编辑推荐：
为解决热带森林资源物种监测难题，研究人员利用实地数据、无人机可见光图像和深度学习，开展秘鲁亚马逊经济重要棕榈物种分布与数量评估研究。结果显示该方法准确性高且成本低，对推动热带地区可持续管理意义重大。
在广袤的热带森林中，隐藏着无数珍贵的资源，其中亚马逊地区的棕榈树不仅是生态系统的重要组成部分，更是当地社区赖以生存的宝贵财富。然而，长期以来，想要摸清这些棕榈树的 “家底” 却困难重重。传统的实地调查方法在面对广阔且地势复杂的热带森林时，效率极为低下，就像是在大海捞针，耗费大量人力、物力和时间，还难以获取准确的信息。高分辨率遥感数据虽被寄予厚望，但现有的工具在大面积监测时精度不足，并且相关技术和数据对利益相关者来说遥不可及。此外，目前基于高分辨率遥感数据的方法，往往聚焦于物候或颜色特征明显，以及低密度分布的物种，无法满足实际管理需求。这一系列问题，严重制约了热带森林资源的可持续利用和管理，就像一道道屏障，横亘在保护生态环境和促进当地发展之间。
为了冲破这些障碍，来自多个研究机构的科研人员携手合作，其中包括 Wageningen University & Research、Instituto de Investigaciones de la Amazonia Peruana (IIAP) 等。他们聚焦于秘鲁亚马逊地区，针对经济价值高且生态意义重大的三种棕榈物种 ——Mauritia flexuosa、Oenocarpus bataua 和 Euterpe precatoria 展开深入研究。科研人员通过整合实地数据、红 - 绿 - 蓝（RGB）无人机图像和深度卷积神经网络（CNNs），开发并实施了精准的、景观尺度的、物种层面的评估方法。研究发现，该方法在检测棕榈树方面表现出色，对 Mauritia flexuosa 的检测精度高达 99%，召回率为 81%，即便在棕榈树密集丛生的区域，也能有效识别个体植株。在成本方面，相比传统的样地调查方法，利用无人机进行资源清查的成本大幅降低，每公顷清查 Mauritia flexuosa 的成本从 411 美元降至 5 美元，降幅达 99%，同时制定管理计划的总运营成本降低 23%，人员时间减少 36%。这一成果发表在《Nature Communications》上，为全球森林管理和保护提供了新的思路和方法，有助于推动热带地区森林资源的可持续管理。
在研究过程中，科研人员运用了多种关键技术方法。首先，通过地面参考数据收集，利用手持 Trimble Geo7X GPS 接收机和双频 GNSS Trimble Tornado 天线，对 5089 株不同种类的棕榈树进行定位和识别，获取精确的地理信息。其次，开展无人机任务，使用小型商用多旋翼无人机（如 DJI Phantom 4 Pro、DJI Phantom 4 RTK 等）在不同高度进行数据采集，确保模型的通用性。最后，进行复杂的数据处理，包括图像拼接、多分辨率超像素划分与标注、切片、图像增强等预处理步骤，以及训练图像语义分割模型、实例分割模型，并进行精度评估和成本分析。
景观尺度棕榈物种测绘
科研人员采用语义分割方法，结合深度学习技术，对无人机图像进行处理，以识别不同棕榈物种的树冠。结果显示，该方法对 Mauritia flexuosa 树冠的检测准确率较高，精度达 99%，召回率为 69%，F1 分数为 81% 。但对于 Euterpe precatoria 和 Oenocarpus bataua 的检测精度相对较低，分别为 89%（50% 召回率时）和 85%（52% 召回率时），F1 分数分别为 64% 和 65%。这主要是因为在训练数据中，后两种棕榈树的数量不如 Mauritia flexuosa 多。值得一提的是，用于测试的无人机拼接图像来自未参与模型训练的区域，且不同区域植物种类组成存在差异，但该方法仍展现出较高的稳健性和泛化能力。这得益于多样化的训练样本和数据增强技术，这些技术通过模拟不同飞行条件和环境因素，增加了数据的多样性，提高了模型的性能。
