據(jù)世界自然基金會(huì)統(tǒng)計(jì)，1970-2016 年，全球代表物種種群數(shù)量減少了 68%，生物多樣性不斷下降。
保護(hù)生物多樣性，需要對(duì)當(dāng)?shù)厣鷳B(tài)情況進(jìn)行準(zhǔn)確分析，制定合理的生態(tài)保護(hù)政策。然而，生態(tài)數(shù)據(jù)太過龐雜，統(tǒng)計(jì)標(biāo)準(zhǔn)又難以統(tǒng)一，大規(guī)模的生態(tài)分析很難開展。

近期，康奈爾大學(xué)的研究者們利用深度學(xué)習(xí)，分析了 900 萬組鳥類數(shù)據(jù)，得到了林鶯在北美洲的分布數(shù)據(jù)，開啟了生態(tài)數(shù)據(jù)分析的新篇章。

作者 | 雪菜

編輯 | 三羊、鐵塔

本文首發(fā)自 HyperAI 超神經(jīng)微信公眾平臺(tái)~

據(jù)世界自然基金會(huì) (WWF) 統(tǒng)計(jì)，1970 年至 2016 年，全球 4,392 個(gè)代表物種、20,811 個(gè)種群的平均數(shù)量降低了 68%，全球生物多樣性正在下降。

圖 1：1970-2016 年，全球 4,392 個(gè)代表物種、20,811 個(gè)種群的平均數(shù)量變化

保護(hù)生物多樣性，需要對(duì)相關(guān)地區(qū)的物種分布進(jìn)行準(zhǔn)確的大規(guī)模分析。然而，由于數(shù)據(jù)量過于龐大，且缺乏統(tǒng)一的統(tǒng)計(jì)方法，研究者們暫無法準(zhǔn)確統(tǒng)計(jì)特定區(qū)域的生物多樣性（物種豐富度、種群數(shù)量等）和生物組成數(shù)據(jù)（在當(dāng)?shù)厣鷳B(tài)系統(tǒng)中某一個(gè)物種的地位）。

傳統(tǒng)的物種豐富度統(tǒng)計(jì)，需要將不同物種的分布地圖疊加，進(jìn)行建模預(yù)測(cè)，或是直接通過宏觀生態(tài)學(xué)模型進(jìn)行預(yù)測(cè)。無論哪種方法，推斷結(jié)果都會(huì)受到模型精度的影響，前者還會(huì)受到地圖精度的影響。

而且，這種預(yù)測(cè)方法的時(shí)間分辨率很差，無法對(duì)物種分布的季節(jié)性變化作出準(zhǔn)確判斷，更無法對(duì)物種間的聯(lián)系進(jìn)行研究，不利于生態(tài)保護(hù)政策的制定。

深度學(xué)習(xí)為生物多樣性的大規(guī)模時(shí)空研究提供了有效手段。美國(guó)康奈爾大學(xué)的研究者們結(jié)合深度推理網(wǎng)絡(luò) (DRN, Deep Reasoning Network) 和深度多元 Probit 模型 (DMVP, Deep Multivariate Probit Model) 開發(fā)了 DMVP-DRNets 模型，從 9,206,241 組 eBird 數(shù)據(jù)中分析出了林鶯 (Warbler) 在北美洲的時(shí)空分布，并對(duì)林鶯與環(huán)境、其他物種之間的聯(lián)系作出了推斷。相關(guān)成果已發(fā)表于「Ecology」。

這一成果已發(fā)表于 「Ecology」

實(shí)驗(yàn)過程

數(shù)據(jù)集：eBird 與協(xié)變量

研究人員使用 2004 年 1 月 1 日至 2019 年 2 月 2 日， 170°-60° W，20°-60° N 之間的 eBird 數(shù)據(jù)作為本研究的數(shù)據(jù)集。排除重復(fù)數(shù)據(jù)后，共有 9,206,241 組 eBird 數(shù)據(jù)，每組 eBird 數(shù)據(jù)包括時(shí)間、日期、地點(diǎn)及觀察到的所有鳥類物種。

圖 2：一組銀喉長(zhǎng)尾山雀的 eBird 數(shù)據(jù)

研究人員還引入了 72 個(gè)協(xié)變量，包括 5 個(gè)與觀察者相關(guān)的協(xié)變量，如活動(dòng)狀態(tài)、觀察人數(shù)、觀察時(shí)間等；3 個(gè)與時(shí)間相關(guān)的協(xié)變量，主要用于彌合不同時(shí)區(qū)之間的偏差；64 個(gè)與地形地貌相關(guān)的變量，如海拔、海岸線、島嶼等。

