一、专业论文标题 无人机影像与卷积神经网络识别刀耕火种对圭亚那中南部棕榈种群的影响

《PLOS Sustainability and Transformation》：Impact of swidden agriculture on palm populations in South-Central Guyana

　　

三、专业摘要翻译
热带地区的原住民族从他们帮助塑造的当地环境中采集动物和植物资源。在被采集的植物中，包括分布在刀耕火种景观中的棕榈植物。本研究利用无人机（unmanned aerial vehicles, UAV）影像和卷积神经网络（convolutional neural network, CNN）目标检测技术，识别圭亚那刀耕火种局部区域内的单体棕榈。在255公顷范围内共识别出6个不同物种的10,194株棕榈。受刀耕火种干扰的土地相比未受干扰的森林，棕榈密度增加了136%（53.3对22.6）。局部莫兰指数（Local Moran's I）聚类分析显示，马里帕扁棕（Attalea maripa）在未受干扰森林和刀耕火种干扰土地中均为主导物种，分别占棕榈总数的77.1%和89.0%。普通星果棕（Astrocaryum vulgare）的相对占比从未受干扰森林中的17.3%下降到受干扰森林中的10.0%，其他丰度较低的棕榈物种代表性也随之降低。上述结果表明，刀耕火种干扰可以提高棕榈总密度，但同时简化了棕榈群落结构并降低了丰度较低物种的相对代表性。这一权衡关系对于制定更可持续的土地利用路径具有重要意义，可在维持刀耕火种农业生计和文化功能的同时保护棕榈群落多样性。此外，0.5米分辨率的多光谱WorldView-2卫星影像检测到的棕榈数量比无人机影像减少了约70%。
作者摘要：热带地区的原住民族通常依赖被称为刀耕火种的传统轮垦方式种植主食作物以维持生计，同时也依赖当地棕榈物种获取食物、药材和建筑材料。尽管农业和棕榈利用分别已有研究，但农业实践与棕榈物种多样性之间的关系仍知之甚少。利用在圭亚那森林和农田区域采集的无人机影像，研究人员发现轮垦与高冠层森林相比，与显著更高的总体棕榈丰度相关。然而，这一增长主要集中在单一优势物种马里帕扁棕上，其他棕榈的代表性则有所下降。因此，更高的棕榈丰度并不对应更多样的棕榈群落。无人机影像提供的棕榈计数也远完整于卫星影像。认识到总体丰度与群落多样性之间的权衡关系，可以支持在维持原住民粮食生产和文化重要资源的同时，保持刀耕火种景观生态多样性的土地利用方法。

四、论文解读文章
**研究背景与问题**
热带地区的原住民族与其景观和当地环境存在紧密联系，他们从祖居地采集动物和植物资源，其中包括棕榈科（Arecaceae）植物。原住民的传统实践——包括刀耕火种农业——促进了其景观中动植物资源的存在。刀耕火种（swidden/shifting agriculture）涉及砍伐森林以种植主食作物，一个典型的刀耕火种地块通常耕作1至2个生长季（2至3年），随后进入通常为2至15年或更长的休耕期。休耕期间，非农业性质的植被会在1至2年内重新覆盖土地。作物种植所产生的土壤化学性质和其他条件会影响休耕期出现的植被物种多样性。已有学者指出，休耕植被多样性受原始森林群落组成以及土地遭受人为干扰的频率和强度影响。反复的刀耕火种周期会消耗土壤磷，导致森林完全再生的时间尺度长达千年。此外，中间干扰假说（intermediate disturbance hypothesis, IDH）认为干扰后物种多样性是干扰频率、强度和干扰后时间梯度的函数，这一假说适用于刀耕火种景观。在棕榈多样性较高的新热带地区，刀耕火种短期内会降低某些棕榈物种的局部丰度；但地块休耕后，次生植被通过缓解与硬木冠层树的竞争并增加光照可用性，可能有利于一部分耐干扰或广生态位的棕榈物种。这种演替模式通常导致先锋或干扰适应型棕榈在原始冠层移除后呈现更高密度，有时还表现出更优的种群统计学表现。类似模式在整个新热带和中美洲均有记录。在玛雅低地，Sabal yapa在米尔帕－休耕－成熟林循环中持续存在，并表现出由干扰和管理实践共同塑造的生境特异性种群统计学特征。在墨西哥干旱森林，传统农业生态系统的管理与周期性火烧与Brahea dulcis林分的结构和扩张密切相关，刀耕火种可在休耕期促进其更新和优势度。在亚马逊地区，大型Attalea棕榈的补充与冠层开放度和干扰密切相关，与次生林和人为改造森林镶嵌体中观察到的增加一致。有研究报道可在刀耕火种后更新的棕榈包括Astrocaryum aculeatum、Astrocaryum vulgare和Attalea maripa。由于演替轨迹和棕榈响应随当地环境（如景观结构和与原始林的距离）而变化，记录刀耕火种镶嵌体中具有文化重要性的棕榈分布对于评估环境影响和支持原住民生计实践的可持续性至关重要。
