综述：人工智能技术在北美林业中的应用

《Journal of Forestry》：AI Technology Use in North American Forestry

　　**摘要**
人工智能的概念在社会科学和科学领域已经讨论了很长时间，但直到最近，这些方法在林业中的应用主要集中在启发式搜索和模拟上，用于制定管理计划，以及使用分类方法来描述资源状况和类别。然而，在过去的20年里，林业文献中提出了一些进展，表明可以使用复杂的算法和数据处理技术更深入地研究高度复杂的资源管理问题。本综述通过对同行评审文献的文献检索，总结了六个在森林资源管理方面取得进展的主要领域。分析中包括了使用自然语言处理来识别文献中的趋势，以及开发了一个与出版作品生命周期内的引用频率相关的“生命周期识别指数”（λ）。提供了一些简短的、显著的例子来说明这些工作的复杂性。尽管围绕人工智能的最新热潮吸引了社会和行业的关注，但在将其无缝且顺畅地应用于当代森林管理问题方面仍存在重大挑战。这些挑战集中在及时高效地估计森林组成、识别森林健康问题和森林干扰、整合来自非传统传感器的大量数据，以及森林管理和运营管理上。

**引言**
广义上讲，人工智能（AI）是指可以用来解决通常需要人类智能才能完成的任务的计算机应用程序。无论是涉及机器人技术还是仅仅使用计算机代码，AI的目的是模仿人类如何处理重要的决策任务。通常，AI可以用作一个总称，用来指代那些利用规则、技术和工具来解决问题的计算机系统。代表AI解决问题方法的三种算法组（用于产生所需结果的指令集）分别是启发式算法（计算机用来完成任务规则）、机器学习（ML，例如用于分类或聚类数据以识别模式的操作）和深度学习（由神经网络组成）。神经网络是一种由链接、节点和处理层组成的数据结构，常用于数据挖掘目的。这些系统被认为是“深度的”，因为它们使用了多个处理层。在林业中，AI可以包括使用启发式搜索过程来制定森林计划（Hokans 1984；Bettinger等人2024），或者使用ML模型来建立数据之间的关系，从而比传统的数学建模技术更准确、更精确地估计森林状况。当然，最近流行的AI大型语言模型（LLM），如ChatGPT，在协助林业组织的业务和沟通实践方面也显示出了巨大的潜力。

目前对于利用AI解决森林管理问题的乐观态度似乎与Rothery（1935年）曾经提到的利用航空摄影测量技术解决森林管理问题的乐观态度相似（明智地利用森林取决于准确且易于获取的信息）。尽管这在今天看来很新颖，但AI实际上起源于20世纪50年代，并且传统上被认为是计算机科学的一个子领域。计算系统的进步促进了AI在整个社会中的兴趣和采用（Holzinger等人2022）。此外，媒体组织和技术公司的兴趣，加上不断增长的数据量，推动了我们对生成式AI（创建内容或在数据中识别模式的方法）及其所能提供的帮助的兴奋（Natale等人2025）。AI可能为森林管理者提供提高分析效率的机会，减少耗时的实地测量需求，甚至通过自动化或远程感知某些高风险任务的方面来促进工作场所的安全。这些进步最终可能导致更好的管理实践和更高的经济效益。

**方法**
2024年9月，我们对Web of Science核心集合（Clarivate 2025）进行了系统的文献检索。我们使用了一些与AI相关的术语，并经常结合布尔运算符（AND）来减少查询的模糊性（表1）。Web of Science核心集合包含了来自34,000多种期刊的内容，虽然查询不同的文献数据库可能会得到不同的结果（Bettinger等人2021），但Web of Science核心集合被认为是进行科学文献文献检索的可靠信息来源。出版论文的日期被限制在1990年至2024年之间。随后从Web of Science接收到的论文集中移除了非同行评审的论文（即会议论文和书籍章节）和其他评审论文。此外，不属于林业领域的论文也没有被纳入综述。在初步筛选之后，审查了每篇论文的摘要，以确定其是否符合本综述的目标。由于“机器学习”已成为大多数预测算法（包括线性回归）的总称，因此从Web of Science接收到的论文集中移除了仅专注于回归分析的论文，因为这类文献的数量会非常多，并且在许多方面缺乏独特的进展。

