机器学习监测地球生态圈，应对全球气候变化

编译/大路

近期，研究人员提出了一种通过「机器学习」来改进对陆地生物圈的观察和分析的新方法。这种新型统计方法将在监测植物、碳汇以及预测洪水等方面发挥重要作用。相关研究成果已发表在《科学进展》（Science Advances）杂志上。

图示：碳汇的改善。碳汇，指的是通过植树造林、森林管理、植被恢复等措施，利用植物光合作用吸收大气中的二氧化碳，并将其固定在植被和土壤中，从而减少温室气体在大气中浓度的过程、活动或机制。（来源：Nature）

这种新的机器学习方法的主要作用是「提高模型中关键参数的预测精度」，如叶面积指数、初级生产力毛额和太阳引起的叶绿素荧光等。其应用领域非常广泛，像是提高农作物和碳汇的监测、变化和异常的检测、旱涝灾害的预测等方面。此外，该机器学习技术的应用会让陆地碳汇的动态测量更加精确，这对缓解全球气候变化的行动非常有用。

如今，遥感技术正在飞速发展，并影响着各个领域。卫星上的传感器不断地从远程获取有关地球的种种信息。从空间上去量化植被并研究其生化结构和功能，是了解全球变化、生物多样性和农业的关键。

图示：世界湿度分布图（来源：semanticscholar.org）

自1970年代以来，遥感就在很大程度上依赖于植被指数，这些指数是卫星获取的光谱信号的参数公式。指数的计算其实相对简单，一般与土地覆盖物的特定生物物理现象（如植被覆盖率、含水量或光合作用活动等）有很强的相关性。因此，这些指数已经被广泛用于量化陆地生物圈和当地生产力。然而，多个文献也揭示了应用的一些局限性，这些问题在该文得以解决。

这篇论文的第一作者是瓦伦西亚大学的物理学家和电子工程教授，古斯塔乌-坎普斯-瓦尔斯（Gustau Camps-Valls）。他带领的图像和信号处理（ISP）小组提出了一种机器学习的「方法论」，该理论框架可以概括相关文献中使用的所有植被指数。

图示：瓦伦西亚大学的教授古斯塔乌-坎普斯-瓦尔斯（来源：uv.es）

「我们已经验证了之前所有的方法都适合作为我们方法论中的特殊案例，这些方法大多是直观的、启发式的、基于简单的物理原理的。现在，从统计学的角度来看，我们正在获取更多的精确性，这大大减少了陆地生物圈研究领域进展缓慢的限制，」瓦尔斯教授解释说，「新方法改善了我们所接触到的所有结果：监测植被的表象学、量化碳吸收和行星尺度上的光合活动。」

「此外，我们的研究还表明，该方法对于检测瞬时变化和植被覆盖率，以及从空间上去估计作物产量等方面都非常有用，」欧洲研究中心的阿尔瓦罗-莫雷诺（Álvaro Moreno）补充说。

总的来说，该论文所提出的方法，可以改进所有植被指数的应用，特别是过去四十年中使用最多的指数——NDVI，并为设计新的、更强大的参考指数提供了思路。

此外，它的算法还极其简单。ISP的共同作者若尔迪-穆尼奥斯（Jordi Muñoz）表示：「我们提供了所有编程语言的源代码，包括谷歌地球引擎，大家可以在这个平台上进行行星层面上的缩放。通过这种方式，该框架将会被许多科学家、专业人士和开发人员采用。」

「新的指数囊括了以前所有的指数，这就提供了理论上的一种保证——它的工作原理是相似的，当然也可能更好，」巴伦西亚大学物理系ESR小组成员曼纽尔-坎波斯（Manuel Campos）说道。

除了用于监测陆地生物圈外，该论文所提出的统计方法在海洋学和气象学等方面也有潜在的应用。实际上，这种机器学习方法可以被用于其他所有科学分支。