在竞相拥抱新技术的过程中，一些生态学家担心他们的领域正在与自然脱节。
塔德奥·拉米雷斯-帕拉达攻读博士学位时研究的是植物开花时间——但他没有碰过一片花瓣。相反，他开发了一种机器学习算法，分析了一百万份植物标本的数字化图录，从而揭示了随着气温升高，植物开花时间是如何变化的。
拉米雷斯-帕拉达的研究帮助解开了生态学中的一个重要谜团——植物会随着气温变化调整开花时间以应对高温，而不是通过自然选择进行适应¹。然而，他迄今为止的研究几乎完全基于计算机。“我几乎不需要进行任何实验或实地考察，”拉米雷斯-帕拉达说道，他曾在加州大学圣巴巴拉分校获得博士学位。生态学家们：不要失去野外考察的乐趣
拉米雷斯-帕拉达的研究是生态学各个领域正在发生的变革的典型代表。无论科学家们分析的是什么——数字化标本、自然世界的图像、DNA样本，还是来自传感器的数据流——许多人都在室内进行研究。
这些技术正在创造一个可以在以前无法想象的时间、地点和规模上进行监测的世界。法国巴纽尔斯滨海索邦大学海洋观测站的海洋科学家马克·贝松在2022年发表的一篇论文中写道，我们正在朝着“生态群落的全自动监测”迈进。
许多生态学家表示，这场革命为理解生物多样性危机和辨别全球变化模式提供了巨大的潜力。
但一些生态学家感到沮丧。他们认为，这门学科正在失去与研究对象的密切联系。他们指出，实地考察经验正在减少，而这种减少可能导致误差、偏见以及对结果的过度简化。
“如果有一天你不用走出去就能成为生态学家，我们就会逐渐失去对真实世界的认知，”英国剑桥大学研究保护生物学的比尔·萨瑟兰说道。
始终开启
和世界各地的科学家一样，生态学家们也在努力思考如何充分利用海量数据。
过去几十年里，世界各地的自然历史博物馆和植物标本馆已经将超过10亿件标本数字化，其中一些还附有DNA记录。
与此同时，公民科学家和研究人员一直在向 iNaturalist 等数据库提供数亿条观测数据，这些数据会被纳入全球生物多样性信息机构 (GBIF)，这是一个自然历史的中央数据库。
此外，还有来自相机陷阱（当受到运动激活时会拍摄照片）、麦克风、动物追踪设备、无人机、卫星和 DNA 采样器等传感器的数据流。
这种传感器无需人工干预即可运行数年。过去，远程放置的相机陷阱最终会耗尽电量；而现在，此类设备的能耗极低，并且可以依靠太阳能或风能。带宽不再是全天候数据传输的障碍。
计算机科学的发展速度远超预期³。人工智能系统已经能够利用这些数据识别物种；它们也被用于构建物种分布模型和谱系树等更复杂的任务。一些生态学家预测，基于海量数据集学习并创建新内容的生成式人工智能，很快就能构建更复杂的模型，从而引领我们理解生态过程并预测物种对环境变化的响应。
据俄亥俄州立大学哥伦布分校的计算生态学家 Tanya Berger-Wolf 称，目前至少有 100 个实验室将他们的工作称为“人工智能造福自然”。
这种方法已初见成效。一个名为CamAlien的欧洲项目，利用安装在汽车、船只和火车上的高分辨率摄像头，结合机器学习处理能力，追踪入侵物种。这些摄像头在高速行驶时，会迅速拍摄道路和铁轨两侧的影像，并就地分析图像，然后将有关外来入侵植物的警报上传到覆盖全欧洲的在线地图。
丹麦奥胡斯大学生态学家托克·托马斯·霍耶（Toke Thomas Høye）是CamAlien系统的共同开发者之一，他表示，该系统表明，在短短几年内，新技术与人工智能的结合已经“从主要展示潜力发展到真正开始实现实际应用”。目前，约有16个欧洲国家正在试用这项技术，以评估入侵物种的分布情况。