模型框架：解碼器 + 潛在空間

本研究使用基于 DMVP 的 DRN 進(jìn)行數(shù)據(jù)分析和預(yù)測(cè)。這一模型包含 3 層全連接 (fully-connected) 的網(wǎng)絡(luò)解碼器，用于分析輸入特征的相關(guān)性，還有兩個(gè)結(jié)構(gòu)化潛在空間 (structured latent space) ，用以表示物種之間和物種-環(huán)境間的關(guān)聯(lián)。

圖 3：DMVP-DRNets 模型結(jié)果示意圖

最終，DMVP-DRNets 模型通過一個(gè)可解釋的潛在空間，輸出 3 個(gè)生態(tài)相關(guān)的結(jié)果：

1、環(huán)境相關(guān)特征：反映了不同環(huán)境協(xié)變量之間的聯(lián)系和相互作用；

2、物種相關(guān)特征：通過殘差相關(guān)矩陣反映不同物種間的聯(lián)系；

3、生物多樣性相關(guān)特征：如某一物種的豐度和分布等。

模型評(píng)估：與 HLR-S 對(duì)比

將 DMVP-DRNets 模型投入大規(guī)模使用前，研究人員首先將其與基于空間高斯過程的 HLR-S 模型進(jìn)行了對(duì)比。HLR-S 是生態(tài)學(xué)中研究多物種聯(lián)合分布最常用的模型之一。

首先用 10,000 組 eBird 數(shù)據(jù)對(duì)兩個(gè)模型進(jìn)行訓(xùn)練。HLR-S 模型訓(xùn)練用時(shí)超過 24 小時(shí)，而 DMVP-DRNets 模型耗時(shí)不足 1 分鐘。

表 1：DMVP-DRNets 模型和 HLR-S 模型性能對(duì)比

隨后，對(duì)不同規(guī)模的 eBird 數(shù)據(jù)進(jìn)行分析，DMVP-DRNets 模型在 11 個(gè)評(píng)價(jià)標(biāo)準(zhǔn)中優(yōu)于 HLR-S 模型，僅在物種豐富度校準(zhǔn)損失中落后于 HLR-S 模型。

實(shí)驗(yàn)結(jié)果

分布區(qū)域：阿巴拉契亞山脈

在對(duì) eBird 的數(shù)據(jù)進(jìn)行分析后，DMVP-DRNets 模型輸出了空間分辨率為 2.9 km2 的北美林鶯各月分布圖。不同品種林鶯在北美的分布動(dòng)態(tài)性很強(qiáng)，每個(gè)月都有不同的分布熱點(diǎn)。在對(duì)各月分布圖進(jìn)行疊加后，研究人員發(fā)現(xiàn)阿巴拉契亞山脈是林鶯物種多樣性最高的區(qū)域。

圖 4：北美洲的林鶯分布圖

a：林鶯在北美洲各地的最大物種豐富度分布

b：林鶯在北美洲的主要分布區(qū)域

同時(shí)，研究人員還發(fā)現(xiàn)了不同遷徙期的林鶯分布熱點(diǎn)。在繁殖前遷徙期，林鶯主要分布在俄亥俄州、西弗吉尼亞州和賓夕法尼亞州的阿巴拉契亞山脈附近。而在繁殖后，北阿巴拉契亞山脈是林鶯分布最多的區(qū)域。

圖 5：繁殖前遷徙期 (a) 和繁殖后遷徙期 (b) 的林鶯分布

林鶯-環(huán)境：水陸與季節(jié)偏好

進(jìn)一步的，研究人員利用 DMVP-DRNets 模型對(duì)美國(guó)東北部的林鶯-環(huán)境間的相互作用進(jìn)行了分析。

首先，研究人員能夠大致分辨出不同林鶯對(duì)水生環(huán)境和陸地環(huán)境的偏好。隨后，他們發(fā)現(xiàn)在繁殖期不同品種林鶯對(duì)于環(huán)境的喜好不同。喜好水生環(huán)境的藍(lán)翅黃森鶯、北森鶯和黃喉林鶯在繁殖期棲息較近，而松林鶯會(huì)和其他與松林相關(guān)的物種走得更近，如棕頭鳾和紅頭啄木鳥。

隨著季節(jié)的變化，不同林鶯的分布也有變化。在繁殖后遷徙期，大多數(shù)林鶯會(huì)抱團(tuán)棲息，而棕櫚林鶯會(huì)選擇在稍晚的秋天遷徙。松林鶯和黃腰白喉林鶯則會(huì)整年棲息在美國(guó)東北部。

