使用机器学习绘制海狸水坝地图

北美海狸以其工程能力改变了生态系统。通过积水、挖掘渠道和觅食附近的植被，它们极大地改变了从苔原到沙漠等各种环境的景观。

从17世纪开始的两个世纪的毛皮贸易摧毁了厚涂层建筑商，但今天，海狸种群正在逐渐反弹。这对许多生态系统来说是个好消息，因为海狸建筑为濒危物种创造了宝贵的栖息地，捕获了碳，并改善了干旱地区的水供应。

尽管有这些生态学影响，但科学研究中一直缺少海狸栖息地的大规模测绘。大多数映射的大坝都是手动识别的，这需要大量的时间和精力。

为了加速海狸大坝的识别，Emily Fairfax及其同事应用机器学习来搜索高分辨率地理空间图像，以寻找景观和区域尺度区域的可能大坝综合体。研究人员开发了地球引擎自动地理空间元素识别(EEAGER)模型，该模型使用在航空和卫星图像中对海狸坝的数千个已知位置进行训练的神经网络。他们的研究发表在《地球物理研究杂志：生物地球科学》上。

在这项研究中，该团队训练模型以识别美国西部的大坝，然后在训练区域之外对其进行测试，以查看它是否正确地发现了图像中的其他大坝。总体而言，EEERE在描述成像景观中的地点是否有水坝方面准确率为98.5%。作者指出，模型的召回率(模型正确识别的已知水坝的百分比)和精度(模型预测的大坝的百分比)分别为63%和26%，可以通过在海狸建造的不同地区进行额外训练来改善。

不过，他们说，相对较高的召回率是一个好兆头，这表明该模型可以检测到大部分实际大坝。他们还指出，假阳性大坝识别可以很容易地手动从目录中删除，许多假阳性接近实际的海狸大坝。

研究人员指出，这项工作可以帮助跟踪海狸种群和健康状况以及生态系统变化和基于海狸的河流恢复，该方法可用于监测大地区的其他复杂地貌。