同样，在一些昆虫数量急剧下降的情况下，一个研究团队改进了最初用于捕捉哺乳动物的相机陷阱技术，使其能够识别和监测数量远超哺乳动物的昆虫物种。霍耶表示，五年前，自动化昆虫监测技术还不存在。得益于人工智能的发展，科学家们现在能够区分数千种昆虫。
“它为我们打开了一扇通往自然世界的大门，让我们得以窥见比以往相机陷阱所覆盖的更为丰富的自然世界，”霍耶说道。他和他的团队认为，让昆虫监测变得更加便捷、省力，将有助于我们了解全球昆虫种群的状况。
另一个研究团队部署了一套麦克风系统，旨在更深入地了解鸟类从挪威飞越欧洲至西班牙地中海沿岸的迁徙路线。该项目名为TABMON，目前正在昼夜不停地实时传输声景数据。人工智能工具会分析这些数据，并将其转化为常用的生物多样性指标。
“拥有大陆尺度的标准化生态数据极其罕见，”伦敦帝国理工学院研究生态系统传感的萨拉布·塞蒂（Sarab Sethi）说道，他也是麦克风设计的负责人，“尤其是在声学技术能够提供如此精细的时间分辨率，涵盖多种物种，并跨越多年的情况下。”该项目尚未公布首批研究成果。
经验的消亡
很少有人会质疑更多的数据和细节带来的好处，但英国埃克塞特大学研究人与自然关系的凯文·加斯顿表示，这带来了一个不祥的副作用：实地考察经验正在减少。
加斯顿和他的合著者曾我正志（东京大学研究人与自然互动丧失的学者）在2025年3月发表的一篇论文<sup> 4 </sup>中指出，目前存在一种“经验消亡”的现象：以实地考察为基础的研究和教育普遍衰落，进而影响了人们对生态的理解深度。他们还指出了其他风险，例如与当地社区的互动减少——众所周知，这种互动对于成功的自然保护至关重要。
其他人则对“人工智能殖民主义”表示担忧，这种做法是指在较贫穷的国家远程收集数据，然后将其转移到其他地方设备齐全的实验室进行分析。在印度的森林里，生态学家们充分利用实地考察的力量。
目前几乎没有定量数据可以支持或反驳Gaston和Soga的论点。一项对1980年至2014年间发表的生态学研究进行的分析发现，基于实地考察的研究数量（占总数的比例）下降了20%，而模型构建和数据分析的研究数量分别增长了600%和800%。但这些是相对变化，而非绝对数值，而且该数据集的截止日期已超过十年。
然而，据传闻，加斯顿和索加的论文引起了广泛关注。自发表以来，许多团体都引用了该论文，并警告说，缺乏户外研究正在阻碍从独居蜜蜂到恐龙化石等诸多课题的研究。
还有一些轶事证据表明，越来越多的计算机科学家投身生态学领域，他们对自身能力充满热情，但却缺乏实地经验。被誉为计算生态学创始人之一的伯杰-沃尔夫就是如此。她拥有理论计算机科学博士学位，但由于嫁给了一位生态学家，她说，每当她与生态学界的其他人交流时，总会“觉得，哦，这个问题肯定还有其他的答案”。
2003年，伯杰-沃尔夫改变了研究方向，到2005年，她开始开发动态网络分析算法，以描绘肯尼亚塞伦盖蒂斑马的社会互动。野外同事们敦促她去查看数据，但她总是拒绝：“我是个城里姑娘。我不喜欢灰尘和虫子。我的回答是：‘不，我的数据在屏幕上看起来很漂亮。’”
塞蒂也是一位从工程专业转行到生态学领域的学者。2016年，他决定将声学监测应用于生态学研究，并以此作为他的博士论文课题——但这位自称“大地恋”的学者很快发现自己在马来西亚婆罗洲的热带雨林中力不从心。
“我现在意识到，我当时做了一件极其愚蠢的事：开发一项新技术，却把它的首次应用地点选在了地球另一端的热带雨林，”塞蒂笑着说。第一晚，他躺在漆黑一片的木屋里，蚊帐下辗转反侧，彻夜难眠，而他的生态学家同事们则在雨林的声响中安然入睡。他记得当时心想：“我的天，这难道不是个玩笑开得太过火了吗？”如今，他虽然珍视自己的实地经验，但主要还是在实验室里工作。