景观尺度棕榈量化
研究人员利用开发的方法，不仅能够检测棕榈树的中心位置，还能根据距离中心的距离和学习到的棕榈树形状来描绘树冠，并统计给定区域内的个体数量。整体而言，该模型在量化棕榈树数量方面表现准确，尤其对 Mauritia flexuosa 效果显著。不过，对于 Oenocarpus bataua 和 Euterpe precatoria，通过增加训练数据，特别是来自不同森林类型的数据，有望进一步提高量化的准确性。在实际应用中，模型在棕榈树冠完全可见且训练数据丰富的区域表现最佳。但当棕榈树相互堆叠，导致部分树冠中心不可见时，模型可能无法准确分割树冠，从而低估个体数量。此外，无人机拼接图像中的一些人工痕迹可能导致误分类，例如某些类似 Oenocarpus bataua 长叶的痕迹可能会造成误判，使个体数量被高估。尽管模型能对较小的误分类区域进行一定程度的纠正，但这一问题仍需关注。利用无人机拼接图像提供的高分辨率位置数据，科研人员可以详细观察棕榈物种的空间分布和生态关联，这为研究热带树种分布的影响因素提供了重要依据。例如，研究发现 Mauritia flexuosa 倾向于在水涝地区、靠近水体的地方形成大的群落，Oenocarpus bataua 则多聚集在高地森林的沼泽斑块中，而 Euterpe precatoria 呈分散分布，群落规模较小，这些分布特征暗示了环境过滤和扩散限制等因素在物种分布中的重要作用。
弥合研究与实践的差距
科研团队在研究过程中，充分考虑了利益相关者的需求，与秘鲁保护区管理局（SERNANP）紧密合作。从项目设计阶段开始，SERNANP 就深度参与其中，研究问题紧密围绕 SERNANP 的实际需求展开，旨在解决棕榈物种在密集林分中的测绘难题。过去，在 Loreto 地区，仅有 1.29% 的 Mauritia flexuosa 果实采摘来自经批准的管理计划，凸显了有效资源清查技术的迫切需求，而科研团队的研究成果正好为解决这一问题提供了有力支持。在长期合作过程中，科研团队注重能力建设和培训，通过举办线上线下研讨会、培训课程等活动，提升 SERNANP 工作人员的技术能力。例如，开展无人机飞行培训、图像预处理培训以及模型使用和反馈培训等，让工作人员逐步掌握相关技术。此外，研究开发的技术基于开源软件，操作简便，易于被利益相关者接受和使用。在成本效益方面，与传统样地调查方法相比，无人机方法优势明显。除了大幅降低每公顷资源清查成本外，随着管理计划数量的增加，无人机方法的总成本优势更加突出。当管理计划数量超过四个时，即便考虑到无人机使用的初始资本成本（如购置设备、软件许可证和人员培训等费用），其边际成本也远低于传统方法。而且，无人机方法的空间覆盖范围更广，能够对以往难以到达的区域进行调查，使当地社区能够更高效地扩大采摘区域，同时减少了人员参与任务的时间。SERNANP 已在 Tambopata 国家保护区的两个社区应用该技术完成棕榈树清查，并用于制定首个棕榈果采摘管理计划。目前，SERNANP 正计划将该方法推广至全国，在秘鲁各棕榈树分布地区开展试点项目，收集反馈，进一步完善和推广这一创新技术。
综上所述，这项研究成功开发了一种基于无人机技术和深度学习的创新方法，有效解决了秘鲁亚马逊地区棕榈物种测绘和管理的难题。该方法不仅在技术上实现了高精度的物种检测和量化，还在实践中展现出显著的成本效益和应用潜力。通过紧密结合利益相关者需求，开展长期能力建设，以及开发易用的技术工具，研究成功弥合了研究与实践之间的差距。这一成果为全球热带森林资源管理提供了可借鉴的模式，有望推动其他地区采用类似技术，实现森林资源的可持续利用和保护，促进生态环境与社会经济的协调发展。
