通过使用深度学习,自动识别大规模的干旱地区受威胁物种

科学领域:

• 生态生态学 生态生态学
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 干旱地区的生物多样性正在迅速减少,需要先进的保护工具.
• 中国塔林河流域的危物种Populus euphratica已经经历了显著的人口下降.

研究的目的:

• 评估深度学习模型,以使用高分辨率卫星图像进行自动化,大规模检测受威胁的干地物种.
• 为了比较Deeplabv3+,Unet和Pspnet在识别Populus euphratica的性能.

主要方法:

• 使用高分辨率 (0.3米) 无人机 (UAV) 卫星图像进行物种识别.
• 应用了三种深度卷积神经网络模型:Deeplabv3+,Unet 和 Pspnet.
• 根据不同训练数据集大小和平均像素精度 (MPA) 评估模型性能.

主要成果:

• 在80个训练样本中,Deeplabv3+获得了最好的整体性能,MPA在87.31%至90.2%之间.
• 在Deeplabv3+的表现中,Deeplabv3+的表现平均比Unet和PSPnet高出3.74%,分别为11.29%.
• Deeplabv3+准确地确定了Populus euphratica的边界,即使是在密集的植被中,像素的不确定性也较低.

结论:

• 基于无人机的深度学习框架提供了大面积,难以进入的干地物种的准确,高分辨率的识别.
• 这种方法支持对像Populus euphratica这样的物种采取快速有效的保护行动.
• 该研究强调了先进人工智能的潜力,用于监测和保护脆弱的生态系统.