一些生态学家则走了另一条路，从户外转向拥抱大数据。加拿大蒙特利尔麦吉尔大学的劳拉·波洛克（Laura Pollock）最初是一名野外生态学家，先是在路易斯安那州新奥尔良的沼泽地，后来又在澳大利亚偏远山区工作。她意识到生态学家需要更有效地进行数据分析，如今她利用机器学习技术对不同景观的生物多样性进行预测建模。
“我很少出门，”她说。“我正在努力，但这真的很难，因为科技发展日新月异，产生了海量数据，我们需要具备数据科学技能的人才来分析这些数据。”
但贝松欣然接受了科技，并没有减少他在野外工作的时间。他说，他花在户外的时间和自动化出现之前一样多。“除了我的眼耳之外，摄像机和水听器还能捕捉到更多信息，而且当我需要回实验室……或者需要睡觉时，它们都可以留在野外。”
完美风暴
加斯顿认为，还有许多系统性因素迫使生态学家待在室内。
人们普遍认为，实地研究的经费正在减少——尽管相关数据通常没有区分实地考察的资助和实验室项目的资助。特别是那些开展长期生态研究的科学家反映，他们很难找到资金。生物多样性研究需要更多实地考察。
其他促成因素包括：科研机构越来越多地位于城市地区；越来越多的科学家肩负着照顾孩子的责任，这阻碍了他们进行长途或远距离旅行；许多人感到需要减少碳足迹；还有一些人希望避免乘坐直升机往返于一个国家进行实地考察，而当地科学家也可以做到这一点。
萨瑟兰表示，另一个主要问题是，快速发表有助于提升职业生涯的论文的途径是分析数据，而不是实际收集数据。
“假设你攻读博士学位，把所有时间都花在田野调查上，”他说，“而坐在你旁边的人从一开始就在收集数据。”三年后，他说，他们可能已经在排名越来越高的期刊上发表过论文了，而“你还在亚马逊河里捕鱼”。
“而且，因为你的论文被认为是案例研究，所以可能无法在知名期刊上发表。”
其他生态学家表示，他们被建议不要进行实地研究，因为这不是获得终身教职的可靠途径6。
拉米雷斯-帕拉达也认为，大规模数据分析的新颖性确实引人注目：“它确实有一种光鲜亮丽的特质，能获得高影响力期刊的青睐，但我认为每个人对此都会有些不屑一顾。即使是从事这项工作的人也是如此。”
自然史空白
一些顶尖的生态学家，包括计算生态学家和实地生态学家，认为低估实地考察的价值可能会使整个生态学偏离正轨。最显而易见的原因是，算法需要训练数据，而高质量训练数据的产生需要了解物种并能发现新物种的专家。
在塞蒂从事声学监测工作的最初几年，他认为这或许能为评估生物多样性提供一条捷径。当时的传统方法需要他将大量与特定物种关联的声音数据输入算法，这需要耗费大量的野外工作。因此，他尝试了一种自上而下的方法——从整体声景推断景观的生物多样性。
随着越来越多的生态学家接受这一观点，塞蒂开始对其可靠性产生疑虑。他的团队利用一些大型数据集对各种方法进行了比较，并得出结论：使用研究地点的实地数据验证结果至关重要<sup> 7 </sup>。“由于生物多样性在各地含义不尽相同，校准和验证阶段是不可或缺的，”他说道。
塞蒂说，如果他没有从事相关领域的工作，他可能就错过了这一洞见。“我亲眼目睹了自然界有多少东西根本没有被记录下来，更不用说达到可以构建自主感知技术的程度了。”他说。
实地数据至关重要，但却十分匮乏。尽管公民科学家已经收集了大量数据，但这些数据往往来自高收入国家、城市边缘地带以及容易观察到的物种。伯杰-沃尔夫指出，这些数据“存在严重的偏差”。我们需要关于“稀有物种、未被观察到的物种以及处于生态系统边缘的物种”的数据。
