年6月，“哨兵2号”对地观测卫星发射成功，年3月“哨兵2b”对地观测卫星发射成功，自那时以来，这两颗卫星运行在公里轨道上，为气候保护和陆地监测等提供数据。
每隔3到5天，这两颗卫星将获得分辨率达10米的可见光和红外波段图像，为探测植被变化等特征提供了坚实的基础。来自亥姆霍兹环境研究中心(UFZ)的一个跨学科研究团队利用这些免费数据，对年和年德国草原的土地使用强度进行研究。这些草原的面积约为万公顷，占所有农业用地的近30%。
地使用得越密集，对初级生产、氮沉降和对气候变化的适应能力的影响就越大。草地长期存在的的先决条件是对砍伐或放牧的管理。如果管理不善，这些地区就会遭到灌木侵蚀。因此草地管理强度信息的获取对其提供生态系统服务的能力至关重要。通过获得更多的关于草原土地利用强度的信息，可以更好地了解生态系统的稳定性和功能。
然而德国没有关于农民如何管理草原的公开数据。UFZ的科学家使用分辨率为20米的卫星数据来推断德国的割草频率、牛、马、绵羊和山羊的放牧强度以及土地施肥情况。这三种管理方式的规模对草地使用强度至关重要。
UFZ的科学家将割草频率定义为0(未割草)到5(每年割5次)，并根据牲畜的类型、数量、年龄计算出从0到3(重度放牧)的放牧强度。对于土地施肥情况，分为施肥和未施肥。通过将这三种分类结合在一起，得出一个指标，表明草原地区的管理强度从“粗放型”进化到了“集约型”。
研究人员从卫星图像中获得的多维数据，利用人工智能(AI)技术，得出了三个使用参数的信息。人工智能可以非常有效地从过于复杂、人类无法理解的数据中获取信息。参考数据可以用来训练机器学习算法，以识别卫星数据中的模式，然后可以评估并应用这些模式来推断一些宏观上的结论。
自年以来，UFZ的科学家在不同土地利用强度的草地上进行了各种长期试验。这些实验研究了诸如土地利用如何影响生物多样性以及物种组成变化对生态系统过程的影响等。
科学家使用两种算法来评估机器学习从卫星数据中识别实际草地使用情况的准确性：随机森林(RandomForest)算法，一种用于土地覆盖分类的标准遥感方法，以及CNN(ConvolutionalNeuralNetworks)算法，一种主要用于图像处理的深度学习方法。
结果表明两种方法都很好地体现了真实情况，CNN方法稍微好一些。通过CNN方法，UFZ研究人员能够估算出年DFG生物多样性探索的数据，数据范围从66%到85%(放牧强度66%，割草强度68%，施肥强度85%)。基于随机森林算法对于所有三个参数的估计结果都略低。
对于类似的生态遥感研究，这是一个较高的分类精度，但如果有更多的草地利用数据，它还可以进一步提高。用于训练深度学习方法的数据越多，这些数据越准确，结果就会越准确。
在进一步的研究中，研究人员在德国四个地区测试了结果的可信性。其中两个地区(Oberallgau和Dithmarschen)以密集的草地利用而闻名，而Rhon生物圈保护区附近的一个地区仅得到适度利用，而萨克森-安哈尔特的一个自然保护区则被广泛利用。这一比较也产生了良好的遥感匹配结果与实际数据。
总体而言，UFZ团队发现，年德国草原的密集利用程度低于年。这主要是由于年的干旱和相关的草地生产力损失。计算显示年64%的草地没有被割，而年这一数值仅为36%。
研究结果还显示了德国各地的管理差异。在阿尔高(Allgau)或石勒苏益格-荷尔斯泰因(Schleswig-Holstein)等地区，管理往往非常密集，而在勃兰登堡(Brandenburg)或萨克森(Saxony)部分地区，管理要广泛得多。但这种评估仅仅是个开始。需要来自德国其他地区的更精确的管理数据，才能用机器学习算法得出更精确的结论。
UFZ的研究人员已经在网络服务中创建了研究结果的可视化版本。德国地图以20米分辨率显示了年和年的割草次数、放牧强度、化肥使用和土地使用程度。详见
转载请注明：http://www.0431gb208.com/sjszjzl/870.html
