機器學習監測地球生態圈，應對全球氣候變化

別鬧了機器

圖示：碳匯的改善。碳匯，指的是通過植樹造林、森林管理、植被恢複等措施，利用植物光合作用吸收大氣中的二氧化碳，並將其固定在植被和土壤中，從而減少溫室氣體在大氣中濃度的過程、活動或機制。（來源：Nature）

這種新的機器學習方法的主要作用是「提高模型中關鍵參數的預測精度」，如葉面積指數、初級生產力毛額和太陽引起的葉綠素熒光等。其應用領域非常廣泛，像是提高農作物和碳匯的監測、變化和異常的檢測、旱澇災害的預測等方面。此外，該機器學習技術的應用會讓陸地碳匯的動態測量更加精確，這對緩解全球氣候變化的行動非常有用。

如今，遙感技術正在飛速發展，並影響著各個領域。衛星上的傳感器不斷地從遠程獲取有關地球的種種信息。從空間上去量化植被並研究其生化結構和功能，是了解全球變化、生物多樣性和農業的關鍵。

圖示：世界濕度分布圖（來源：semanticscholar.org）

自1970年代以來，遙感就在很大程度上依賴於植被指數，這些指數是衛星獲取的光譜信號的參數公式。指數的計算其實相對簡單，一般與土地覆蓋物的特定生物物理現象（如植被覆蓋率、含水量或光合作用活動等）有很強的相關性。因此，這些指數已經被廣泛用於量化陸地生物圈和當地生產力。然而，多個文獻也揭示了應用的一些局限性，這些問題在該文得以解決。

這篇論文的第一作者是瓦倫西亞大學的物理學家和電子工程教授，古斯塔烏-坎普斯-瓦爾斯（Gustau Camps-Valls）。他帶領的圖像和信號處理（ISP）小組提出了一種機器學習的「方法論」，該理論框架可以概括相關文獻中使用的所有植被指數。

圖示：瓦倫西亞大學的教授古斯塔烏-坎普斯-瓦爾斯（來源：uv.es）

「我們已經驗證了之前所有的方法都適合作為我們方法論中的特殊案例，這些方法大多是直觀的、啟發式的、基於簡單的物理原理的。現在，從統計學的角度來看，我們正在獲取更多的精確性，這大大減少了陸地生物圈研究領域進展緩慢的限制，」瓦爾斯教授解釋說，「新方法改善了我們所接觸到的所有結果：監測植被的表象學、量化碳吸收和行星尺度上的光合活動。」

「此外，我們的研究還表明，該方法對於檢測瞬時變化和植被覆蓋率，以及從空間上去估計作物產量等方面都非常有用，」歐洲研究中心的阿爾瓦羅-莫雷諾（lvaro Moreno）補充說。

總的來說，該論文所提出的方法，可以改進所有植被指數的應用，特別是過去四十年中使用最多的指數——NDVI，並為設計新的、更強大的參考指數提供了思路。

此外，它的算法還極其簡單。ISP的共同作者若爾迪-穆尼奧斯（Jordi Muoz）表示：「我們提供了所有編程語言的源代碼，包括谷歌地球引擎，大家可以在這個平台上進行行星層面上的縮放。通過這種方式，該框架將會被許多科學家、專業人士和開發人員采用。」

「新的指數囊括了以前所有的指數，這就提供了理論上的一種保證——它的工作原理是相似的，當然也可能更好，」巴倫西亞大學物理系ESR小組成員曼紐爾-坎波斯（Manuel Campos）說道。

除了用於監測陸地生物圈外，該論文所提出的統計方法在海洋學和氣象學等方面也有潛在的應用。實際上，這種機器學習方法可以被用於其他所有科學分支。