在研究斑马三年后，伯杰-沃尔夫终于来到了塞伦盖蒂——并对田野调查有了顿悟。
她惊讶于野外科学家们能够拨开斑马社会生活的复杂性，提取出他们发送给她的可靠数据：他们是如何区分不同的斑马群体，或者哪些雌性斑马与哪些雄性斑马结伴，或者哪些动物是朋友的？
“我之前的所有假设都是错的，”她说。“生物学的复杂性完全暴露出来，我当时就想：‘我们需要彻底重新定义分析方法。’” 这次经历也让她确信，下一代计算生态学家需要实地经验——在访问塞伦盖蒂两年后，她便开始着手这项工作，派自己的团队参加了一个热带生态学课程。
澳大利亚国立大学堪培拉分校的生态学家大卫·林登迈尔（David Lindenmeyer）因其长期的生态研究而闻名，他深切感受到沉浸式体验对于获得理解的重要性。
林登迈尔经常一待就是好几天。“在那里我能获得新问题的灵感——这不仅有益于心理健康，也有益于科学视野。”
将室外引入室内
加斯顿和索加关于经验消亡的警告引发了同事们的大量来信，他们也表达了同样的担忧⁴。但其中一封回复却提出了不同的观点。巴西坎普格兰德南马托格罗索联邦大学的生态学家拉斐尔·瓜里恩托持乐观态度。他认为生态学领域正在走向成熟——与其他科学领域一样，生态学本身就非常多元化，因此要求每个人都必须亲力亲为是不合逻辑的。他认为，当一个领域发展到一定复杂程度后，专业化往往就会发生：“这对生态学的未来来说是一个充满希望的前景。”
海洋科学家贝松既擅长研究藻类，也精通算法，他认为生态学的未来在于那些能够同时胜任室内和室外工作的全能科学家。
他表示，生态学家需要利用各种技术更频繁地收集多样化的数据。但他们也需要发展计算机科学方面的专业知识，以帮助从这些数据中提取生态学意义。“我认为生态学家只需要适应变化。”
在竞相拥抱新技术的过程中，一些生态学家担心他们的领域正在与自然脱节。
塔德奥·拉米雷斯-帕拉达攻读博士学位时研究的是植物开花时间——但他没有碰过一片花瓣。相反，他开发了一种机器学习算法，分析了一百万份植物标本的数字化图录，从而揭示了随着气温升高，植物开花时间是如何变化的。
拉米雷斯-帕拉达的研究帮助解开了生态学中的一个重要谜团——植物会随着气温变化调整开花时间以应对高温，而不是通过自然选择进行适应¹。然而，他迄今为止的研究几乎完全基于计算机。“我几乎不需要进行任何实验或实地考察，”拉米雷斯-帕拉达说道，他曾在加州大学圣巴巴拉分校获得博士学位。生态学家们：不要失去野外考察的乐趣
拉米雷斯-帕拉达的研究是生态学各个领域正在发生的变革的典型代表。无论科学家们分析的是什么——数字化标本、自然世界的图像、DNA样本，还是来自传感器的数据流——许多人都在室内进行研究。
这些技术正在创造一个可以在以前无法想象的时间、地点和规模上进行监测的世界。法国巴纽尔斯滨海索邦大学海洋观测站的海洋科学家马克·贝松在2022年发表的一篇论文中写道，我们正在朝着“生态群落的全自动监测”迈进。
许多生态学家表示，这场革命为理解生物多样性危机和辨别全球变化模式提供了巨大的潜力。
但一些生态学家感到沮丧。他们认为，这门学科正在失去与研究对象的密切联系。他们指出，实地考察经验正在减少，而这种减少可能导致误差、偏见以及对结果的过度简化。
“如果有一天你不用走出去就能成为生态学家，我们就会逐渐失去对真实世界的认知，”英国剑桥大学研究保护生物学的比尔·萨瑟兰说道。
始终开启
和世界各地的科学家一样，生态学家们也在努力思考如何充分利用海量数据。
过去几十年里，世界各地的自然历史博物馆和植物标本馆已经将超过10亿件标本数字化，其中一些还附有DNA记录。
