外环境数据。本研究提出EcoPastureNet，一种田间引导的深度学习框架，用于基于地面RGB图像的四级牧场退化分类。该框架以DINOv3-L/16作为视觉骨
牧场退化评估对可持续草地管理具有重要意义；传统野外调查可能劳动密集，遥感方法可能需要专用传感平台或额外环境数据。本研究提出EcoPastureNet，一种田间引导的深度学习框架，用于基于地面RGB图像的四级牧场退化分类。该框架以DINOv3-L/16作为视觉骨干，并将总植被覆盖度、牧场生产力、草地类型、土壤类型和盐度作为仅在训练阶段可用的特权生态信息纳入。生态知识通过辅助预测任务和表征级对齐进行迁移，而推理仅需RGB图像。模型在哈萨克斯坦南部和东南部四个地区14个行政区/领土的419个牧场采样点上，采用严格的行政区级地理划分进行评估。在仅图像基线中，DINOv3-L/16的Macro-F1为0.6575。完整EcoPastureNet将Macro-F1提高至0.7378，平衡准确率提高至0.7214，并达到二次加权kappa 0.8633。类别特异最大提升出现在轻度退化，F1-score由0.3333增至0.6250。这些结果表明，田间来源的生态监督可改善基于图像的牧场退化分类，同时保持仅RGB推理。
依据摘要与主体内容，该文围绕牧场/草地退化（pasture degradation）的四级分类展开。牧场生态系统提供牲畜生产、生物多样性保护、土壤保护、碳储存和侵蚀控制等服务，放牧强度、气候和局部环境决定其生态效应；管理不善会降低初级生产力和碳固持。干旱半干旱牧场退化表现为植被组成和结构改变、饲草生产力下降、土壤暴露增加和生态状况恶化。中亚广泛天然草地承受土地利用变化、放牧、盐渍化、侵蚀和荒漠化压力；哈萨克斯坦传统评估依赖植物组成和生产力，近年多指标方法结合覆盖度、株高、生物量、物种多样性、土壤状况等，但野外观测劳动密集、耗时、难重复且生物量采样有破坏性。遥感可大范围重复观测，但常依赖卫星/无人机、多光谱/高光谱、多环境输入和额外处理管线；地面RGB（红绿蓝）图像更易获取，但直接从单张地面RGB图像进行四级退化分类仍不足，尤其相邻等级视觉相似。DINOv3等自监督视觉表示提供基础，但大规模预训练本身不显式纳入田间生态测量；LUPI（Learning Using Privileged Information，学习使用特权信息）和知识蒸馏表明训练期额外信息可提升最终不使用该信息的模型。基于三点方法学空白，研究人员开发并评估EcoPastureNet，以DINOv3-L/16为视觉骨干，在训练期利用田间生态信息，推理仅用RGB图像，意义在于降低部署数据需求并利用丰富野外监督。
关键技术方法（不超过250字）：研究人员以DINOv3-L/16为视觉骨干，从RGB图像提取1024维特征；训练期构建生态教师分支，将总植被覆盖度（overall vegetation cover, OVC）、牧场生产力、草地类型、土壤类型和盐度编码为128维生态表征，并通过辅助OVC/生产力回归头及视觉—生态表征余弦对齐传递知识；推理仅保留RGB编码与四级分类头。数据为哈萨克斯坦南部和东南部4地区14行政区419个采样点，按行政区划分为训练299、验证60、测试60，另设CORAL式累积序数目标、标签对齐对照、3个随机种子和4个行政区组地理留出评估，并与ResNet50、EfficientNet-B0、ViT-B/16、ViT-L/16 SWAG和DINOv3-L/16基线比较。
研究结果如下。
3.1 仅图像基线模型性能（Performance of Image-Only Baseline Models）：在行政区级地理划分测试集上比较ResNet50、EfficientNet-B0、ViT-B/16、ViT-L/16 SWAG和DINOv3-L/16。DINOv3-L/16最强，准确率0.6667、平衡准确率0.6568、Macro-F1（宏平均F1值）0.6575、QWK（quadratic weighted kappa，二次加权kappa）0.8501；类别F1为无退化0.7273、轻度0.3333、中度0.7273、重度0.8421。CORAL序数目标未改善，Macro-F1 0.5604、平衡准确率0.5805、QWK 0.8452。
