这页已由机器翻译。其他页面可能仍然显示为英文。
View in English
利用遥感和机器学习技术检测和监测黄金棒入侵物种
These videos have been matched automatically. Contact us if they are not relevant.
These videos have been matched automatically. Contact us if they are not relevant.
在PubMed上查看摘要
概括
此摘要是机器生成的。遥感和机器学习能够准确地检测入侵性黄金 (Solidago spp.) 使用卫星图像. 秋季的Sentinel-2数据为监测这些对生物多样性的威胁提供了最好的结果.
科学领域
- 生态学
- 遥感技术
- 机器学习
背景情况
- 侵袭性外来物种如黄金 (Solidago spp.) 威胁到欧洲的生物多样性和生态系统服务.
- 传统的入侵物种地面调查是劳动密集且空间有限的.
- 有效的监测对于管理入侵物种和减轻其生态影响至关重要.
研究的目的
- 评估用于检测和监测侵袭性黄金棒 (Solidago spp. ) 的情况.
- 为了比较随机森林和一类支持向量机 (OCSVM) 分类器的性能.
- 确定最佳的卫星图像和时间数据来检测入侵物种.
主要方法
- 使用了Sentinel-2和PlanetScope卫星图像用于波兰坎皮诺斯国家公园.
- 在17个场景中实施随机森林和OCSVM分类器,包括光谱带,植被指数和时间统计.
- 分析秋季图像 (十月至十一月) 由于明显的黄金现象.
主要成果
- 随机森林的表现始终优于OCSVM,使用Sentinel-2数据获得F1得分为0.98.
- 哨兵-2提供了更高的大规模检测准确性,而星球探测器提供了更高的局部细节.
- 秋天的图像被证明是最有效的黄金棒检测;植被指数没有显著提高准确性.
结论
- 遥感与机器学习相结合,为入侵物种的监测提供了非常准确的方法.
- 现象定时,特别是秋天的图像,对于成功的基于遥感的生态评估至关重要.
- 这种方法提供了一种可扩展和有效的替代传统地面调查,用于管理入侵性黄金棒.
