将机器学习应用于生物多样性管理:来自加利福尼亚两个生物多样性热点地区的经验教训

《Ecosphere》:Applying machine learning to biodiversity management: Lessons from two California biodiversity hotspots

【字体: 大 中 小 】 时间:2026年07月25日 来源:Ecosphere 3.0

编辑推荐:

  绘制入侵物种和原生植被的地图对于有效的土地管理和保护至关重要,尤其是在广泛入侵的景观中。使用传统遥感方法通常难以区分物种。然而,成像光谱学(imaging spectroscopy)和机器学习技术的进步通过利用不同植物物种通常独特的光谱特征提供了解决方案。本研

  
绘制入侵物种和原生植被的地图对于有效的土地管理和保护至关重要,尤其是在广泛入侵的景观中。使用传统遥感方法通常难以区分物种。然而,成像光谱学(imaging spectroscopy)和机器学习技术的进步通过利用不同植物物种通常独特的光谱特征提供了解决方案。本研究探索了来自机载可见光/红外成像光谱仪-下一代(Airborne Visible-Infrared Imaging Spectrometer - Next Generation, AVIRIS-NG)的高分辨率、多时相高光谱数据在加利福尼亚两个保护区绘制植被图的潜力:大自然保护协会的Jack and Laura Dangermond保护区和加利福尼亚大学自然保护区系统(University of California Natural Reserve System, UCNRS)的Sedgwick保护区。研究人员采用机器学习算法处理两个不同的案例研究:在Dangermond保护区绘制入侵的冰草(Carpobrotus edulis)地图,以及在Sedgwick保护区识别原生多年生禾草斑块(Stipa spp.)。通过分析2022年2月至5月的AVIRIS-NG数据,研究人员发现5月的影像对两种物种提供了最高的光谱可分离性,这可能是由于物候差异。使用支持向量机(support vector machine, SVM)分类器,研究人员在绘制冰草地图方面达到了高精度(总体精度87%)。研究人员在一年生禾草区域绘制原生禾草地图的精度为59.4%。研究结果表明,将多时相高光谱遥感与机器学习相结合,可以为土地管理者提供所需的高分辨率数据,以优先分配资源、监测管理效果,并在不断变化的景观中做出明智决策。这种协作的、技术驱动的方法为生物多样性保护提供了一个有价值的模型。
**论文解读:将机器学习应用于生物多样性管理——来自加利福尼亚两个生物多样性热点地区的经验教训**

**研究背景与问题**
生物多样性保护面临全球性挑战,尤其是在入侵物种迅速扩散的背景下。有效管理需要高分辨率数据来识别行动区域、优先分配资源并实现生态系统整体视角。传统多光谱遥感(如Landsat)在区分物种方面存在局限,因为许多植物具有相似的光谱特征。然而,高光谱成像(hyperspectral imaging)能够捕捉窄波段(5 nm间隔)的光谱信息,结合机器学习算法,可挖掘不同植物物种的独特光谱特征。加利福尼亚州拥有世界级生物多样性热点和长期生态监测项目,但入侵物种(如冰草Carpobrotus edulis)和原生植被(如多年生禾草Stipa spp.)的精准制图仍面临困难。本研究旨在评估机载可见光/红外成像光谱仪-下一代(AVIRIS-NG)结合机器学习在两种不同保护区的应用潜力:Dangermond保护区的冰草入侵和Sedgwick保护区的原生禾草斑块识别。论文发表在《Ecosphere》。

**研究方法(关键技术与方法)**
研究使用了2022年2月至5月期间AVIRIS-NG获取的5米空间分辨率、380–2510 nm光谱范围的表面反射率数据,来自地表生物学与地质学高频时间序列(SHIFT)飞行任务。训练和验证数据来自499个8×8米地面样地(其中341个在SHIFT期间采集,158个为额外采集)。主要技术方法包括:1)采用主成分分析(PCA)识别与目标物种相关的重要光谱波段;2)计算Jeffries-Matusita(JM)距离评估不同月份光谱可分离性;3)应用支持向量机(SVM)、光谱角映射器(SAM)和随机森林分类器进行监督分类;4)利用归一化差异水体指数(NDWI)和归一化差异植被指数(NDVI)进行水陆掩膜。代码和数据处理在ENVI 5.6.3和深度学习2.0模块中完成。

**研究结果**
* **应用分类器于时空数据集和不同物种**
通过分析冰草的光谱可分离性,发现2022年5月影像中冰草与其他植被(草本、灌木、河岸植被)的分离度最高。前三个主成分解释了99%的方差,第三主成分与红边(700–900 nm)和远短波红外(2300–2475 nm)波段高度相关。使用SVM对冰草进行二分类(冰草与非冰草)取得了总体精度87%、生产者精度88%、用户精度98%的结果。2024年AVIRIS数据进一步验证了冰草制图,显示物理清除(“卷起”)方法的再生量最低,而火烧和小面积清除效果较差。
在Sedgwick保护区,原生多年生禾草(Stipa spp.)与非原生一年生禾草的光谱分离度在5月最高,但整体差异较小。SVM分类总体精度为80%,其中原生禾草的用户精度为59.4%、生产者精度为36.5%;一年生禾草的用户精度为71.6%、生产者精度为81.9%。错误分类主要出现在一年生草地、未铺砌道路、草地-灌木边界、岩石露头稀疏灌丛等区域。

**讨论与结论**
讨论部分指出,亚季节尺度的高光谱数据结合机器学习能够有效利用物候差异进行物种识别,但混合像元和有限训练数据仍是挑战。2022年干旱年份降低了原生与一年生禾草之间的物候和生产差异,预计在湿润年份可获得更好区分。冰草物理清除是最成功的管理策略,而火烧效果不显著。研究强调了管理者和遥感团队协同合作的重要性,这种“催化剂保护区”方法通过持续互动弥合知识差距,将数据转化为管理决策。
结论部分翻译:研究结果表明,将多时相高光谱遥感与机器学习相结合,可以为土地管理者提供所需的高分辨率数据,以优先分配资源、监测管理效果,并在不断变化的景观中做出明智决策。这种协作的、技术驱动的方法为生物多样性保护提供了一个有价值的模型。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号