基于深层神经网络的地面级 imagery 栖息地分类

局部尺度下的栖息地评估——对于增强生物多样性并指导保育优先事项至关重要——通常依赖专家现场调查，这些调查往往成本高昂，促使探索基于 AI 的工具以自动化和细化此过程。虽然大多数基于 AI 的栖息地映射依赖遥感，但往往受制于传感器可用性、天气条件以及粗糙分辨率的限制。相比之下，地面级 imagery 捕获了对以上视角不可见的关键结构与组成线索，仍然鲜有用于稳健、细粒度栖息地分类。本研究通过应用最新深度神经网络架构处理地面级栖息地 imagery。我们利用覆盖 18 类广泛栖息地类型的 UK Countryside Survey 数据，评估了两种模型族——卷积神经网络 (CNNs) 和视觉转换器 (ViTs)——在监督学习和监督对比学习范式下的表现。我们的结果表明，ViTs 在关键分类指标上始终优于最先进的 CNN 基线 (Top-3 准确率 = 91%，MCC = 0.66)，并为针对地面级图像提供更具解释性的场景理解。此外，监督对比学习显著降低了在视觉上相似栖息地 (如改良 vs 中性 草地) 之间的误分类率，这是由更具辨识力的嵌入空间驱动的。最后，我们的最佳模型在图像中实现栖息地分类方面的表现与经验丰富的生态学专家持平，这凸显了专级自动评估的潜力。通过将先进 AI 与生态学专长相结合，本研究建立了一个可扩展、成本效益高的地面级栖息地监测框架，以加速生物多样性保育并为国家尺度的土地利用决策提供支持。