基于深度学习的检测,用于监测半自然草原生物多样性的指标物种
Deepak H Basavegowda1,2, Inga Schleip3, Paul Mosebach3
1Technische Universität Berlin, Straße des 17. Juni 135, 10623, Berlin, Germany.
Environmental science and ecotechnology
|May 6, 2024
概括
深度学习模型现在可以使用温室种植标本的图像来识别关键的草原指标植物. 这一突破有助于在半自然草原中监测和保护生物多样性.
科学领域:
- 生态生态学 生态生态学
- 计算机科学 计算机科学
- 保护生物学 保护生物学
背景情况:
- 半自然草原是生物多样性的热点,需要有效的监测.
- 深度学习 (DL) 在草原保护中的应用受到数据稀缺性和生态系统复杂性的限制.
- 在高自然价值 (HNV) 草原中,指标物种对生物多样性评估至关重要.
研究的目的:
- 开发一个DL物体检测模型,用于识别HNV草原中的标志性植物物种.
- 为了克服草原保护DL模型培训的数据限制.
- 评估模型在不同数据源 (温室,实验和自然草原) 的性能.
主要方法:
- 在受控的温室条件下培养的标志物种 (海上,Campanula patula,Cirsium oleraceum,Daucus carota).
- 从温室种植的植物生成数据集,用于初始DL模型培训.
- 微调了DL模型,使用来自实验和自然草原地块的较小数据集来弥合受控和现场条件之间的差距.
主要成果:
- 在所有测试的数据集中,DL模型实现了高平均精度 (AP).
- 温室气体数据的AP分数为98.6% (AP50),实验草原数据的AP分数为98.2% (AP50),半自然草原数据的AP分数为96.5%.
- 使用温室生成的培训数据证明成功地在现场识别植物.
结论:
- 温室种植的植物标本可以有效地训练DL模型用于草原的现场生物多样性监测.
- DL提供了一个有前途的工具来加强生物多样性评估,并支持基于结果的农业环境保护计划.
- 该研究验证了DL的创新性使用,以克服生态监测中的数据稀缺性.