对于每篇论文，记录了一些属性，包括期刊标题、出版年份、关键词、第一作者的所在地、被Web of Science核心集合引用的次数，以及其他与工作相关的信息（卷号、期号、页码、文章编号、DOI）。创建了一个“生命周期识别指数”（λ），以表示其他已发表论文的引用情况，这可能反映了该工作的科学影响力和覆盖范围。该指数表示论文在其出版生命周期内被引用的平均次数：
$$\uplambda =\left(\frac{被引用的次数}{可用年份}\right)$$ （1）
可用年份是通过从2025年中减去论文的出版年份来确定的。尽管数据是在2024年年中收集的，但我们仍将2024年视为一整年。我们承认这个指数并不完美，因为出版过程存在特殊性。例如，有些论文可能是在日历年的开始发布的，而有些则是在日历年的后期发布的。而且，较新的论文可能还没有从科学界获得长期的关注。我们还承认，由于开放获取文章的广泛可用性，这个指数可能会受到偏见的影响，这些文章可能被更频繁地引用。然而，该指数确实提供了论文所获得的相对认可程度的指示，而后者的问题（曝光度）可能并不重要，因为在按λ排名的前27篇论文中，有18篇是在过去五年内发布的。

通过对摘要、标题、关键词、作者隶属关系和出版日期进行自然语言处理分析，评估了文献中的趋势。这项分析还关注了作者的国籍，以及每篇论文中出现的显著概念。使用开源模块Natural Language Toolkit（https://www.nltk.org）在Python编程环境中进行了这项分析，同时使用了开源库Pandas（https://pandas.pydata.org/）和Matplotlib（https://matplotlib.org）。分析需要几个数据准备和处理步骤，包括分词以分析单个单词或句子，识别要从分析中移除的停用词，以及识别单词频率。通过频率和发布时间（年份）报告了关键词使用的趋势，考虑到出版过程可能会根据每本期刊的出版流程和编辑速度而将进展误报一到两年。

论文数据集及其相关元数据和完整摘要直接从Web of Science加载到电子表格中进行处理。删除了数据缺失严重的条目，并通过将摘要分词成单词列表并从分析中移除停用词来预处理摘要。数据清洗完成后，相关信息被提取到单独的列中（例如，通过创建第一作者所在地国家名称的不同拼写之间的映射来计算作者的国籍）。例如，将“U.S.A.”、“U.S.”和“United States”标准化为“United States”。这种映射不断改进，直到所有具有有效地址的论文都被解决。最终，从Web of Science主列表中提取的数据被加载到Pandas DataFrame中，使用Matplotlib进行可视化处理，以了解过去30年间超过1000篇科学论文的语料库中的趋势概览。

**最近在林业人工智能发展方面的进展**

与Web of Science核心集合中查询到的作品集相关的一个最能说明问题的指标是，根据所选关键词，共识别出超过20,000篇已发表的作品。在移除了非同行评审的手稿以及与林业无关的作品和所有评审手稿后，最终确定了1,082篇（经过同行评审的论文）作为本综述的依据。为了深入了解本综述中人工智能的应用情况，我们重点关注了北美的林业应用；然而，趋势分析包括了所有找到的文献，不论其来源国家。通过对这些文献使用自然语言工具包进行分析，我们发现大多数与林业中人工智能相关的研究活动发生在中国，其次是美国和加拿大（图1）。从2015年开始，关于林业中人工智能应用的发表作品数量显著增加，当时每年不到50篇，到2023年几乎达到了每年250篇（图2）。需要注意的是，2024年的发表数量并不一定有所下降，但图表中的数据仅代表了一年中的部分时间。虽然专注于林业中启发式搜索算法的发表作品在2006年达到峰值，但在2023年这些作品的频率再次上升。然而，大约在2015年，专注于机器学习方法的发表作品数量超过了前者。引用机器学习的摘要数量在2020年至2024年间增加了两倍以上，包括人工智能、深度学习和启发式方法（图3）。使用各种形式的机器学习方法，大量描述了在林业中应用人工智能的出版物涉及遥感数据，特别是LiDAR数据以及Landsat和Sentinel项目捕获的数据库。同样，使用这些遥感技术的研究在2020年之前显著增加（图4）。随机森林和神经网络算法是林业研究中常用的机器学习方法（图5）；仅在2023年，就有大约60到70篇出版物描述了这些技术。相比之下，支持向量机（SVM）在2023年大约出现在30篇摘要中，而聚类分析出现在大约10篇摘要中。生成的词云（图6）进一步表明，林业领域主要将人工智能用于建模、数据处理、分类和图像分析。

