Context The observation of the earth by humans has advanced our understanding of the physical patterns and processes that shape the landscape. Over time, the act of scientific interpretation has transformed into one mediated through machines, creating distance between the observer and the observed. Machine learning is expanding this gap and transforming how we gain knowledge about the world. Raising the question is there something to be lost by advancing machine learning at the expense of human visual interpretation? Objectives Recognizing the usefulness of these computational algorithms for dealing with massive, heterogeneous, and dynamic ecological datasets, scientists should not abandon the important contributions of human intelligence to understanding landscape patterns, processes, and relationships. Methods This paper presents a review of social, cultural, and political or military influences on the relationship between humans and remote sensing images of the landscape. This review highlights tensions between automated machine learning approaches and human interpretation. Results Support for the use of human–machine integrated systems through the use of interactive, visual display, and the development of transparent machine learning methods is suggested. Conclusions The human analyst should remain central in the design of landscape ecology applications when deploying machine learning algorithms. The complementary strengths of the human and machine in data processing suggest that the most informative insights regarding pattern and process can happen in the implementation of carefully designed Human in the Loop systems.

中文翻译：

---

不要把婴儿和洗澡水一起泼出去：重新认识人、机器和风景图像之间的动态关系

背景 人类对地球的观察增进了我们对塑造景观的物理模式和过程的理解。随着时间的推移，科学解释的行为已经转变为一种通过机器进行调解的行为，在观察者和被观察者之间创造了距离。机器学习正在扩大这一差距并改变我们获取世界知识的方式。提出一个问题，以牺牲人类视觉解释为代价推进机器学习是否会失去一些东西？目标 认识到这些计算算法在处理海量、异构和动态生态数据集方面的有用性，科学家不应放弃人类智能对理解景观模式、过程和关系的重要贡献。方法 本文综述了社会、文化、政治或军事对人类与景观遥感图像之间关系的影响。这篇评论强调了自动化机器学习方法和人类解释之间的紧张关系。结果 建议通过使用交互式、视觉显示和透明机器学习方法的开发来支持使用人机集成系统。结论在部署机器学习算法时，人类分析师应该在景观生态应用程序的设计中保持核心地位。人类和机器在数据处理方面的互补优势表明，在实施精心设计的 Human in the Loop 系统时，可以获得关于模式和过程的最有用的见解。以及政治或军事对人类与景观遥感图像之间关系的影响。这篇评论强调了自动化机器学习方法和人类解释之间的紧张关系。结果 建议通过使用交互式、视觉显示和透明机器学习方法的开发来支持使用人机集成系统。结论在部署机器学习算法时，人类分析师应该在景观生态应用程序的设计中保持核心地位。人类和机器在数据处理方面的互补优势表明，在实施精心设计的 Human in the Loop 系统时，可以获得关于模式和过程的最有用的见解。以及政治或军事对人类与景观遥感图像之间关系的影响。这篇评论强调了自动化机器学习方法和人类解释之间的紧张关系。结果 建议通过使用交互式、视觉显示和透明机器学习方法的开发来支持使用人机集成系统。结论在部署机器学习算法时，人类分析师应该在景观生态应用程序的设计中保持核心地位。人类和机器在数据处理方面的互补优势表明，在实施精心设计的 Human in the Loop 系统时，可以获得关于模式和过程的最有用的见解。