遥感在考察刀耕火种景观中棕榈的分布和类型方面可发挥重要作用。迄今为止，大多数利用遥感数据理解刀耕火种景观的研究完成于东南亚。然而，标准的多光谱卫星影像不适合在自然森林场景中对单体树冠进行逐物种判别；高空间分辨率的高光谱影像、具有短波红外能力的多光谱影像或极高空间分辨率的航空影像虽有较好效果，但获取成本通常昂贵。而由无人机（unmanned aerial vehicle, UAV）获取的精细尺度遥感数据已被用于研究刀耕火种景观内的植被动态。可持续管理原住民刀耕火种景观需要理解反复的砍伐和休耕周期如何影响文化重要资源以及生态群落的更广泛组成。确定刀耕火种干扰是有利于棕榈整体还是仅有利于有限的物种子集，可以为支持原住民生计同时维持长期生物多样性的土地利用方法提供信息。
**研究内容与结论**
本研究利用来自圭亚那Upper Takutu-Upper Essequibo（第9区）Annai District的Makushi Amerindian村落Wowetta（4.017°N, 59.066°W）的数据——当地居民积极从事刀耕火种农业且刀耕火种全过程易于观察。研究区域以大面积热带雨林为特征，属柯本气候分类中的热带季风气候，为Rupununi Savanna的一部分，地形低缓。无人机影像于2023年8月和12月使用DJI Phantom Pro 4 V2.0获取，利用内置2000万像素相机采集真彩色（RGB）影像。飞行采用线性样带模式，在圭亚那法定飞行上限122米高度采集，影像前后和旁向重叠率在东南部为50%至西北部70%之间。影像经整理和清理后在Agisoft Metashape中生成正射镶嵌图，RGB正射镶嵌图和三维数字高程模型（digital elevation model, DEM）分辨率分别为0.033米和0.065米，投影坐标系为UTM 21N。2023年12月调查的正射镶嵌图手动地理配准至覆盖研究区域的0.5米（全色锐化）WorldView-2卫星影像。随后通过场景内稳定地标（包括农舍和树桩）将8月和12月的正射镶嵌图相互配准。为获取相对地面高度，通过手动选取568个裸地点并使用径向基函数插值生成数字地形模型（digital terrain model, DTM），再从DEM中减去DTM得到冠层高度模型（canopy height model, CHM）。棕榈检测采用Mask R-CNN深度学习算法，以ResNet-50为主干进行迁移学习。该算法同时执行单体检测和物种分类。共选取766株棕榈用于训练、72株用于测试。训练数据集的物种标签综合了当地物种的先验知识、数据采集期间现场向导对选定影像的解读以及2022年野外工作中对棕榈的手动识别，确保6个物种标签的准确性。训练采用448×448像素（地面距离14.7米）影像块，通过改变搜索块在训练集区域上的x和y步长产生重叠，将有效训练样本从766个扩增至8,166个标本（分布于4,825个影像块）。随后对影像块进行数据增强，包括光照变化、旋转和0.9最大缩放。训练批次大小为9，共30个epochs，学习率1.5e??并采用单周期学习率。训练后算法应用于完整正射镶嵌图以识别整个研究区的棕榈个体。每株检测棕榈的圆形冠幅直径由检测结果计算，高度从CHM中采样为冠幅直径圆内的平均高度。由于偏远研究地点在后勤和时间上的重大限制，未进行基于野外的地面真值测量来绝对验证和校准影像衍生测量值，因此所呈现的几何属性为仅源自无人机正射镶嵌图和CHM的相对估计。冠幅面积小于1平方米的棕榈作为不可靠检测被移除。使用训练/测试特征与检测特征之间的交并比（Intersection over Union, IoU）验证检测结果，在置信度范围内通过寻找精确率（Precision）和召回率（Recall）差异最小处优化F1分数。高度小于1.25米的棕榈因难以与地面物体可靠区分而被移除。对棕榈数据取对数以实现正态分布并用于区分和移除异常值，主要针对影响冠幅直径估算的非典型形状检测。低丰度棕榈物种经人工验证并在必要时修正。
