2022年8月出版的《环境遥感》（Remote Sensing of Environment）杂志刊发了题为《利用机器学习和Sentinel-2时间序列绘制德国草原土地利用强度》（Mapping land-use intensity of grasslands in Germany with machine learning and Sentinel-2 time series）的文章称，德国亥姆霍兹环境研究中心（UFZ）的研究人员开发了一种新方法，可以实现基于卫星数据和机器学习方法对草地和牧场的土地利用强度进行高分辨率、国家级范围的制图绘图。

广泛使用的草原具有高度的生物多样性，作为碳汇具有重要的气候保护功能，也用于饲料和粮食生产。草原长期保护的先决条件是基础管理，例如割草或放牧。如果不使用，这些地区会遇到灌木侵占。但草原管理的强度对其提供生态系统服务的能力至关重要。然而，没有关于农民如何管理草原的公开数据。需要更多关于草原土地利用强度的信息，以便更好地了解生态系统的稳定性和功能。为此，来自亥姆霍兹环境研究中心（UFZ）的研究人员基于地球观测卫星Sentinel-2的可用数据，研究了2017年和2018年德国草原的土地利用强度。研究人员使用人工智能（AI）技术分析了从卫星图像中获得的多维数据，推导出包括割草频率、牛、马、绵羊和山羊的放牧强度以及施肥情况3个指标的信息。此外，研究人员还从德国研究基金会（DFG）赞助的位于海尼希、绍尔夫海德和施瓦比舍阿尔布的3个生物多样性观测站的现场数据中获得了验证数据。研究人员使用了2种算法来评估机器学习从卫星数据中识别实际草地使用的准确度，即RF（随机森林）和CNN（卷积神经网络）。分析结果显示，2种方法都很好地反应了实际观测情况，相比之下，CNN方法准确率更高。研究人员还在德国的4个示例地区测试了结果的合理性和准确性。最后，基于该方法，研究人员研发了德国草地在2017—2018年度20米尺度上的割草事件数量、放牧强度、化肥使用和土地利用程度的可视化地图。

研究人员表示，类似的评估仅仅是一个良好的开头，未来，仍然需要来自其他地区更为精确的管理数据，以便通过机器学习算法得到更精确的结果。