由美国俄勒冈州佛罗里达大学的 Ben Weinstein 领导的合作研究小组利用机器学习绘制了美国 24 个地点 1 亿多棵树木的详细地图，并于 7 月 16 日在开放获取期刊PLOS Biology上发表了他们的研究成果。这些地图提供了有关单个树种和状况的信息，可以极大地帮助保护工作和其他生态项目。

长期以来，生态学家一直在收集树种数据，以便更好地了解森林独特的生态系统。从历史上看，这是通过勘测小块土地并推断这些发现来实现的，但这无法解释整个森林的变化。其他方法可以覆盖更广泛的区域，但往往难以对单棵树进行分类。

为了生成大型且高度详细的森林地图，研究人员使用树冠图像和其他飞机拍摄的传感器数据训练了一种称为深度神经网络的机器学习算法。这些训练数据涵盖了 40,000 棵树，与本研究中使用的所有数据一样，它们均由国家生态观测网络提供。

深度神经网络能够以 75% 至 85% 的准确率对最常见的树种进行分类。此外，该算法还可以提供其他重要分析，例如报告哪些树是活的或死的。

研究人员发现，深度神经网络在树冠空间较开阔的地区准确率最高，在对松树、雪松和红杉等针叶树种进行分类时表现最佳。

该网络在物种多样性较低的地区也表现最佳。了解该算法的优势有助于将这些方法应用于各种森林生态系统。

研究人员还将模型的预测结果上传到 Google Earth Engine，以便他们的研究结果能够帮助其他生态研究。研究人员表示：“重叠数据集的多样性将促进对森林生态学和生态系统功能的更深入理解。”