分布分析方面，利用ArcGIS Pro中的聚类和异常值分析工具实现局部莫兰指数（Local Moran's I）算法，以棕榈冠层高度为属性值分析空间聚类。可能结果包括五种：异常值（Outlier）、低－低聚类（Low-Low）、低－高聚类（Low-High）、高－低聚类（High-Low）和高－高聚类（High-High）。分析尺度由增量空间自相关工具确定，以10米间隔至最大300米距离调查高度属性的全局莫兰指数（Global Moran's I），取最高显著z分数对应的间隔为最优搜索半径。空间关系通过无差异区进行建模，行标准化空间权重，算法迭代9,999次。
**主要技术方法**
研究采用的主要关键技术包括：（1）无人机遥感平台：使用DJI Phantom Pro 4 V2.0在圭亚那法定飞行上限122米处采集RGB影像，经Agisoft Metashape生成0.033米分辨率正射镶嵌图和0.065米分辨率DEM，并通过裸地点插值生成CHM；（2）深度学习目标检测：采用Mask R-CNN（ResNet-50骨干）算法进行棕榈单体检测与物种分类同步执行，经过数据增强（光照变化、旋转和缩放）后共8,166个训练标本分布于4,825个影像块，训练批次大小9、30个epochs、学习率1.5e??，最终以80%置信度阈值和IoU=50%为评估标准，F1分数为0.86；（3）空间统计分析：采用局部莫兰指数（Local Moran's I）进行棕榈冠层高度的聚类和异常值分析，通过增量空间自相关确定最优搜索半径，迭代9,999次；（4）卫星对比分析：将WorldView-2（0.5米分辨率）卫星影像的Mask R-CNN检测结果与无人机检测结果进行对比，量化两种平台在棕榈计数能力上的差异。样本来源为圭亚那Upper Takutu-Upper Essequibo（第9区）Annai District的Wowetta村（4.017°N, 59.066°W）周边刀耕火种景观。
**研究结果**
**3.1 棕榈检测**
正射镶嵌图处理和影像清理后的总制图面积为2.55平方公里（255公顷）。区域由混合的刀耕火种农田（RGB中呈裸地斑块、CHM中呈灰色）、低矮森林（CHM中呈绿色）和高大森林（CHM中呈橙红色）组成。低矮森林最普遍分布于活跃刀耕火种地块周边，很可能受人类活动影响；高森林则基本未受现代人类活动干扰，是调查区域内最高的林分。CHM最低高度0.0米、平均值10.0米、最大值42.0米、标准差7.3米。正射镶嵌图中识别出6种棕榈：Astrocaryum vulgare（Awara）、Mauritia flexuosa（Ite）、Attalea maripa（Kokerite）、Oenocarpus bataua（Turu）、Euterpe oleracea（Manicole）和Oenocarpus bacaba（Lu）。
由于除Awara和Kokerite外其他物种在区域内占比极小，置信度阈值分析仅限于这两个物种，最终选取80%作为检测置信度阈值。训练集在80%置信水平下精确率和召回率均衡，所有物种的F1分数为0.86。测试集性能有所下降，尤其在召回率方面。训练和测试集中大量假阴性推测部分归因于算法检测出的不规则冠层结构与使用标准IoU方法对齐训练数据的挑战。将IoU阈值降至25%后，训练集假阳性减少25（-30%），假阴性减少29（-24%）；测试集假阳性减少4（-33%），假阴性减少4（-15%）。为与同类文献保持一致，呈现IoU=50%时的精确率、召回率和F1分数。在置信度阈值优化后经人工质量控制，研究区最终棕榈计数为10,194株。
Awara和Kokerite的冠幅直径分布呈正偏态分布，平均冠幅直径5.16米，最大直径介于11至14米之间。冠幅直径以棕榈高度为变量通过二阶多项式回归建模，R2=0.52。回归曲线在棕榈高度约10米前接近线性，随后因较矮棕榈具有较大冠幅的影响而弯曲并趋于平缓。