**图1**：通过查询Web of Science核心集合并根据所有作者的来源国家确定的专注于林业中人工智能的出版物百分比
**图2**：通过查询Web of Science核心集合确定的每年专注于林业中人工智能的出版物数量。注意：出版物数量不一定急剧下降。该图表反映的审查仅截至2024年9月；因此，2024年的数据不能代表整个2024年的情况。
**图3**：每年包含“人工智能”、“机器学习”、“深度学习”或“启发式”关键词的摘要数量。注意：出版物数量不一定急剧下降。该图表反映的审查仅截至2024年9月；因此，2024年的数据不能代表整个2024年的情况。
**图4**：每年包含“LiDAR”、“影像”或“无人机”关键词的摘要数量。注意：出版物数量不一定急剧下降。该图表反映的审查仅截至2024年9月；因此，2024年的数据不能代表整个2024年的情况。
**图5**：每年包含“神经网络”、“最近邻”、“支持向量机”、“随机森林”和“聚类”关键词的摘要数量。注意：出版物数量不一定急剧下降。该图表反映的审查仅截至2024年9月；因此，2024年的数据不能代表整个2024年的情况。
**图6**：通过查询Web of Science核心集合确定的专注于林业中人工智能的出版物摘要中出现的术语的词云

使用一个任意的λ指数最小值20（出版作品在其生命周期内每年被引用的次数），在1,082篇已发表的论文中，有27篇脱颖而出，而85篇论文的λ > 10。平均值（λ = 3.53）、中位数（λ = 1.67）和标准差（λ = 6.37）表明1,082篇已发表作品的λ指数呈右偏分布（图7）。在λ > 20的27篇论文中，排名第一的论文（λ = 121.27）发表在《Nature》上，第二篇（λ = 51.00）发表在《Forests》上。8篇λ > 20的论文发表在《Remote Sensing of Environment》上，3篇发表在《Remote Sensing》上，各有2篇发表在《Forests》、《Global Change Biology》和《IEEE Transactions on Geoscience and Remote Sensing》上。

**图7**：根据λ指数排名审查的所有出版物的分布

**林业中常用的建模方法**

推动人工智能发展的机器学习、启发式搜索和生成模型正在迅速成为满足林业和森林管理需求的核心。虽然难以统一定义，但机器学习方法通常被用作计算、分类、估计和预测模型的总称，这些模型在面对任务或问题时能够自我改进或学习。它们被描述为数学过程，跨越计算机科学和统计学领域，并通过经验来提高所研究系统的某些性能指标（Jordan和Mitchell 2015）。由于机器学习方法不假设输入变量之间存在任何现有关系，因此它们可能比传统模型能够发现更复杂的模式或数据关联。这些进步可能是人们对机器学习在森林管理问题中应用兴趣迅速扩大的原因。通常，机器学习方法的主要作用是减少或简化分析中使用的数据复杂性。例如，可以使用多种机器学习方法来确定哪些独立变量在描述因变量的变异性方面最具影响力（Fassnacht等人2014）。尽管功能强大，但机器学习方法通常需要结合领域知识才能更好地解决问题（Harmon等人2023）。

机器学习方法可以分为监督学习、无监督学习和半监督学习方法。监督学习方法是基于示例的学习过程，其结果用于对数据进行分类或分割（Guan和Gertner 1991）。支持向量机（SVM）是一种常用的监督学习方法，用于分类和回归目的。无监督学习方法通常指通过模式分析或数据的结构属性来推断关系的过程（Jordan和Mitchell 2015）。半监督机器学习发生在算法同时具有监督和无监督特征的情况下。

强化学习是机器学习的一个子集，涉及一个代理（或决策者）在数据环境中互动并积累反馈，以帮助优化决策问题（Holzinger等人2024）。训练数据用于指示某个动作（如分配或预测）是否正确，这些信息随后用于指导或奖励该过程（Jordan和Mitchell 2015）。机器学习的另一个子集是神经网络，它由链接和节点组成，将原始输入数据与多个处理（隐藏）层连接起来，从而产生输出。由于每个处理层都执行非线性分析，因此得出的关系可以传递给其他处理层，从而实现复杂问题的解决（LeCun等人2015）。例如，公开可用的文本信息来自国家农业影像计划（NAIP）的航拍照片和Landsat影像，结合森林清查和分析（FIA）的样地数据，在一个神经网络模型中用于帮助定位乔治亚州中部和南部地区的长叶松（Pinus palustris）再生活动（Hogland等人2019）。

