A collaborative team of researchers led by Ben Weinstein of the University of Florida, Oregon, US, used machine learning to generate highly detailed maps of over 100 million individual trees from 24 sites across the U.S., and published their findings July
由美国俄勒冈州佛罗里达大学的Ben Weinstein领导的一个研究团队使用机器学习生成了来自美国24个地点的1亿多棵树木的高度详细的地图，并于7月16日在开放获取期刊PLOS Biology上发表了他们的发现。这些地图提供了有关单个树种和条件的信息，这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，这是通过调查小块土地并推断这些发现来实现的，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
为了生成大型且高度详细的森林地图，研究人员使用树冠图像和飞机拍摄的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40000棵树，与本研究中使用的所有数据一样，这些数据是由国家生态观测站网络提供的。
深度神经网络能够以75%至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分析，例如报告哪些树是活的或死的
研究人员发现，深度神经网络在树冠空间更开阔的地区具有最高的准确性，在对松树、雪松和红杉等针叶树物种进行分类时表现最佳
该网络在物种多样性较低的地区也表现最佳。了解该算法的优势对于在各种森林生态系统中应用这些方法非常有用
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。研究人员表示，“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深入理解。”
作者补充道，“我们的目标是为研究人员提供美国各地生态系统中第一张大规模的树种多样性图。这些树冠树图可以用每个地点收集的新数据进行更新。通过与近地天体观测站的研究人员合作，我们可以随着时间的推移建立越来越好的预测。”