利用人工智能和iNaturalist，科学家们绘制了迄今为止分辨率最高的加州植物地图之一

绘制植物群落的地图——无论是追踪植被变化、森林砍伐还是从野火中恢复——都是耗时的，而且往往不能深入到小区域。加州大学伯克利分校和斯坦福大学的科学家们现在已经使用深度学习技术，将上传到iNaturalist上的植物分布的公民科学数据与遥感数据相关联，以构建加州植被的高分辨率地图。他们现在正试图在巴西做同样的事情。这项技术可以实现对生态系统变化的日常监测。

　　

在深度学习的帮助下，加州大学伯克利分校的科学家们利用iNaturalist应用程序中的公民科学数据，绘制了迄今为止分辨率最高的加州植物分布图。

iNaturalist是一款被广泛使用的手机应用程序，最初是由加州大学伯克利分校的学生开发的，它允许人们上传他们遇到的植物、动物或任何其他生命的照片和位置数据，然后众包他们的身份。该应用程序目前在全球拥有超过800万用户，他们总共上传了超过2亿条观察。

研究人员使用了一种称为卷积神经网络的人工智能，这是一种深度学习模型，将加州植物的公民科学数据与该州的高分辨率遥感卫星或飞机图像联系起来。该网络发现了相关性，然后用于预测整个加州2221种植物的当前范围，小到几平方米的尺度。

植物学家通常通过精心列出一个地区的所有植物物种来绘制高质量的物种地图，但这在一些小的自然区域或国家公园之外是不可行的。相反，这个名为“深层生物圈”(Deepbiosphere)的人工智能模型利用了来自iNaturalist和遥感飞机或卫星的免费数据，这些数据现在覆盖了整个地球。如果公民科学家有足够的观察，该模型可以在缺乏关于植物分布和栖息地的详细科学数据的国家部署，以监测植被变化，例如森林砍伐或野火后的再生。

这项研究结果发表在9月5日的《美国国家科学院院刊》上，作者是加州大学伯克利分校综合生物学助理教授mois  "Moi" Expósito-Alonso，第一作者是斯坦福大学计算机科学博士生Lauren Gillespie和他们的同事。吉莱斯皮目前获得了富布赖特美国学生项目的资助，使用类似的技术来探测巴西植物生物多样性的模式。

“我在巴西的这一年，我们经历了有史以来最严重的干旱和最严重的火灾季节之一。”“到目前为止，遥感数据已经能够告诉我们这些火灾发生在哪里，或者干旱最严重的地方，在深度生物圈（Deepbiosphere）等深度学习方法的帮助下，它很快就会告诉我们地面上单个物种的情况。”

Expósito-Alonso说:“这是一个目标——将它扩展到许多地方。“现在世界上几乎每个人都有智能手机，所以也许人们会开始拍摄自然栖息地的照片，这将在全球范围内实现。在某种程度上，这将允许我们在谷歌地图上分层显示所有物种的位置，这样我们就可以保护它们。这是我们的梦想。”

除了免费和覆盖地球的大部分地区之外，遥感数据也比其他信息源（如区域气候图）粒度更细，更新更频繁，后者的分辨率通常只有几公里。利用公民科学数据和遥感图像——仅仅是提供图片和温度的基本红外地图——可以对难以追踪的景观变化进行日常监测。

这种监测可以帮助自然资源保护主义者发现变化的热点，或者精确定位需要保护的物种丰富的地区。

“有了遥感，几乎每隔几天就会有1米分辨率的地球新照片，”Expósito-Alonso说。“这些现在使我们能够实时跟踪植物分布的变化，生态系统分布的变化。如果人们在亚马逊偏远地区砍伐森林，现在他们无法逃脱惩罚——它会通过这个预测网络被标记出来。”

Expósito-Alonso，今年早些时候从斯坦福大学搬到加州大学伯克利分校，是一位进化生物学家，对植物如何通过基因进化来适应气候变化感兴趣。

他说：“我迫切希望有一种可扩展的方法来了解植物在哪里以及它们是如何移动的。”“我们已经知道，它们正试图迁移到较冷的地区，它们正试图适应它们现在面临的环境。我们实验室的核心部分是了解这些变化和影响，以及植物是否会进化以适应。”

在这项研究中，研究人员通过从人工智能训练集中排除一些iNaturalist数据来测试Deepbiosphere，然后要求人工智能模型预测排除区域内的植物。人工智能模型在识别物种存在方面的准确率为89%，而之前的方法为27%。他们还将其与其他模型进行了比较，这些模型用来预测加州周围的植物生长地点，以及它们将如何随着气温上升和降雨变化而迁移。其中一个模型是美国自然历史博物馆开发的Maxent，它使用气候网格和地理参考植物数据。深海生物圈的表现明显好于Maxent。

他们还将“深生物圈”与为该州一些公园制作的详细植物地图进行了对比。它预测北加州红木国家公园红木位置的准确率为81.4%，准确捕捉了2013年约塞米蒂国家公园环火造成的烧伤严重程度(R2=0.53)。

Expósito-Alonso说:“劳伦提出的这个模型令人难以置信的是，你只是用人们不断用手机上传的公开数据来训练它，但你可以提取足够的信息来创建高分辨率的精细定义地图。”下一个问题是，一旦我们了解了地理影响，“植物会适应吗？”’”

斯坦福大学卡内基科学研究所的梅根·鲁夫利是这篇论文的合著者。这项研究始于Expósito-Alonso是卡内基科学研究所的一名工作人员和斯坦福大学的助理教授时，由卡内基科学研究所资助。