从技术上讲，深度学习是机器学习方法的一个子集，指的是足够大或“深”的神经网络能够作为通用函数逼近器。深度学习通常涉及非常大的数据集，并且能够在没有人类帮助或指导的情况下观察数据中的模式（LeCun等人2015），试图复制人类大脑理解复杂信息集的能力。正如人类神经元在大脑中形成复杂的互连结构一样，深度学习通过（人工）神经网络在复杂的、互连的、分层的“深度”网络结构中进行。构成深度学习的技术对于大型语言模型至关重要，它们可以应用于图像分析、监督和無监督建模以及概率分类过程（Voulodimos等人2018；Holzinger等人2022）。一个深度学习应用使用了基于区域的神经网络，应用于高分辨率多光谱无人机（UAV）影像，以区分火炬松（Pinus contorta）和白云杉（Picea glauca）树木（Chadwick等人2022）。

进一步扩展这些概念，集成模型将两种或更多机器学习方法结合到一个分析框架中（Dasarathy和Sheela 1979），这认识到某些机器学习模型在结果数据偏差和分散方面可能存在局限性（Mienye和Sun 2022），因此整合建模过程可以提高结果的质量（Xie和Peng 2019）。集成模型通常可以分为装袋、提升或堆叠技术。装袋技术（例如随机森林）可能涉及使用决策树分析较大训练数据集的随机子集，根据平均值或多数分类来分配类别，理想情况下减少方差而不影响偏差。随机森林模型中的每个决策树（或模型）都从独立且分布相同的随机向量开始，结果要么是平均值（用于回归目的），要么是感知上最好的决策树（使用多数投票程序）（Breiman 2001；Ali等人2012）。我们文献搜索中λ指数最高的论文（Jung等人2010）描述了随机森林集成模型用于预测全球蒸散量的最早用途之一。在这里，从2,500棵最佳独立模型树中选择了25棵用于集成，平均值用于评估随时间变化的蒸散量。在林业和自然资源管理中，随机森林算法已被用于图像分析（Ke等人2010；Riddell等人2020）、森林指标估计（Fraser和Congalton 2021；Martin等人2022；Rocha等人2023）以及监测目的（Hudak等人2020；Huang等人2019）。

集成提升技术（例如梯度提升）涉及训练算法对数据进行分类，识别弱预测，并通过迭代过程重新训练模型以理想地减少偏差和方差。梯度提升方法已被开发用于图像分类目的（Tamiminia等人2022）。堆叠或混合技术涉及利用多种机器学习方法的结果来做出比单一机器学习方法更好的预测（Mienye和Sun 2022）。例如，一个集成模型包括神经网络、支持向量机、随机森林和广义线性模型，用于生成墨西哥针叶林和阔叶林的县级冠层覆盖率和冠层密度估计（Barreras等人2023）。

启发式搜索长期以来与人工智能相关联，因为几乎所有人工智能系统都使用它（Al-Ayyoub和Masoud 2000）。启发式搜索涉及逻辑和规则来解决复杂问题；一些启发式搜索过程可以在解决问题的过程中学习和适应（Bettinger等人2024）。除了在制定森林收获计划方面的潜在价值外，启发式搜索还被用于解决许多不同的时间受限、商业（Romanycia和Pelletier 1985）、社会（Romanycia和Pelletier 1985）和军事（Naval Research Laboratory 1986）决策问题。大多数数学优化求解器都采用某种启发式方法来提高效率和解决方案质量（例如Gurobi和Mosek）。

生成式人工智能模型可以从现有信息创建新的文本、图像、视频甚至计算机代码。大型语言模型（LLMs），如ChatGPT和Claude，是生成式AI的特定形式，它们在大量数据集（语料库）上进行训练，以学习语言中的模式。当给定一个提示时，它们会尝试预测与提示相关的正确单词或图像序列。尽管大型语言模型目前在处理遥感图像方面可能存在困难，但一个将领域知识和图像理解能力整合到大型语言模型中的有趣过程（Tree-GPT）表明，这些模型可能有助于从遥感图像中提取森林指标（Du等人，2023年）。尽管这些模型被广泛使用，但由于它们主要依赖文本作为训练数据，预计它们在显式空间分析方面仍会遇到挑战。人工智能的进步不仅限于林业领域，我们的综述仅强调了那些与森林系统科学相关的应用和渐进式进展。此外，人工智能进步对林业实践的贡献以及潜在的森林管理效率和效果提升可能仍难以立即显现。尽管如此，当代森林管理问题是在多个空间尺度上评估的，显然人工智能已被用于解决这些尺度上的问题。例如，在我们通过文献回顾获得的λ > 20的研究中，我们发现以下过程和调查受到了科学界的广泛关注：

