Chesapeake Conservancy 的数据科学团队开发了一种用于绘制湿地地图的人工智能深度学习模型，其准确率为 94%。由独立的非营利性能源研发机构 EPRI 支持;林肯电气系统;和 Grayce B. Kerr Fund, Inc. 合作，这种湿地测绘方法可以为保护和养护湿地带来重要成果。结果发表在同行评议的《全面环境科学》杂志上。

用于绘制湿地地图的人工智能深度学习模型的准确率为94%

该团队使用来自三个地区的免费数据训练了一个用于高分辨率 (1m) 湿地测绘的机器学习(卷积神经网络)模型：明尼苏达州 Mille Lacs 县;特拉华州肯特县;和纽约州圣劳伦斯县。完整模型需要州湿地数据和国家湿地清单 (NWI) 提供的本地训练数据，以 94% 的准确率绘制湿地地图。

“我们很高兴支持这个激动人心的项目，因为它探索了使用卫星图像描绘湿地的新方法，”EPRI 首席技术负责人 Nalini Rao 博士说。“它有可能通过直接在办公桌上使用 GIS 工具来节省自然资源管理人员在现场的时间。此外，它还可以帮助公司和公众管理对湿地的影响，因为计划建设基础设施以实现脱碳目标。”

“基础设施投资和就业法案正在向将对景观产生影响的项目投入数千亿美元。然而，我们所依赖的用于最大程度减少对湿地影响的数据已经过时了，”环境政策创新中心的恢复经济说。中心主任 Becca Madsen，前 EPRI 研究员。“现在是投资更新我们国家的湿地数据并建立可持续且具有成本效益的流程来保持更新的最佳时机。”

“当这个高度准确的模型被放大以预测更大地理区域的湿地时，例如切萨皮克湾或毗邻的，这将改变游戏规则。它避免了手动绘制湿地地图以及使用传统地图绘制湿地地图的需要机器学习需要大量的数据处理、管理和手动特征工程，这两者都非常耗时、劳动密集且非常昂贵，”切萨皮克保护协会的数据科学负责人/高级数据科学家 Kumar Mainali 博士说。

这对保护和养护湿地意味着什么

新模型将帮助基础设施规划者在规划过程中避开湿地，从而节省成本和保护湿地。潜在的有利情况包括不断努力扩大和开发可再生能源，这需要扩大电力基础设施。

该模型的产品是湿地概率图。该概率数据可用于绘制最可能的湿地范围，但如果用户愿意，他们可以绘制具有较低概率阈值的湿地范围。生成的地图限制了遗漏湿地的可能性，尽管它绘制的湿地比现实中的要多。

也有可能使用这个模型来绘制湿地已经消失的位置，因为它们是用 NWI 绘制的。此外，还可以确定湿地恢复的潜在地点。例如，即使出于田间湿地划定的目的，模型也会拾取持续潮湿的农田，这些区域在积极耕种时不被视为湿地。

该团队将把模型扩展到各州或更大的地区，并继续在不同地区训练模型。

模型克服了内布拉斯加州试点中的过时数据

在初始模型开发之后，该模型扩展到包括内布拉斯加州兰开斯特县。该地区的湿地建模证明具有挑战性，因为该地区的 NWI 数据已经过时数十年，并且包括几个因开发而丧失的地区的湿地。该团队有兴趣了解该模型是否可以成功绘制湿地地图，因为最近没有高质量的湿地数据集可用于训练模型。

湿地模型是用几十年前的 NWI 数据集和最近的卫星和航空图像数据训练的。团队发现，与训练前的预测相比，NWI 数据将湿地测绘的局部精度提高了 10%，显示了在新的地理区域使用局部训练数据的重要性。

此外，该模型正确地忽略了因开发而丧失的湿地，尽管这些湿地保留在过时的训练数据中，如下图所示(过时的训练数据以绿色显示;模型预测为紫色，覆盖在最近的卫星图像上). 该模型在确定数据中的主要模式方面的性能既可以提高局部制图精度，又可以准确反映湿地的存在和不存在，这有利于该方法的实用性。

尽管湿地数据在规划基础设施项目和管理野生动物方面发挥着重要作用，但 NWI 湿地数据多年来一直没有得到全面更新。如下图所示，全国许多 NWI 数据可以追溯到 1970 年代和 80 年代，但仍然是最好的可用数据。一种可以利用不同年份的训练数据的湿地制图建模方法，对于在最需要湿地制图的地方实现现代化非常有用。

关于模型

模型从中学习湿地模式的湿地训练中使用的“预测”层是：农业部国家农业影像计划 (NAIP) 航空影像 (1m)、Sentinel-2 光学卫星影像 (10-20m)、LiDAR 衍生geomorphons，一种绘制地貌的方法，Chesapeake Conservancy 一直在应用它来推进高分辨率流图绘制;和 LiDAR 强度，这是一种经常用于识别水和持续潮湿土壤的指标。

此外，该团队仅使用 USDA NAIP 和 Sentinel-2 数据作为输入层训练了一个更简单的模型，确保了 91.6% 的准确率。