新的雷達技術加機器學習改進對關鍵授粉媒介的識別和追蹤

 (https://academic.oup.com/pnasnexus/article/5/4/pgag096/8662959?login=false)

 在空間和時間上以足夠高的分辨率監測昆蟲生物多樣性對於支撐陸地生態系統穩健且響應迅速的管理至關重要。這項研究提出了一種利用毫米波（mmWave）訊號技術和分層機器學習（ML）框架對單一授粉昆蟲進行分類的新方法。儘管基於機器學習的物種識別已被應用於影像系統，但由於其對影像品質不佳和光照條件變化的高度敏感性，其在昆蟲監測和分類方面的應用仍然有限。然而，毫米波系統利用機器學習進行昆蟲物種識別的潛力仍未充分開發。毫米波雷達能夠取得人眼或相機無法直接觀測到的生物力學特性。這些特徵編碼在昆蟲翅膀拍動產生的諧波模式中，並反映在雷達訊號中。這篇論文系統性地探討了與翅膀拍動相關的訊號特徵，並採用Shapley Additive exPlanations分析來識別對分類性能貢獻最大的區分性特徵。論文開發了一種分層機器學習模型，該模型在對五種關鍵傳粉昆蟲進行分類時達到了 85% 的準確率。鑑於毫米波系統在通訊基礎設施中的日益普及，該方法為高解析度監測昆蟲生物多樣性提供了一種可擴展、經濟高效且非接觸式的解決方案。