**3.1.1 分布分析**
局部莫兰指数聚类分析结果显示四种清晰的聚类模式及边界边缘异常值。莫兰分析显示低高度和高高度棕榈之间的断点值为8.25米。最大规模的棕榈模式出现在低－低情景中，即低高度棕榈被类似的低高度棕榈包围；第二大模式为高－高情景，即高高度棕榈被类似的高高度棕榈包围。为有效以地图形式显示空间模式，CHM按平均冠层高度值10米划分为小于和大于10米的森林冠层。活跃耕作地块定义为具有大量裸土覆盖且显示近期人类活动迹象的区域。高于0.5米的活跃木薯作物（Manihot esculenta）也被识别和标记。步行和车辆通道经人工判读并数字化。低－低聚类棕榈仅出现于冠层高度低于10米的区域，通常邻近路径和/或活跃农田。高－高聚类棕榈仅分布于冠层高度大于10米的区域。低－高和高－低聚类棕榈呈零星混合或作为冠层小于和大于10米之间的过渡带。低－高聚类的实例提示农田地块对高森林的较早期侵入，随后已进入休耕。
按冠层高度亚分类的棕榈数量汇总显示，Kokerite在任一冠层高度分组中均为优势种，在低于10米冠层中占棕榈总数的89%，在高于10米冠层中占77%。Awara为第二大物种，在低于和高于10米冠层中分别占10%和17%。Kokerite和Awara也是四种局部莫兰指数聚类分组中最大的代表类群。仅基于各亚分类中的棕榈原始计数，Kokerite在低冠层条件下增幅最大，从高于10米冠层中的1,916株增至低于10米冠层中的6,898株。此外，被归类为低－低的4,182株棕榈中有3,791株（91%）为Kokerite。
**3.1.2 卫星与无人机检测棕榈对比**
研究区卫星影像棕榈检测的细节已在另文中描述。无人机影像通常提供更高的空间分辨率。为量化遥感棕榈检测的差异，研究人员分析了WorldView-2使用Mask R-CNN算法检测的棕榈与无人机影像检测的棕榈之间的差异。卫星衍生和无人机衍生的棕榈被汇总为单一组，并统计不同森林类型中小于和大于10米高度的棕榈数量。由于卫星影像（2010年）和无人机影像（2023年）获取时间间隔13年，比较谨慎进行。此比较分析的主要目标不是追踪时间性土地覆盖变化，而是量化WorldView-2（0.5米）和无人机（0.033米）之间巨大空间分辨率差异所导致的棕榈检测能力差异。当前被归类为低于10米的森林在卫星影像采集时可能不处于该状态，此后十年中再生的棕榈在2010年不存在。而当前被归类为高于10米的森林更可能在该时间间隔内保持合理未受干扰，总体棕榈数量应相对稳定。比较结果显示卫星检测到的棕榈特征与无人机检测结果高度不成比例。高森林中卫星检测的棕榈仅占无人机检测棕榈的31%。低森林中卫星检测的棕榈数量与高森林大致相当（750对780），但仅占无人机检测量的9.7%。虽然低森林分类的卫星棕榈位置比较可用于推断13年间的重大土地清理，但计数汇总比较可能因2010年以来新棕榈的再生而具有高度误导性。因此，传感器低估的主要衡量指标来自高森林（>10米）分类，该分类中棕榈种群因13年间干扰极小而被认为相对稳定。总结表明卫星棕榈调查低估无人机调查约70%。
**讨论总结与结论翻译**
**4.1 讨论**
受干扰/低冠层森林的棕榈总密度高于高冠层森林（低森林中53.3，高森林中22.6，增加136%）；然而此模式不应推广至所有棕榈类群。棕榈涵盖从耐阴林下物种到依赖林隙和喜光的乔木状物种的对比生态策略，后者的更新和/或茎伸长阶段通常需要较高光照可用性。相应地，次生林和刀耕火种休耕地的棕榈增加往往由一部分耐干扰或广生态位物种驱动，而耐阴专性物种和生境专性物种可能保持稳定或在相对或绝对数量上下降。在本研究中，密度增加主要由群落组成向Kokerite的转变解释，Kokerite主导了受干扰/低冠层区域，这与Attalea中干扰相关补充的模式以及刀耕火种景观中主要报道耐干扰或受管理类群增加的情况一致。Kokerite从高森林棕榈总数的77.1%增加到低森林的89.4%，而Awara从17.3%下降到10.0%；稀有棕榈（Manicole、Lu、Ite和Turu）在低森林中各占<1.0%。