与此同时，公民科学家和研究人员一直在向 iNaturalist 等数据库提供数亿条观测数据，这些数据会被纳入全球生物多样性信息机构 (GBIF)，这是一个自然历史的中央数据库。
此外，还有来自相机陷阱（当受到运动激活时会拍摄照片）、麦克风、动物追踪设备、无人机、卫星和 DNA 采样器等传感器的数据流。
这种传感器无需人工干预即可运行数年。过去，远程放置的相机陷阱最终会耗尽电量；而现在，此类设备的能耗极低，并且可以依靠太阳能或风能。带宽不再是全天候数据传输的障碍。
计算机科学的发展速度远超预期³。人工智能系统已经能够利用这些数据识别物种；它们也被用于构建物种分布模型和谱系树等更复杂的任务。一些生态学家预测，基于海量数据集学习并创建新内容的生成式人工智能，很快就能构建更复杂的模型，从而引领我们理解生态过程并预测物种对环境变化的响应。
据俄亥俄州立大学哥伦布分校的计算生态学家 Tanya Berger-Wolf 称，目前至少有 100 个实验室将他们的工作称为“人工智能造福自然”。
这种方法已初见成效。一个名为CamAlien的欧洲项目，利用安装在汽车、船只和火车上的高分辨率摄像头，结合机器学习处理能力，追踪入侵物种。这些摄像头在高速行驶时，会迅速拍摄道路和铁轨两侧的影像，并就地分析图像，然后将有关外来入侵植物的警报上传到覆盖全欧洲的在线地图。
丹麦奥胡斯大学生态学家托克·托马斯·霍耶（Toke Thomas Høye）是CamAlien系统的共同开发者之一，他表示，该系统表明，在短短几年内，新技术与人工智能的结合已经“从主要展示潜力发展到真正开始实现实际应用”。目前，约有16个欧洲国家正在试用这项技术，以评估入侵物种的分布情况。
同样，在一些昆虫数量急剧下降的情况下，一个研究团队改进了最初用于捕捉哺乳动物的相机陷阱技术，使其能够识别和监测数量远超哺乳动物的昆虫物种。霍耶表示，五年前，自动化昆虫监测技术还不存在。得益于人工智能的发展，科学家们现在能够区分数千种昆虫。
“它为我们打开了一扇通往自然世界的大门，让我们得以窥见比以往相机陷阱所覆盖的更为丰富的自然世界，”霍耶说道。他和他的团队认为，让昆虫监测变得更加便捷、省力，将有助于我们了解全球昆虫种群的状况。
另一个研究团队部署了一套麦克风系统，旨在更深入地了解鸟类从挪威飞越欧洲至西班牙地中海沿岸的迁徙路线。该项目名为TABMON，目前正在昼夜不停地实时传输声景数据。人工智能工具会分析这些数据，并将其转化为常用的生物多样性指标。
“拥有大陆尺度的标准化生态数据极其罕见，”伦敦帝国理工学院研究生态系统传感的萨拉布·塞蒂（Sarab Sethi）说道，他也是麦克风设计的负责人，“尤其是在声学技术能够提供如此精细的时间分辨率，涵盖多种物种，并跨越多年的情况下。”该项目尚未公布首批研究成果。
经验的消亡
很少有人会质疑更多的数据和细节带来的好处，但英国埃克塞特大学研究人与自然关系的凯文·加斯顿表示，这带来了一个不祥的副作用：实地考察经验正在减少。
加斯顿和他的合著者曾我正志（东京大学研究人与自然互动丧失的学者）在2025年3月发表的一篇论文<sup> 4 </sup>中指出，目前存在一种“经验消亡”的现象：以实地考察为基础的研究和教育普遍衰落，进而影响了人们对生态的理解深度。他们还指出了其他风险，例如与当地社区的互动减少——众所周知，这种互动对于成功的自然保护至关重要。
其他人则对“人工智能殖民主义”表示担忧，这种做法是指在较贫穷的国家远程收集数据，然后将其转移到其他地方设备齐全的实验室进行分析。在印度的森林里，生态学家们充分利用实地考察的力量。