圖 6：繁殖期林鶯與環(huán)境、其他物種之間的關(guān)聯(lián)性

圖 7：繁殖后遷徙期林鶯與環(huán)境、其他物種之間的關(guān)聯(lián)性

物種間關(guān)聯(lián)：競(jìng)爭(zhēng)與合作

在繁殖期、非繁殖期和遷徙期，林鶯與其他物種之間展現(xiàn)出了不同的關(guān)系。

在繁殖期，林鶯主要在防御自己的棲息地，與其他物種關(guān)聯(lián)較弱。在棲息地相近且進(jìn)攻性較強(qiáng)的品種之間，甚至是負(fù)關(guān)聯(lián)，如黑枕威森鶯和橙尾鴝鶯。

在遷徙期，大多數(shù)林鶯之間展現(xiàn)出了較強(qiáng)的正相關(guān)，與森林中的其他物種也有強(qiáng)關(guān)聯(lián)性。這與觀察的結(jié)果一致，林鶯會(huì)與紅眼綠鵑、黑冕山雀等其他物種組成混合遷徙隊(duì)伍。

在此期間，林鶯與巨翅鵟、條紋鷹、雞鷹、赤肩鵟等捕食者關(guān)系較差，二者負(fù)相關(guān)系數(shù)較高。

圖 8：繁殖期 (a) 和繁殖后遷徙期 (b) 林鶯與其他物種的相關(guān)系數(shù)

上述結(jié)果說明，DMVP-DRNets 模型可以對(duì)不同時(shí)期的林鶯分布作出準(zhǔn)確的判斷，并能夠推斷出林鶯與環(huán)境、其他物種之間的聯(lián)系，為制定生態(tài)政策提供依據(jù)。

AI 「鳥口普查」

除了數(shù)據(jù)分析，數(shù)據(jù)采集也是生態(tài)研究的重要部分。與植物不同，鳥類的警覺性很高，動(dòng)作迅速，且有些品種個(gè)體較小，很難進(jìn)行準(zhǔn)確觀測(cè)。

傳統(tǒng)方法依賴長(zhǎng)焦相機(jī)、高倍望遠(yuǎn)鏡和靜止攝像頭從遠(yuǎn)距離對(duì)鳥類進(jìn)行觀測(cè)。這種方法雖然避免了對(duì)鳥類的干擾，但需要投入大量的人力物力，還需要觀察者有相當(dāng)?shù)纳鷳B(tài)學(xué)、分類學(xué)知識(shí)。

通過深度神經(jīng)網(wǎng)絡(luò)，AI 可以進(jìn)行高效的圖像識(shí)別和聲音識(shí)別，為鳥類觀測(cè)提供了新方法。在鳥類主要活動(dòng)地部署音視頻記錄設(shè)備，設(shè)備可以將記錄到的數(shù)據(jù)上傳到服務(wù)器，隨后通過 AI 對(duì)這些數(shù)據(jù)進(jìn)行分析，提取出音視頻中的信息，最終得到鳥類在這一區(qū)域的分布。這一方法已被國(guó)家林業(yè)和草原局廣泛應(yīng)用于公園、濕地和生態(tài)保護(hù)區(qū)中。

圖 9：部署在黃河三角洲的鳥類智慧監(jiān)測(cè)系統(tǒng)

同時(shí)，AI 的這一技能還可以減輕科研人員的工作負(fù)擔(dān)。AI 可以排除背景和噪音的干擾，專注于圖像的特征，迅速解決生態(tài)學(xué)者難以做出判斷的問題。**比如下圖中的照片，如果沒有任何鳥類知識(shí)，很難從紛繁的羽毛中迅速判斷出雛鳥的數(shù)量。

圖 10：一窩雛鳥的照片，你能分辨出圖中有多少只雛鳥嗎

AI 正廣泛應(yīng)用于鳥類活動(dòng)監(jiān)測(cè)和鳥類分布分析中，自下而上搭建起鳥類研究的全系統(tǒng)，實(shí)現(xiàn)特定區(qū)域的「鳥口普查」。相信在 AI 的幫助下，我們能夠?qū)ι鷳B(tài)系統(tǒng)有更透徹的認(rèn)識(shí)，制定出更加符合當(dāng)?shù)厍闆r的生態(tài)政策，逐漸恢復(fù)地球的生物多樣性，保護(hù)我們的地球家園。