《People and Nature》：Remote sensing and citizen science for habitat mapping: A machine learning approach to lowland heathland in Surrey, UK
编辑推荐：
在全球生物多样性广泛丧失的背景下，保护工作需要依赖高分辨率、准确且最新的栖息地地图以指导决策与战略干预。已有诸多产品采用机器学习（ML）方法自动化栖息地分类，常因景观尺度生态调查数据有限而依赖卫星影像。为使这些产品获得野外证据支撑，公民科学可通过大规模数据收集
在全球生物多样性广泛丧失的背景下，保护工作需要依赖高分辨率、准确且最新的栖息地地图以指导决策与战略干预。已有诸多产品采用机器学习（ML）方法自动化栖息地分类，常因景观尺度生态调查数据有限而依赖卫星影像。为使这些产品获得野外证据支撑，公民科学可通过大规模数据收集补充传统高成本生态调查。研究人员探讨了利用结构化公民科学调查训练ML模型以预测英国萨里郡低地石楠荒原（lowland heathland）分布的有效性——该栖息地为欧洲最受威胁且碎片化的类型之一。模型使用246条公民科学植物调查数据（2022–2025年）及22个遥感预测变量（植被指数、地形、土壤类型），并由合作从业者的生态学专业知识引导。研究人员生成了萨里郡低地石楠荒原高分辨率（3?m）预测图，总体报告精度93.4%（基于数据80%/20%划分）及66.6%（基于地面真值点评估）。这是首批将公民科学衍生数据与ML结合进行高分辨率栖息地预测的项目之一。研究人员应对了将公民科学数据与算法思维整合的挑战，如站点级指标适配可管理尺度时的细微信息损失、地理不确定性及物种鉴定可信度；并探讨ML模型间精度评估报告的变异性，提出透明可及、便于直接比较的度量。项目凸显了透明可解释模型补充而非替代地面人类专业知识的必要，产出了可复制可扩展框架，证明公民科学可作为大规模生态建模有力且具成本效益的基础，推进了包容可扩展的生物多样性监测方法，并与强调社区参与和数字创新的自然恢复政策框架一致。
研究背景方面，全球正经历生物多样性危机，英国为自然 depleted 程度最高国家之一，栖息地丧失与碎片化是主要威胁。保护机构亟需精确、时新的破碎栖息地地图以监测进展和规划，但传统专家主导的地面调查耗时昂贵、易过时，且受土地权属限制。基于高分辨率卫星影像的机器学习（ML）虽能频繁更新大尺度土地覆盖图（如 Living England 约10?m、Land Cover Map 约25?m），但类别过宽，难以支撑生物多样性净增益（Biodiversity Net Gain）等法规所需的生态术语，对小但生态显著的斑块分辨不足。已有研究证明ML可小尺度准确预测栖息地，但仍需专家提供训练集。公民科学自1989年正式定义以来，可在适当培训与验证下产出媲美专业的生态数据，但机会性记录存在空间、时间、分类偏差，单物种代理法忽略群落整体。低地石楠荒原为欧洲极威胁碎片化栖息地，英国保有全球约20%，具高生物多样性、固碳、水文调节及文化价值，但全国精细空间数据缺失且旧。本研究由萨里野生动物信托（SWT）与萨里大学（UofS）合作，以萨里郡为案例，探索结构化公民科学+专家+ML+遥感混合框架的可行性，目标为（i）检验公民科学数据+专家支持作ML训练集之可行；（ii）建立透明可及框架支撑郡级战略保护规划。论文发表于《People and Nature》。
关键技术方法上，研究人员采用共同设计：SWT与UofS招募29场活动、5次培训60志愿者，46人提交数据；在 Chobham Common（24?ha，固定永久样方）与 Puttenham Common（13?ha，随机抛棍定1?m×1?m样方）及补充 Wisley Common、Thursley Common 收集246个存在点；公民科学经 ArcGIS Survey123 记录UK Hab v1.0植物多度盖度，专家校验剔除不符样方；不存在点738个由既有栖息地图层（Ancient Woodland Inventory、Crop Map 2023、OS Open系列、Priority Habitat Inventory等）合成并随机抽样。遥感变量含 PlanetScope Super Dove 3?m 八波段算20种植被指数（经相关性聚类筛至13种如 ARI、NDREI、OSAVI 等）、Cranfield NATMAP Soilscapes 土壤独热编码、EA 2?m LiDAR DTM 派生高程坡度坡向平面/剖面曲率，加 Easting/Northing 栅格控空间自相关。ML用随机森林（RF）分类，80/20分割，类权重平衡，超参调优+递归特征消除，评估用混淆矩阵、总体精度（OA）、生产者/用户精度（PA/UA）、F1、误报漏报率，并以1000对1000独立平衡点做外部评估，专家目视 parcels 级校核。
研究结果部分，3.1 公民科学参与学习与知识交换：35名自述参与者动机调查中，“助力保护野生生物与自然恢复”30人极重要，“贡献科学”22人极重要，职业进阶18人极不重要；非正式反馈正面，但禾草鉴定难、App体验待优，后续加自信度评级。3.2 栖息地数据：2023年7–9月273样方，清洗后246确认存在；主要类群鉴定一致率高（矮灌木0.901±0.012 SE等）；Chobham 固定点手机GPS均值偏移9.69±5.92?m，最大1044.61?m。3.3 随机森林模型：最优内部OA 0.934、精度0.957、召回0.759、F1 0.846，保留24变量，树深14、树数51；验证集TP32 TN151 FP3 FN11，PA74.4% UA91.4%，漏报多于误报；特征重要性前三位为花青素反射指数（ARI 0.212）、高程（0.198）、微酸砂土（0.175），印证光谱+地形+土壤联合驱动；外部平衡2000点OA降至66.6%（精度0.997召回0.332 F1 0.498）；SWT专家判读预测与 Priority Habitat Inventory（PHI）已知石楠区大体重叠，Headley Heath（白垩基岩）与 Devil's Punchbowl（陡坡）未预测出符合生态预期。
讨论部分，4.1 结构化公民科学可行性体现于三端：数据质量（专家迭代校验降误认）、后勤实际（246存在点达3?m景观级可行）、机构整合（土壤偏倚反馈促补调）；较纯专家+EO或机会性记录居间，补小样本代表性需补充采样。4.2 工具透明可及：PlanetScope教育许可、开源环境数据、RF较深度学习可解释、提供Python脚本复现，输出图入SWT连接度模型找踏脚石斑块，契合 Lawton 等“更大更好更连”原则。4.3 公民科学不止取数：志愿反馈环促青年多元参与、病后返岗、心智受益，数据交 Surrey Biodiversity Information Centre（SBIC）补常见种欠记录。4.4 局限：石楠本身为“小尺度镶嵌体”与酸草甸等过渡难断；固定样方减地理不确定但缩样本；不存在点非全地面真值；花期物候影响；RF对复杂 mosaic 泛化有限。
结论部分翻译：综上，公民科学为基于ML的生态建模以保护提供宝贵数据源。研究人员显示公民科学数据在物种鉴定上总体一致，但可能需额外精炼以确保准确地理定位报告。未来活动应仔细考虑研究点分布以在设计阶段充分代表环境因素。本模型虽难捕捉复杂镶嵌景观变异性，但提供了全郡特定栖息地表现的有价值信息。更广而言，研究证明地球观测与ML可嵌入参与式保护实践，地方志愿者、从业者与研究者共同贡献栖息地知识的生产、解释与应用。
