《Remote Sensing in Ecology and Conservation》：Retrospective image analysis for long-term demography using Google Earth imagery
编辑推荐：
本研究针对传统生态监测成本高、耗时长的问题，提出了一种结合现场地面实况数据和历史Google Earth RGB影像的回顾性图像分析框架。通过对入侵植物仙人掌属(Opuntia spp.)和番杏属(Carpobrotus spp.)的应用，研究者利用深度学习模型实现了对个体的高精度检测（准确率60%–80%），并成功重建了长达10-20年的空间显性补充率和克隆生长动态。该研究证明了利用公开影像进行低成本、长期、大尺度种群统计监测的可行性，为生物入侵管理、生态预测和保育工作提供了新工具。
在全球生态系统快速退化、而传统监测方法又费时费力的背景下，科学家们一直在寻找更高效、覆盖范围更广的“天眼”。近年来，卫星、Google Earth等平台提供的公开影像数据如潮水般涌现，似乎为我们打开了一扇观察地球生态变迁的新窗口。然而，这些唾手可得的“数字宝藏”在物种探测和种群动态追踪方面的潜力，却远未被充分挖掘。面对这一挑战，一支研究团队将目光投向了那些在全球范围内疯狂扩张的“不速之客”——入侵植物，并思考：能否利用这些随手可得的网络影像，像侦探翻阅历史档案一样，追溯它们过去十年甚至二十年的“成长史”和“家族扩张史”呢？
这项发表在《Remote Sensing in Ecology and Conservation》上的研究，给出了一个充满希望的答案。研究者开发并验证了一套创新的研究流程，将当下实地收集的精确位置信息与Google Earth浩如烟海的历史RGB（红绿蓝三通道）影像相结合，成功提取了两种形态迥异的地中海入侵植物的长期种群统计信息。这不仅为生态监测提供了一种前所未有的、低成本的回溯工具，也为理解物种入侵过程、评估其环境影响以及制定精准管理策略开辟了新路径。
为了回答上述问题，研究人员综合运用了多项关键技术。首先，在多个研究地点（西班牙、希腊、葡萄牙、英国等）使用高精度全球导航卫星系统(GNSS)和无人机(UAV)对目标植物（仙人掌属Opuntia spp.和番杏属Carpobrotus spp.）个体进行地理定位和RGB影像采集，作为“地面实况”数据。其次，从Google Earth Pro软件下载历史高分辨率（地面采样距离GSD约15-30厘米/像素）影像。接着，利用人工智能辅助的实例分割工具（如GeoSAM插件结合Segment Anything Model）对影像中的目标植物个体进行分割和标注。然后，对多时相影像进行地理配准，以确保不同年份的影像能够精确对齐，从而追踪同一植物个体或斑块随时间的变迁。最后，运用深度学习目标检测工具箱（AutoDL，测试了FoveaBox、YOLOv3等架构）自动识别植物个体，并对长期影像序列进行分析，以重建补充、生长、种群结构等动态。
研究结果
研究案例1. 不同生境中仙人掌的自动检测
研究显示，利用公开的Google Earth影像自动检测仙人掌属植物个体可以获得较高准确率。在五个研究地点，最优模型的检测准确率在58%到73%之间。其中，无锚框目标检测系统FoveaBox架构表现最佳。研究发现，目标物体（仙人掌）自身的颜色变异性低、背景与目标物体的颜色变异性比值高时，模型准确率更高。个体大小是影响检测成功的关键因素，对于面积小于4平方米的小个体检测有限，但该方法能捕获约80%的总体种群。利用在西班牙萨贡特训练的最佳模型（准确率73%），研究者成功识别了调查区域附近额外的401个仙人掌个体。
研究案例2. 沿气候梯度的仙人掌长期空间显性种群监测
对沿气候梯度分布的三个仙人掌种群，研究者获取了自2012年起至少每年一幅的高质量历史影像。通过跨时间的空间显性个体追踪，该方法实现了一系列生态学应用，包括：估算个体年龄、追踪种群增长、识别高/低补充年份、表征种群结构、建模年龄-大小关系以及定位高/低补充区域。例如，三个种群的年补充率在1.4到8.5个体/年之间，且干旱度与个体补充率呈强正相关（P值 < 0.01，R2> 0.88），揭示了在年均温更高、年降水量更低的地区，仙人掌的补充率最强。
研究案例3. 两种不同环境中番杏的长期个体面积占有动态
研究证明，利用Google Earth影像可以量化被入侵面积以规划管理成本。例如，2025年在葡萄牙Ponta da Piedade观测到约7,350平方米的番杏覆盖面积。通过监测近20年，研究者分析了15个遗传个体(genet)的面积占有动态，揭示了其一致的平均增长率为12.95 ± 5.32 平方米/年。较小的斑块显示出较小但正向的增长率，而较大斑块的瞬时面积变化变异性更高。该方法能够有效监测入侵面积的扩张或收缩。
研究结论与意义
本研究表明，回顾性图像分析为提取关键的种群统计参数提供了一种非侵入性方法。该方法能够估算个体年龄、补充、死亡率等，尤其适用于像仙人掌这样离散分布的物种。对于番杏这类克隆、垫状生长的物种，则需采用基于面积（斑块水平）的分析方法。研究者成功揭示了仙人掌在干旱地区持续较高的补充率，并建立了可用于推测其他个体大致年龄的大小-年龄模型。
这项研究的核心价值在于，它巧妙地利用了已有的、公开的Google Earth影像数据，绕过了长期生态监测对持续资金和现场人力的苛刻要求，实现了对种群动态的“历史重建”。这为生态学研究，特别是对入侵物种的监测和管理，提供了一个成本低廉、可大范围推广的强大工具。通过将空间与时间维度结合，该流程能量化种群结构、密度和动态如何响应环境异质性，有助于识别入侵热点、高补充或高扩张区域，从而优先分配控制和管理资源。
当然，该方法的应用也受限于物种特性、栖息地和影像质量。理想的候选物种通常具有面积大、与周围环境颜色纹理对比鲜明、固着、多年生、种群增长率高、周转率低、丰度高等特点，许多入侵植物恰好符合这些条件。
总而言之，这项研究展示了如何将“信息生态学”(iEcology)的方法与传统生态学结合，通过挖掘并非为生态研究目的而收集的数字数据流（如Google Earth影像），极大地扩展了对过去生态过程的理解能力。尽管存在影像时空分辨率不均、对小个体检测有限等挑战，但作为一种低成本、大尺度的补充性工具，回顾性图像分析无疑将在加速生物多样性保护、指导生态恢复和支持稳健的生态预测中发挥越来越重要的作用。