在树木层面，机器学习方法（随机森林、支持向量机）已被用于结合航空LiDAR数据来估计单棵树的高度、直径、树种和体积（Dalponte等人，2008年；Yu等人，2011年）。其他机器学习方法（神经网络等）也被用于结合高光谱图像来分类树种（Nezami等人，2020年）以及结合地面LiDAR来估计直径（Chen等人，2020年）。在地块层面，机器学习方法（随机森林、支持向量机）已被用于结合航空LiDAR数据来估计基面积、单位面积内的树木数量和生物量（Hudak等人，2008年；Gleason和Im，2012年）。其他机器学习方法（提升回归树和神经网络）已被用于结合环境和物理数据来估计立地指数（Aertsen等人，2010年）。在林分层面，机器学习方法（随机森林、支持向量机、梯度提升）已被用于结合卫星图像来估计优势树种（Grabska等人，2020年）。还有一种机器学习方法（卷积神经网络）也被用于结合航空图像和LiDAR数据来达到类似目的（Cao和Zhang，2020年）。在更广泛的尺度上，机器学习方法（随机森林、提升方法）已被用于估计地上生物量和其他森林属性（Lou等人，2021年；Matasci等人，2018年）。全球蒸散量也是通过集成方法（随机森林、装袋法）来估计的（Jung等人，2010年；Pan等人，2020年）。这些方法得益于卫星图像和其他训练和验证数据。从我们对人工智能应用于林业和森林管理的文献回顾来看，最近的进步集中在改进估计森林状况和检测森林健康问题的方法、整合和自动化传感器收集的数据以及随后的大规模数据库管理、人工智能在森林作业和木材加工活动管理中的辅助作用，以及利用LLMs开发信息以支持行政和业务任务。下面提供了一些具体的例子，以说明人工智能在促进复杂现代森林管理问题分析方面的潜力。

**森林状况和森林健康问题的估计**

对于森林管理者来说，一个潜在的重要问题是能够估计燃料状况，因为燃料状况（连同气候因素）可以影响野火事件的严重程度和范围。例如，随机森林算法（Palaiologou等人，2020年；Zald和Dunn，2018年）和神经网络（Pickell等人，2021年）似乎在开发森林燃料数据库方面非常有效。在估计哪些森林区域最近被烧毁时，模糊聚类算法通过均值漂移分割过程，在使用监督式机器学习方法（支持向量机）自动化时被证明是有用的（Georgopoulos等人，2019年）。此外，聚类算法和最近邻搜索已被用于帮助识别火灾的位置和边界（Chen等人，2022年）。机器学习方法还被开发用于区分不同的采伐活动（即皆伐和部分清理）并估计林分年龄（Thomas等人，2021年；Kauffman和Prisley，2016年）。这些人工智能在森林管理者关注的问题上的应用显著提高了信息量和质量，从而有助于更合理的决策过程。无论这些信息提供了可以指导减少风险的管理活动的主动数据，还是提供了可以引导资源采取最有效控制措施的反应数据，人工智能带来的机会都可以加速通常需要人类几天或几个月（甚至更长时间）的决策过程，并使过程更加直接和精确。

除了最近开发的人工智能方法（深度学习算法）可以直接根据多种不同图像采集相机和摄影设备收集的图像识别昆虫外，随机森林和神经网络算法也被证明有助于评估更大范围的当前森林健康问题并识别未来的风险区域（Bhattarai等人，2023年）。决策树模型也被证明有助于分类森林健康问题（Riggins等人，2011年）。虽然人工智能在评估现有森林的健康问题方面似乎非常有用，但这些方法也可能适用于苗圃的种子和幼苗，以估计未来种植园的潜在健康问题。随机森林、神经网络和深度学习算法已被应用于评估种子和树苗的疾病状况（Borowik等人，2022年；Pandey等人，2021年）。机器视觉图像处理，作为计算机视觉的一个子集，也被用于在销售前对幼苗进行生理特征分类（McGuinness等人，2023年，2021年）。与火灾和管理问题类似，这些人工智能在重要森林健康问题上的应用可能显著提高森林管理者做出更及时和合理管理决策的能力。理想情况下，人工智能可以帮助支持及时的、主动的森林管理，以避免潜在的森林健康问题的重大影响和风险。然而，人工智能帮助森林管理者应对其他方法尚未发现的森林健康问题的能力对于保护重要自然资源的韧性和可持续性具有巨大价值。