目前几乎没有定量数据可以支持或反驳Gaston和Soga的论点。一项对1980年至2014年间发表的生态学研究进行的分析发现，基于实地考察的研究数量（占总数的比例）下降了20%，而模型构建和数据分析的研究数量分别增长了600%和800%。但这些是相对变化，而非绝对数值，而且该数据集的截止日期已超过十年。
然而，据传闻，加斯顿和索加的论文引起了广泛关注。自发表以来，许多团体都引用了该论文，并警告说，缺乏户外研究正在阻碍从独居蜜蜂到恐龙化石等诸多课题的研究。
还有一些轶事证据表明，越来越多的计算机科学家投身生态学领域，他们对自身能力充满热情，但却缺乏实地经验。被誉为计算生态学创始人之一的伯杰-沃尔夫就是如此。她拥有理论计算机科学博士学位，但由于嫁给了一位生态学家，她说，每当她与生态学界的其他人交流时，总会“觉得，哦，这个问题肯定还有其他的答案”。
2003年，伯杰-沃尔夫改变了研究方向，到2005年，她开始开发动态网络分析算法，以描绘肯尼亚塞伦盖蒂斑马的社会互动。野外同事们敦促她去查看数据，但她总是拒绝：“我是个城里姑娘。我不喜欢灰尘和虫子。我的回答是：‘不，我的数据在屏幕上看起来很漂亮。’”
塞蒂也是一位从工程专业转行到生态学领域的学者。2016年，他决定将声学监测应用于生态学研究，并以此作为他的博士论文课题——但这位自称“大地恋”的学者很快发现自己在马来西亚婆罗洲的热带雨林中力不从心。
“我现在意识到，我当时做了一件极其愚蠢的事：开发一项新技术，却把它的首次应用地点选在了地球另一端的热带雨林，”塞蒂笑着说。第一晚，他躺在漆黑一片的木屋里，蚊帐下辗转反侧，彻夜难眠，而他的生态学家同事们则在雨林的声响中安然入睡。他记得当时心想：“我的天，这难道不是个玩笑开得太过火了吗？”如今，他虽然珍视自己的实地经验，但主要还是在实验室里工作。
一些生态学家则走了另一条路，从户外转向拥抱大数据。加拿大蒙特利尔麦吉尔大学的劳拉·波洛克（Laura Pollock）最初是一名野外生态学家，先是在路易斯安那州新奥尔良的沼泽地，后来又在澳大利亚偏远山区工作。她意识到生态学家需要更有效地进行数据分析，如今她利用机器学习技术对不同景观的生物多样性进行预测建模。
“我很少出门，”她说。“我正在努力，但这真的很难，因为科技发展日新月异，产生了海量数据，我们需要具备数据科学技能的人才来分析这些数据。”
但贝松欣然接受了科技，并没有减少他在野外工作的时间。他说，他花在户外的时间和自动化出现之前一样多。“除了我的眼耳之外，摄像机和水听器还能捕捉到更多信息，而且当我需要回实验室……或者需要睡觉时，它们都可以留在野外。”
完美风暴
加斯顿认为，还有许多系统性因素迫使生态学家待在室内。
人们普遍认为，实地研究的经费正在减少——尽管相关数据通常没有区分实地考察的资助和实验室项目的资助。特别是那些开展长期生态研究的科学家反映，他们很难找到资金。生物多样性研究需要更多实地考察。
其他促成因素包括：科研机构越来越多地位于城市地区；越来越多的科学家肩负着照顾孩子的责任，这阻碍了他们进行长途或远距离旅行；许多人感到需要减少碳足迹；还有一些人希望避免乘坐直升机往返于一个国家进行实地考察，而当地科学家也可以做到这一点。
萨瑟兰表示，另一个主要问题是，快速发表有助于提升职业生涯的论文的途径是分析数据，而不是实际收集数据。
“假设你攻读博士学位，把所有时间都花在田野调查上，”他说，“而坐在你旁边的人从一开始就在收集数据。”三年后，他说，他们可能已经在排名越来越高的期刊上发表过论文了，而“你还在亚马逊河里捕鱼”。
