由美国俄勒冈州佛罗里达大学的 Ben Weinstein 领导的合作研究小组利用机器学习绘制了美国 24 个地点 1 亿多棵树木的详细地图，并于 7 月 16 日在开放获取期刊 PLOS Biology 上发表了他们的研究成果。这些地图提供了有关单个树种和状况的信息，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收集树种数据，以便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出这些发现来实现的，尽管这无法解释整个森林的变化。其他方法可以覆盖更广泛的区域，但通常难以对单棵树木进行分类。
为了生成大型且高度详细的森林地图，研究人员利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 40,000 棵独立的树木，与本研究中使用的所有数据一样，均由国家生态观测网络提供。
深度神经网络能够对最常见的树种进行分类，准确率达到 75% 到 85%。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较开阔的地区准确率最高，在对松树、雪松和红杉等针叶树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。了解算法的优势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，以便他们的研究结果可以帮助其他生态研究。
研究人员补充道：“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。我们的目标是为研究人员提供美国各地生态系统中首批树木物种多样性的大规模地图。这些树冠图可以根据在每个站点收集的新数据进行更新。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准确的预测。”