**智能森林传感器、大数据和其他技术进步的整合**

非传统传感器，如智能手机（及其应用程序）、野生动物相机、GNSS接收器、土壤传感器和气候传感器，可以捕获关于森林状况和森林利用的重要且理论丰富的信息。放置在森林内部和周围的传感器可能能够及时向森林所有者和管理者提供有关潜在环境和社会风险的数据（Keefe等人，2019年）。连接到互联网的一组传感器或物理设备用于感知、分析和控制系统属于物联网（IoT）的范畴（Qays等人，2023年）。然而，利用这些数据源可能会产生包含复杂信息的大型数据集（大数据），这可能分析起来具有挑战性。人工智能算法在分析和处理来自手持设备、可穿戴设备、土壤传感器、植物传感器和空中传感器的大数据方面取得了一定程度的成功（Ehrlich-Sommer等人，2024年）。收集关于森林工人运动和生理信息的可穿戴设备，以及收集关于植物和更广泛环境的气候和化学信息的植物传感器和空中传感器，可以与人工智能技术结合使用，不仅用于监测森林工人的健康和安全，还可以用于监测森林威胁和树木健康（Li等人，2022年；Hinze等人，2022年）。例如，Chau等人（2023年）开发了一个人工智能系统来识别稳定性减弱的城市树木。

森林是复杂的环境，实时数据分析具有挑战性，借助智能传感器的数据，人工智能算法可能有助于开发有关采伐活动（Hoppen等人，2024年；Holzinger等人，2022年）、野火事件（Rubí等人，2022年）、道路通行条件（Ehrlich-Sommer等人，2024年）等需要实时监测的重要森林管理问题的可操作信息。位于森林环境中的连接传感器基础设施可以与遥感技术（例如无人驾驶飞行器）结合，以编译空间参考的气候和资源数据，用于监测条件和识别潜在威胁。利用人工智能算法，可以从这些网络收集的信息中估计森林扰动的概率（Bushnaq等人，2021年），这可以用于风险通知系统（Fadlullah和Kato，2021年）。我们在文献回顾中找到的λ指数值第二高的论文（51.00）描述了一种集成学习方法，可以视为用于识别火灾存在的堆叠方法（Xu等人，2021年）。两种不同专业水平的物体（火灾）检测方法被整合在一起，第三种模型用于减少使用图像进行实时森林火灾检测时的误报。

物联网系统结合人工智能促进了数字孪生的使用，即位置或空间的三维数字表示。例如，在一个案例中，提出了实时采伐操作的数字孪生，以帮助捕获有关供应链的相关信息——土地所有者、森林资源、采伐操作、卡车司机和工厂产能（Hoppen等人，2024年）。使用数字孪生可以在实际实施这些过程之前近乎实时地建模工作流程，并可能促进供应链各部分之间的互操作通信。在另一个案例中，开发了中国一个森林区域的数字孪生，以尝试了解该研究区域未来的卫星图像可能是什么样子（Jiang等人，2022年）。在这种情况下，使用历史卫星图像训练了一种机器学习方法来理解树冠状况、物种分布和明显的演替变化，然后预测未来的森林状况。从这些领域的最新进展来看，人工智能可以促进复杂森林景观的模拟和建模，从而改进决策过程，同时促进由非传统传感器收集的大量不同数据的整合、管理和分析。幸运的是，人工智能的进步似乎与社会通过物联网在传感器方面取得的进步同步。

**森林作业和木材加工活动的管理**

早在20世纪90年代，森林作业就已经开始利用人工智能技术。例如，Schultz等人（1999年）使用神经网络根据采伐前的森林状况和树木特征来估计木片厚度。如今，可以使用计算机视觉自动化图像分析，这是一种专注于从图像中提取洞察的机器学习方法，这在作业和木材加工中非常有益。计算机视觉可以包括深度学习算法，不仅用于训练机器处理数据图像，还可以通过分析光谱特征和分类过程来识别数据集中的模式（Wiley和Lucas，2018年）。人工智能和计算机视觉技术还可以用于定位木材中的缺陷或估计采伐区域的木材体积（Wang等人，2022年）。其他计算机视觉应用涉及使用神经网络根据细胞结构或木质部以及树皮特征来识别树种（Lens等人，2020年；Homan和Du Preez，2021年）。从细胞层面到景观层面的学习和适应算法的进步可以显著提高管理工作的准确性、扩展能力和及时性。

人工智能技术在林业中的整合还伴随着机械、铣削和采伐活动的自动化。一个例子是使用神经网络分析采伐设备的加速度来分类采伐活动（Borz，2021年）。有趣的是，蝙蝠的回声定位概念已经通过使用深度学习方法与自主车辆导航相结合，应用于复杂的森林环境中（Goldsworthy和Müller 2024）。此外，还开发了利用计算机视觉实时识别树干的过程，以尝试自动化采伐过程（da Silva等人2021）。集成学习技术也被应用，其中神经网络用于模式识别，决策树用于分类，以确定林分中潜在的间伐方案（Minowa 2008）。人工智能方法还可以应用于锯木厂流程中，以优化供应链（Borz等人2022）。这些在计算机辅助决策过程中的进步不仅试图实时模拟人类的决策过程，还旨在提高安全性并减少人为错误的风险。

