利用无人机进行机器学习与地面调查方法量化ROWs中马利筋茎密度和栖息地特征的比较

《Lubricants》：Comparing Machine Learning Using UAVs to Ground Survey Methods to Quantify Milkweed Stem Density and Habitat Characteristics in ROWs Adam M. Baker, Greg Emerick, Christie Bahlai and Scott Eikenbary

　　

研究人员比较了五种方法以量化马利筋（Asclepias spp.）茎密度和土地覆盖估计：（1）全站计数（Site al）、（2）样线图（Transect plot）、（3）方块图（Square plot）、（4）大样线（Large transect，参考君主斑蝶候选保护协议（Monarch CCAA）方法）以及（5）无人机（UAV）采集图像的机器学习（Machine learning）。这些方法涵盖全覆盖地面计数、部分地面计数以及基于对象图像分析的航空影像。站点包括配电、输电和燃气权利通行权（ROWs）、太阳能阵列和交通地役权。研究人员发现，全站计数和机器学习在全站点范围内量化马利筋茎密度方面最一致。部分地面计数方法可能高估或低估马利筋种群。栖息地特征（木本、阔叶、草本和裸地）的估计在方法和站点间不一致。本研究的目的是为土地管理者提供关于量化马利筋种群和栖息地特征的最准确、高效和经济方法的见解。

以下是根据论文原文内容撰写的学术解读文章，严格依据原文进行浓缩总结，避免推测，专业术语保留英文缩写并标注上下标，去掉引用文献和图示标识，作者名保留原文和非英文符号。

**研究背景、问题与意义**
君主斑蝶（*Danaus plexippus*）的东西部迁徙种群近年来急剧下降，亟需保护行动。能源与交通行业管理的土地（如电力、燃气、太阳能及交通部门的权利通行权（ROWs））涵盖北美数百万英亩潜在栖息地。通过植被管理促进马利筋（*Asclepias* spp.）——君主斑蝶唯一幼虫寄主植物——的生长，是保护策略的核心。然而，评估这些策略成效的调查方法在准确性和可扩展性上存在差异。目前，北美能源走廊的监测活动高度分散，由不同团体（政府机构、承包商、大学研究者、公民科学家等）执行，导致方法不统一，结果难以比较。地面调查耗时、昂贵，且常依赖子样本外推，易产生偏差。无人机（UAV）搭载传感器结合机器学习（ML）技术在农业中成功应用，但在高生物多样性的ROW栖息地中尚未广泛推广。本研究旨在系统比较五种监测方法，为土地管理者提供准确、高效且经济的栖息地评估方案。

**主要关键技术方法**
研究人员在六个代表性站点（明尼苏达州和俄亥俄州的配电、输电、燃气ROW、太阳能阵列及交通地役权）开展对比实验。关键技术包括：（1）无人机（UAV）搭载RGB相机（Freefly Astro或Skydio X10）以0.25 cm/像素地面采样距离（GSD）采集图像；（2）基于POLLi软件的机器学习（ML）推理模型，涵盖马利筋识别模型（物体检测）和栖息地指数模型（语义分割），训练数据覆盖多传感器、多地理及不同物候期；（3）地面调查方法：全站计数（Site al，逐茎计数）、样线图（2×2 m样方，随机起始位置）、方块图（1×1 m²子样本，每10 m一个）、大样线（CCAA方法，每100英亩一个139.4 m²样线）；（4）成本与效率分析，根据劳动时间（含环境技术员和无人机飞行员时薪）、设备及软件费用统一计算。

**研究结果**
*3.1 地面验证*
仅比较全站计数与机器学习（ML）在马利筋茎密度上的表现。地面全站计数记录579茎，ML识别503茎（准确率86%）。地面调查耗时约120分钟，UAV图像采集约30分钟。
*3.2 马利筋茎密度检测方法比较*
双因素方差分析表明，马利筋密度因站点（F_4,178=10.9, p<0.001）和方法（F_4,178=4.9, p<0.001）显著变化，且交互作用显著（F_16,178=4.3, p<0.001）。成对比较显示，全站计数与ML在样方水平上结果最一致（R²=0.87），但全站计数记录的密度约为ML的三倍。方块图与全站计数和样线图的关系较弱（R²分别为0.31和0.29）。CCAA方法因单样线缺乏重复性，与其他方法相关性差。相对于全站计数，样线图和方块图常高估密度，CCAA变异极大，ML则持续低估但偏差分布窄。
*3.3 栖息地特征估计方法比较*
各方法对土地覆盖类型的估计在站点间显著不同（卡方检验，λ²值1225–28340，df=12, p<0.001）。方差分析表明，木本、草本、阔叶和裸地比例因方法和站点显著变化（p<0.001）。ML是唯一持续检测木本覆盖的方法，且草本和阔叶估计值低于其他方法。成对线性回归显示，ML与样线图和方块图总体模式最相似，但木本覆盖例外（ML独特检测），裸地与其他方法有时呈负相关。CCAA在所有覆盖类型上与其他方法关系不一致。相对于ML基线，三种地面方法均易高估花卉、草本和阔叶覆盖，低估木本和裸地，花卉覆盖的一致性最高。
*3.4 成本与效率比较*
全站计数总成本$404.65，ML为$311.24，但无人机设备及分析软件每小时成本（$35.02）高于地面设备（$18.43）。子样本方法中，方块图最贵（$350.40），CCAA最便宜（$49.03）。时间方面，全站计数总耗时最长（08:30:43），ML（01:41:20）与CCAA（01:03:00）相当，样线图和方块图耗时居中。

**讨论与结论**
讨论指出，ROWs的线性结构为君主斑蝶提供迁徙走廊和繁殖栖息地，大规模监测需求日益迫切。ML在全站计数的参考下低估约三倍，但偏差一致，适合大面积评估。地面调查可捕捉被遮挡的马利筋，但面临安全风险（不平地形、节肢动物、热应激等）和疲劳导致的计数误差。UAV受限于树木、基础设施遮挡（如太阳能板），且苗期、衰老或机械损伤的茎可能被漏检。ML还提供交互式图像参考，而地面调查仅产生数值数据。结论部分（原文）翻译如下：本研究评估的所有方法均有固有限制和优势。尽管未明确测试混合方法，但某些地点（如太阳能阵列）可受益于UAV与地面评估的结合。大面积区域可通过经济高效的飞行和ML获得充分估计，同一组图像可用于评估多种特征。ML还提供所有数据的交互式图像参考，而地面调查通常产生数值和分类数据。对于包含关键基础设施、木本植物入侵、特定兴趣植物或已建立增强（如传粉者中心植物）的ROW区段，训练有素的地面调查员可能更合适。