3.2 EcoPastureNet消融研究：四配置A—D均用DINOv3-L/16骨干；辅助任务将Macro-F1提至0.6865，表征对齐提至0.6895，完整模型最高，准确率0.7333、平衡准确率0.7214、Macro-F1 0.7378、QWK 0.8633；辅助任务QWK最高0.8652。完整模型验证峰值Macro-F1 0.6938。三随机种子均值：基线0.6621±0.0097、辅助0.6740±0.0110、对齐0.6931±0.0087、完整0.7298±0.0234，完整模型配对增益均值+0.0677±0.0330。生态教师单独测试Macro-F1 0.3508；完整模型OVC预测MAE 5.26个百分点、RMSE 7.43个百分点、R
2 0.113；生产力MAE 119.32 kg ha
?1、RMSE 151.71 kg ha
?1、R
2 0.648。标签对齐对照Macro-F1 0.5784，低于完整模型；生态损失权重0.5×、默认、2×的Macro-F1分别为0.7227、0.7378、0.7195。
3.3 类别级性能分析：完整EcoPastureNet使无退化F1由0.7273升至0.7755，轻度退化由0.3333升至0.6250，中度维持0.7273，重度由0.8421略降至0.8235；轻度退化改善最大，表明生态监督有助于区分视觉相似的早期退化。
3.4 混淆矩阵与序数误差分析：基线正确分类40/60（准确率0.6667），完整模型44/60（0.7333）。完整模型16个错分中15个为相邻等级，仅1个中度被判为无退化，无“无退化—重度”直接混淆，符合退化序数结构并与QWK 0.8633一致。
3.5 训练随机性与地理留出选择稳健性：固定划分三随机种子下，基线均值0.6621±0.0097，完整模型0.7298±0.0234，三个种子配对增益+0.0803、+0.0302、+0.0925，均值+0.0677±0.0330。四个行政区组地理留出中，基线均值0.6489±0.0161，完整模型0.7343±0.0039，配对增益均值+0.0854±0.0184，四留出均优于基线。
3.6 定性预测分析：错误主要发生在相邻退化等级过渡处；不同专家等级可呈现相似盖度、植被密度和地表外观，尤其无退化与轻度退化边界；示例中完整模型纠正了基线对无退化、轻度和中度样本的误判，重度样本两模型均正确。
讨论部分总结：地面RGB图像可支持四级退化分类，但视觉表示质量关键；CORAL序数目标未改善；主要发现是田间生态信息即使推理不可用，仍可通过辅助预测和表征对齐改善视觉表示，二者互补。生态教师单独分类弱，其作用更像训练期生态表征；辅助目标可预测性异质，生产力较OVC更可从单张RGB图像恢复；仅标签对齐不能复现增益；三随机种子中生态对齐较稳定，完整模型每个种子均最优；损失权重缩放影响温和。轻度退化最难，因早期仍可能保持较高覆盖度和外观完整，但生产力、组成、土壤或盐度已变化；完整模型提高轻度F1，但类别权衡非均匀：轻度召回由0.2667升至0.6667，重度召回由0.8000降至0.7000、重度精确率由0.8889升至1.0000，中度召回维持0.7273。与既往地面RGB研究相比，本研究从植被属性估计推进到四级退化分类；与卫星/无人机/多光谱/高光谱方法相比，本研究面向普通地面RGB局部评估，因模态、尺度、退化定义和实验协议不同，不宜直接数值比较。实践上，模型可作快速筛查和调查优先级工具，而非替代综合生态评估；管理应依退化程度采取维持放牧压力与轮牧监测、轻度早期减牧和轮牧、中度休牧和侵蚀控制、重度长期禁牧和修复。局限包括419样本、14行政区、4地区及2026年6—7月季节条件，外部推广需跨区域、季节、牧场类型和成像设备验证；未来可扩展数据集、轻量移动模型及与遥感整合。
研究结论（翻译）：本研究提出EcoPastureNet，一种田间引导的深度学习框架，用于基于地面RGB照片对牧场退化进行分类。该方法将DINOv3-L/16视觉骨干与来自田间测量的特权生态监督相结合，包括总植被覆盖度、牧场生产力、草地类型、土壤类型和盐度。生态信息仅通过辅助生态预测和表征级对齐在训练期间纳入，而推理保持完全基于图像。在行政区级地理划分下的实验评估显示，完整EcoPastureNet在主要评价指标上优于最强的仅图像基线，将Macro-F1从0.6575提高到0.7378，平衡准确率从0.6568提高到0.7214，同时达到QWK 0.8633。类别特异最大改善出现在轻度退化，F1-score从0.3333增至0.6250，表明对视觉相似的相邻退化状态的区分改善。在三个训练随机种子和四个行政区组地理留出中，完整模型保持相对匹配DINOv3-L/16基线的优势。额外对照进一步表明，该增益不能由仅标签对齐复现，且仅受生态损失权重0.5×或2×缩放的适度影响。因此，EcoPastureNet为快速牧场筛查提供了实用的仅RGB推理框架，但仍需跨区域、季节、牧场类型和成像设备的更广泛外部验证。