在管理和行政用途方面，大型语言模型（LLMs）在需要及时综合先前出版作品中常见概念的管理场景中非常有用。目前许多商业领域都在利用大型语言模型提供的服务，如内容摘要、内部组织报告编写、文本翻译、代码生成、图像创建以及问题解答（Makridakis等人2023；Cappelli等人2024）。然而，大型语言模型提供的信息可能并不完全准确（参见本期相关论文），因此可能需要通过合理的判断和其他信息来源进行验证。尽管如此，LLMs仍能根据提示生成文本、图像甚至视频。这些技术的工作原理（文本通过神经网络，图像和视频通过稳定扩散过程）以及结果的提供速度，尽管可能会产生幻觉，但已迅速获得社会认可（Ahmad等人2023）。

自然语言处理是一系列经常使用机器学习的方法，它使计算机能够分析非结构化文本（记录、反馈、评论等），以揭示有关问题的情感趋势（Harrison和Sidey-Gibbons 2021）。自然语言处理被用来分析我们从Web of Science核心集合中获取的文献。然而，自然语言处理的应用主要集中在法律和医疗保健领域，而在林业领域并不常见。不过，Firebanks-Quevedo等人（2022）利用自然语言处理来了解联合国“20×20生态系统恢复十年计划”的影响，特别是该计划相关的费用、税收激励措施、支付和其他政策，在18个拉丁美洲国家的情况。分析过程包括抓取文档（网站）、处理和注释抓取的文本，并按激励类型对注释文本进行分类（Firebanks-Quevedo等人2022）。这种人工参与的人工智能过程有助于相对准确地理解使用政策工具解决森林管理问题的重要性和趋势。尽管这些生成式人工智能的最新进展可能会让一些人忽视其局限性，但它们正在改变行政和管理任务。

人工智能对社会和工业来说并不是一个新概念，因为技术进步以及夸大的说法已经讨论和报道了近70年（Travis 1962）。在林业和自然资源管理领域，人工智能至少已经是一个严肃的讨论话题30年了（Kourtz 1990；Guan和Gertner 1991）。然而，由于计算和编码系统的改进，人工智能对森林管理的贡献最近取得了巨大进展。然而，仅仅购买一台新电脑并接入互联网并不能保证人工智能在森林管理问题上的成功应用。数据环境和计算环境都在不断扩展（Jordan和Mitchell 2015），这对人工智能的实施提出了挑战。对于小型私人土地所有者和大型森林管理组织来说，就像任何新技术一样，要将人工智能成功整合到森林管理中，需要适当数量和质量的数据、适当的计算环境、熟练的人员以及促进成功的承诺（预算、支持等）（Bettinger 1999）。由于组织内部资源不足，获取这些强大算法的机会可能受到限制，而且它们的操作使用可能会受到中断和故障的挑战（Galaz等人2021）。此外，专业知识、计算能力和实施成本可能是采用人工智能的严重障碍，尤其是在深度学习方法方面（Eugenio等人2021）。

在过去的几十年里，我们见证了人工智能在林业领域的许多进展，但这一领域的工作仍在不断发展，某些人工智能技术的广泛应用可能较为缓慢。例如，虽然最近开发了用于改进植被制图的人工智能方法（Eugenio等人2021），但基于这些方法的建模通常依赖于特定位置，这使得它们在不同地理区域的实施变得具有挑战性（Gong等人2023）。此外，许多综述文章详细解释了分类和估算技术背后的算法或过程。然而，包括神经网络和其他深度学习过程在内的一些方法往往具有“黑箱”特性，这限制了它们的可解释性和采用。当系统影响高风险决策时，从业者需要理解为什么会产生特定的输出，以及产生的信息、模型或数据是否可靠。Holzinger等人（2022）认为，林业需要建立在可解释性和稳健性基础上的可信人工智能，并且专家知识应保持在数据开发、分析和报告的过程中。然而，实施人工智能的一些风险包括算法中可能存在的固有偏见以及由此产生的解释挑战。例如，使用神经网络开发的森林状况模型不如传统的回归方法易于理解。此外，在分类和分割过程中选择适当的数据规模非常重要，因为这可能导致准确性的变化（Eugenio等人2021）。当希望通过机器学习方法提取特征时，需要大量遥感图像，但先进的深度学习算法在这方面可能提供改进（Eugenio等人2021）。例如，Weinstein等人（2020）开发了一个名为DeepForest的深度学习模型，该模型在数千万个来自22个不同森林的分割树冠上进行预训练，从而提高了使用遥感数据在不同地点应用通用模型的能力，而无需开发特定地理区域的标记训练数据。

