在利用机器学习的生态系统修复项目中吸纳传统生态知识

生态系统修复已被认为对加速实现联合国所有可持续发展目标至关重要。从事这些项目的决策者、政策制定者、数据科学家、地球科学家及其他学者，可从显式考量并纳入多元视角中获益。在生态系统修复项目各阶段开展社区参与，有助于改善社区福祉、保护生物多样性与生态系统功能，以及增强社会生态系统的韧性。需要将本土居民与地方社区的传统生态知识与数据科学及机器学习工作实践有意义整合的概念框架。适应性框架将通过改善围绕修复与保护项目的社区及主体间沟通，并使相关实时数据可获取，来考量并应对地方社区与地理位置的需求与挑战。在本文中，我们简要分析了现有的用于森林生态系统修复项目的机器学习（ML）应用。进而我们质疑其固有局限是否会妨碍它们充分处理所有相关利益相关者福祉的社会文化层面。偏见与意外后果对基于ML的解决方案带来显著的下游负面影响的重大风险。我们建议适应性与可扩展的实践可在生态系统ML修复项目各阶段激励跨学科协作，并协调人类与算法行动者间的激励。此外，将ML项目构建为开放且可重复迭代的过程，可在多个层面便利获取，并创造激励以催化修复工作规模化中的合作。