遠隔検知と機械学習技術を活用して,ゴールドロッド侵入種の侵入を検知・監視する

科学分野:

• エコロジー
• リモートセンシング
• 機械学習

背景:

• ゴールデンロッド (Solidago spp.) のような侵入性外来種 欧州の生物多様性と生態系サービスを脅かしている.
• 侵入種を調査する従来の調査は 労働密集的で 空間的に限られています
• 有効なモニタリングは侵入種を管理し,その生態学的影響を軽減するために不可欠です.

研究 の 目的:

• 侵入性ゴールデンロッド (Solidago spp. ) でした.
• ランダムフォレストとワンクラスサポートベクトルマシン (OCSVM) の分類器の性能を比較する.
• 侵入種を検出するための最適な衛星画像と時間データを特定します.

主な方法:

• ポーランド・カンピノス国立公園のSentinel-2とPlanetScopeの衛星画像を利用した.
• ランダムフォレストとOCSVM分類器を17のシナリオで実装し,スペクトル帯,植生指数,時間統計を含む.
• 秋の画像 (10月〜11月) を分析した.

主要な成果:

• ランダムフォレストはOCSVMを一貫して上回り,Sentinel-2データでF1スコア0.98を達成しました.
• センチネル2はより優れた大規模な検出精度を提供し,プラネットスコップはより高い局所的な詳細を提供しました.
• 秋の画像は黄金の棒の検出に最も効果的であることが判明しました. 植生インデックスは正確性を大幅に改善しませんでした.

結論:

• 機械学習と組み合わせたリモートセンシングは 侵入生物のモニタリングに 非常に正確なアプローチを提供します
• 顕微鏡のタイミング,特に秋の画像は,リモートセンシングベースの生態学的評価の成功に不可欠です.
• この方法は,侵襲的なゴールドロッドの管理のための伝統的な地上調査に,拡張可能で効率的な代替手段を提供します.