尽管存在这些挑战，通过将人工智能应用于林业领域的问题，仍取得了一些值得注意的科学成就。我们通过文献检索（基于λ指数）找到的两篇顶级论文集中在使用集成学习方法检测景观状况（蒸散作用、火灾）上。这些研究涵盖了全球和局部尺度。在树-森林尺度上，λ指数较高的研究使用了卷积神经网络和深度学习方法来检测单个树冠或分类树木种类（M?yr?等人2021；Weinstein等人2019；Zhang等人2020, 2023），这些研究通常借助高分辨率（空间和光谱）图像和LiDAR技术。在省-国家尺度上，λ指数较高的研究使用了随机森林等机器学习方法，通过装袋和提升过程来估算树冠高度、地上生物量或碳封存潜力（Chen等人2021；Li等人2020a, b；Zhang等人2022），这些研究通常借助卫星图像和LiDAR技术。在局部到全球的尺度上，λ指数较高的研究使用了集成模型来检测干扰、测量景观状况或识别适合进行林业活动的区域（Joiner等人2014；Jung等人2010；Xu等人2021；Zhang等人2022）。这些将人工智能应用于林业领域问题的案例，以及遇到的成功和挑战，可能符合森林所有者（和森林管理者）以及其他领域科学家的利益。

随着社会继续将人工智能应用于林业和森林管理，重要的是要记住，这些系统并非孤立存在，需要领域知识来正确确定约束条件和合理的模型参数（Guan和Gertner 1991）。例如，深度学习过程可能需要一组标记数据。标记数据可能不存在或难以获取，这会阻碍人工智能模型的实施（Antropov等人2023）。考虑到这一点，以人为中心的人工智能对于成功应用于森林管理至关重要（Holzinger等人2024）。以人为中心的人工智能关注人在建模技术实施中的作用，可以包括主动学习、交互式学习和机器教学（Mosqueira-Rey等人2023）。主动学习要求人工智能算法在没有人类干预的情况下了解现实世界系统的知识。在这种情况下，人的角色仅仅是加快标记过程。交互式学习更进一步，将人和机器都纳入学习过程中。机器教学则要求人类完全控制机器学习过程。未来，应该考虑以人为中心或人工参与的人工智能，以及分析过程中所需的人为专业知识和互动（Mosqueira-Rey等人2023；Ehrlich-Sommer等人2024）。当然，由于大量研究集中在人工智能在森林管理中的不断扩展应用上，本综述中可能遗漏了一些相关工作。因此，任何相关的遗漏都是一个局限性。此外，由于这一广泛领域的快速发展，可能还有更多最新进展尚未被发现，因此那些致力于前沿问题并希望尽快报告突破性技术的人可能会对本文的结论提出异议。

在未来几年，北美几个对森林管理重要的领域可能会看到进一步的发展，包括生成式人工智能、自主系统、自然语言处理和气候建模。这些发展将使人工智能系统更容易整合到现有的林业框架中，改进从实地和互联网收集的数据，并能够更准确地预测未来的生长模型。在过去二十年里，大量经过同行评审的出版物描述了人工智能在森林和自然资源管理中的应用和进展。机器学习、深度学习和以人为中心的人工智能的概念正在获得认可，并成为管理复杂现代森林管理问题的核心。在林业中有效使用人工智能取决于领域知识来设定管理目标、设定现实的约束条件、选择适当的空间和时间尺度，并确保标签反映当地物种、森林培育和干扰情况。在这种以人为中心的数据分析视角下，人工智能可以增强专家判断，而不是取代它。未来的研究方向可能会集中在人工智能整合效率、数据融合和扩展性、模型可转移性、实时数据分析和自动化上。我们预计，未来的专门用于林业或森林科学特定子领域的人工智能代理不一定与人类竞争，而是会在决策过程中协助人类；对于具有多种物种和利益相关者的复杂森林系统，实地操作始终是必要的。

本综述展示了许多人工智能在林业领域的进步，表明人工智能可能有助于提高森林管理的准确性、精确性和效率。然而，人工智能系统在不确定性条件下思考和学习的能力，以及应对人类和自然干扰的能力，可能仍然难以实现。