利用地面图像的自然栖息地自动分类

准确分类陆地栖息地对于生物多样性保护、生态监测和土地利用规划至关重要。目前使用的几种栖息地分类方案通常基于卫星图像分析并由野外生态学家进行验证。在此，我们提出一种仅基于地面图像（照片）的栖息地分类方法，提供了改进的验证能力并能够大规模分类栖息地（例如使用公民科学图像）。本研究与负责英格兰自然保护的公共部门组织 Natural England 合作，开发了一种将深度学习应用于地面栖息地照片的分类系统，将每张图像归类为 'Living England' 框架定义的 18 个类别之一。图像通过调整大小、归一化和数据增强进行预处理；采用重采样来平衡训练数据中的类别，以增强模型的鲁棒性。我们开发并微调了 DeepLabV3-ResNet101 分类器，为每张照片分配栖息地类别标签。使用五折交叉验证，该模型在 18 个栖息地类别中表现出强大的整体性能，不同类别的准确率和 F1 分数有所差异。在所有折中，该模型的平均 F1 分数为 0.61，视觉上明显的栖息地如裸土、粉砂和泥炭（BSSP）以及裸沙（BS）的值达到 0.90 以上，而混合或模糊类别的得分较低。这些发现证明了该方法在生态监测中的潜力。地面图像易于获取，基于此类数据进行栖息地分类的准确计算方法具有许多潜在应用。为支持从业者使用，我们还提供了一个简单的 Web 应用程序，使用我们的模型对上传的图像进行分类。