基于自监督学习的卫星特征可监测地下真菌生物多样性
机器学习
2026-04-14 v1 计算工程、金融与科学
摘要
菌根真菌对陆地生态系统功能至关重要。然而，由于时间和成本限制，常常难以在景观尺度上监测其生物多样性。当前预测表明，90% 的菌根生物多样性热点仍未受到保护，这引出了如何广泛且有效地映射地下真菌社区的问题。本文表明，应用自监督学习（Self-supervised Learning, SSL）处理卫星影像，可预测地下异种菌真菌丰富度，覆盖多个不同环境。我们的模型在约 12,000 个现场样本（跨越欧洲和亚洲）中解释了超过一半的物种丰富度方差。SSL 派生特征证明是单一最具信息量的预测因子，涵盖了气候、土壤和土地覆盖数据集的绝大部分信息。通过此方法，我们实现了空间分辨率在现有技术上的 10,000 倍的提升，将从 1km 景观平均值提升至 10m 栖息地尺度观测，几乎无系统性偏差。由于卫星观测是动态的而非静态的，这首次实现了在景观尺度上对地下生物多样性进行的时间监测。我们分析了跨越英国国家公园林地的多年趋势，发现古老森林可能正在以超出比例的速度损失异种菌真菌多样性。这些结果确立了 SSL 卫星特征作为可扩展工具的地位，将稀疏现场观测扩展到连续、高分辨率的生物多样性图中，以监控陆地生态系统不可见的半部分。
引用
@article{arxiv.2604.09818,
title = {Below-ground Fungal Biodiversity Can be Monitored Using Self-Supervised Learning Satellite Features},
author = {Robin Young and Michael E. Van Nuland and E. Toby Kiers and Tomáš Větrovský and Petr Kohout and Petr Baldrian and Srinivasan Keshav},
journal= {arXiv preprint arXiv:2604.09818},
year = {2026}
}