科学家使用机器学习来预测森林中树种的多样性

由美国俄勒冈州佛罗里达大学的Ben Weinstein领导的一个合作研究小组，利用机器学习在美国24个地点生成了超过1亿棵树的高度详细的地图，并于7月16日在开放获取期刊《plos生物学》上发表了他们的研究结果。这些地图提供了单个树种和条件的信息，可以极大地帮助保护工作和其他生态项目。

　　

由美国俄勒冈州佛罗里达大学的本·温斯坦领导的一个合作研究小组，利用机器学习在美国24个地点生成了超过1亿棵树的高度详细的地图，并于7月16日在开放获取的期刊《公共科学图书馆生物学》上发表了他们的研究结果。这些地图提供了单个树种和条件的信息，可以极大地帮助保护工作和其他生态项目。

生态学家长期以来一直在收集树种数据，以更好地了解森林独特的生态系统。从历史上看，这是通过测量小块土地并推断这些发现来完成的，尽管这不能解释整个森林的变化。其他方法可以覆盖更广泛的区域，但往往难以对单个树木进行分类。

为了生成大型和高度详细的森林地图，研究人员使用飞机拍摄的树冠图像和其他传感器数据训练了一种称为深度神经网络的机器学习算法。这些训练数据涵盖了4万棵树，和本研究中使用的所有数据一样，是由国家生态观测网络提供的。

深度神经网络能够以75%到85%的准确率对最常见的树种进行分类。此外，该算法还可以提供其他重要的分析，例如报告哪些树是活的还是死的。

研究人员发现，深度神经网络在树冠上有更多开放空间的区域具有最高的准确性，在对针叶树物种(如松树、雪松和红木)进行分类时表现最好。该网络在物种多样性较低的地区表现最好。了解该算法的优点有助于将这些方法应用于各种森林生态系统。

研究人员还将他们的模型预测上传到谷歌地球引擎，以便他们的发现可以帮助其他生态研究。研究人员补充说:“重叠数据集的多样性将促进对森林生态学和生态系统功能的更丰富的理解。”

作者补充说:“我们的目标是为研究人员提供美国各地生态系统树种多样性的第一张大比尺地图。这些树冠地图可以根据每个站点收集到的新数据进行更新。通过与NEON站点的研究人员合作，我们可以随着时间的推移建立越来越好的预测。”