“而且，因为你的论文被认为是案例研究，所以可能无法在知名期刊上发表。”
其他生态学家表示，他们被建议不要进行实地研究，因为这不是获得终身教职的可靠途径6。
拉米雷斯-帕拉达也认为，大规模数据分析的新颖性确实引人注目：“它确实有一种光鲜亮丽的特质，能获得高影响力期刊的青睐，但我认为每个人对此都会有些不屑一顾。即使是从事这项工作的人也是如此。”
自然史空白
一些顶尖的生态学家，包括计算生态学家和实地生态学家，认为低估实地考察的价值可能会使整个生态学偏离正轨。最显而易见的原因是，算法需要训练数据，而高质量训练数据的产生需要了解物种并能发现新物种的专家。
在塞蒂从事声学监测工作的最初几年，他认为这或许能为评估生物多样性提供一条捷径。当时的传统方法需要他将大量与特定物种关联的声音数据输入算法，这需要耗费大量的野外工作。因此，他尝试了一种自上而下的方法——从整体声景推断景观的生物多样性。
随着越来越多的生态学家接受这一观点，塞蒂开始对其可靠性产生疑虑。他的团队利用一些大型数据集对各种方法进行了比较，并得出结论：使用研究地点的实地数据验证结果至关重要<sup> 7 </sup>。“由于生物多样性在各地含义不尽相同，校准和验证阶段是不可或缺的，”他说道。
塞蒂说，如果他没有从事相关领域的工作，他可能就错过了这一洞见。“我亲眼目睹了自然界有多少东西根本没有被记录下来，更不用说达到可以构建自主感知技术的程度了。”他说。
实地数据至关重要，但却十分匮乏。尽管公民科学家已经收集了大量数据，但这些数据往往来自高收入国家、城市边缘地带以及容易观察到的物种。伯杰-沃尔夫指出，这些数据“存在严重的偏差”。我们需要关于“稀有物种、未被观察到的物种以及处于生态系统边缘的物种”的数据。
在研究斑马三年后，伯杰-沃尔夫终于来到了塞伦盖蒂——并对田野调查有了顿悟。
她惊讶于野外科学家们能够拨开斑马社会生活的复杂性，提取出他们发送给她的可靠数据：他们是如何区分不同的斑马群体，或者哪些雌性斑马与哪些雄性斑马结伴，或者哪些动物是朋友的？
“我之前的所有假设都是错的，”她说。“生物学的复杂性完全暴露出来，我当时就想：‘我们需要彻底重新定义分析方法。’” 这次经历也让她确信，下一代计算生态学家需要实地经验——在访问塞伦盖蒂两年后，她便开始着手这项工作，派自己的团队参加了一个热带生态学课程。
澳大利亚国立大学堪培拉分校的生态学家大卫·林登迈尔（David Lindenmeyer）因其长期的生态研究而闻名，他深切感受到沉浸式体验对于获得理解的重要性。
林登迈尔经常一待就是好几天。“在那里我能获得新问题的灵感——这不仅有益于心理健康，也有益于科学视野。”
将室外引入室内
加斯顿和索加关于经验消亡的警告引发了同事们的大量来信，他们也表达了同样的担忧⁴。但其中一封回复却提出了不同的观点。巴西坎普格兰德南马托格罗索联邦大学的生态学家拉斐尔·瓜里恩托持乐观态度。他认为生态学领域正在走向成熟——与其他科学领域一样，生态学本身就非常多元化，因此要求每个人都必须亲力亲为是不合逻辑的。他认为，当一个领域发展到一定复杂程度后，专业化往往就会发生：“这对生态学的未来来说是一个充满希望的前景。”
海洋科学家贝松既擅长研究藻类，也精通算法，他认为生态学的未来在于那些能够同时胜任室内和室外工作的全能科学家。
他表示，生态学家需要利用各种技术更频繁地收集多样化的数据。但他们也需要发展计算机科学方面的专业知识，以帮助从这些数据中提取生态学意义。“我认为生态学家只需要适应变化。”