这种组成转变——总密度更高但均匀度和多样性更低——也反映在局部莫兰指数结果中。这些发现揭示了仅考虑总棕榈丰度将掩盖的重要可持续性权衡。低冠层森林中更高的棕榈密度可能增加某些文化重要资源的丰度，但Kokerite优势度的同步增加表明棕榈群落趋于简化。更可持续的土地管理应同时考虑生计效益和物种组成变化，而非将农业利用与生物多样性保护视为互斥目标。无人机衍生的棕榈高度与冠幅直径关系（R2=0.52）呈正相关且在大尺寸处存在明显非线性，与已发表的亚马逊棕榈非参数（LOESS）拟合的高度-DBH异速生长模型基本一致。但由于尺寸代理为冠幅直径（而非DBH）且数据集排除了非常小的个体，下端差异属预期范围，整体形态支持影像衍生尺寸-高度关系的合理性。然而，这些几何结果应谨慎解读，因为分析完全依赖无人机衍生测量而无野外地面真值，这限制了冠幅直径和高度估计的绝对校准，也妨碍了对CHM衍生高度值的直接验证。未来研究应优先开展野外测量（如实测高度、冠幅直径及适用时的DBH）以修正和校准无人机衍生估计值。关于中间干扰假说（IDH），研究人员避免对低森林中观察到的棕榈多样性下降的机制做强烈结论，因为棕榈更新和持续存在还受本研究中未测量的因素影响，包括光照环境、土壤条件、原始森林群落组成与土地利用强度以及种子源/亲本效应。此外，IDH的实际应用存在众所周知的挑战，评估棕榈多样性对刀耕火种干扰的响应需要跨多个演替阶段的明确时间重复。Ite、Lu、Manicole和Turu（图10中归为"其他"）最常出现在高－高和高－低聚类中。除总体丰度低之外，存在两种合理解释：其一，它们集中于高－高聚类可能表明这些物种占据不太适合耕作的土地（如Manicole与沼泽区域相关）或含这些稀有棕榈的地点因被认为有价值而避免清理；其二，它们在高－低聚类中的存在可能表明清理时因功利重要性而被选择性保留。类似情境下原住民对定居点和活动区域附近文化重要植物的管理已有文献记录。异常值棕榈沿同一边界区域形成相对急剧的转变，尤其是在地图东南部。研究人员将这些异常值解释为过渡特征，不完全匹配四种主导聚类类别。未来工作应包括扩展的空间点格局分析以检验幼株是否聚集在大型成株周围，并量化邻域尺度补充结构。此外，在已知休耕时间的永久样地中进行长期重复调查将更好地解析刀耕火种景观中的更新、生长和多样性轨迹。
**4.2 结论**
研究区受刀耕火种干扰的低冠层森林比高冠层森林支持显著更高的棕榈密度（53.3对22.6；增加136%）。利用无人机影像和基于CNN的检测，在255公顷范围内识别出6个物种的10,194株棕榈，实现了冠层高度等级间的群落级和物种级比较。这种增加并非各分类群的均匀上升，而是由向Kokerite（Attalea maripa）的显著组成转变驱动。Kokerite在两种森林类型中均占优势，从高森林个体数的77.1%增至低森林的89.4%，而Awara（Astrocaryum vulgare）从17.3%降至10.0%，稀有棕榈（Manicole、Lu、Ite和Turu）在低森林中均降至<1.0%。综合而言，这些结果表明刀耕火种干扰可以提高总体棕榈丰度，但同时简化棕榈群落结构，优势度集中于一小部分耐干扰类群。局部莫兰指数识别出四种主导的棕榈高度聚类模式，断点位于8.25米，这些聚类与用于比较低冠层和高冠层森林的10米冠层高度阈值在空间上一致。WorldView-2（0.5米分辨率）与无人机影像的比较表明，基于卫星的检测低估棕榈丰度约70%，且无法可靠区分物种。虽然这对广泛的区域制图可能可接受，但对于需要准确计数和物种级信息的局地研究而言则不足。这些结果表明基于无人机的方法更适合需要准确计数和物种级信息的精细尺度研究。尽管高光谱或具短波红外能力的多光谱影像可改善物种判别，但空间分辨率仍是检测较小个体的限制因素；先前基于卫星的工作通常可解析约5米量级的冠层，而本研究中无人机影像支持检测至约2米。本研究的主要可持续性启示是：刀耕火种干扰后更高的棕榈丰度并不必然表示棕榈群落多样性的维持。在研究区内，增长主要集中于Attalea maripa，并伴随其他物种代表性的下降。这些发现为评估旨在保护刀耕火种农业生计和文化功能同时维持棕榈群落生态异质性的未来土地利用和监测方法提供了定量基础。