وبحسب إحصاءات الصندوق العالمي للحياة البرية، انخفض عدد الأنواع الممثلة في العالم بمقدار 68% من عام 1970 إلى عام 2016، واستمر التنوع البيولوجي في الانخفاض.
لحماية التنوع البيولوجي، نحتاج إلى تحليل الظروف البيئية المحلية بدقة وصياغة سياسات حماية بيئية معقولة. ومع ذلك، فإن البيانات البيئية معقدة للغاية، والمعايير الإحصائية يصعب توحيدها، مما يجعل إجراء تحليل بيئي واسع النطاق أمرا صعبا.
في الآونة الأخيرة، استخدم باحثون من جامعة كورنيل التعلم العميق لتحليل 9 ملايين مجموعة من بيانات الطيور وحصلوا على بيانات توزيع طيور الغابة في أمريكا الشمالية، مما فتح فصلاً جديدًا في تحليل البيانات البيئية.

المؤلف | شيويه تساي

المحرر | ثلاثة خراف، برج حديدي

نُشرت هذه المقالة لأول مرة على منصة HyperAI WeChat العامة~

وفقا لصندوق الحياة البرية العالمي (WWF)،بين عامي 1970 و2016، انخفض متوسط وفرة 20,811 مجموعة من 4,392 نوعًا في جميع أنحاء العالم بنسبة 681%إن التنوع البيولوجي العالمي آخذ في الانحدار.

الشكل 1:من عام 1970 إلى عام 2016، تم تمثيل 4392 نوعًا في جميع أنحاء العالم.متوسط التغير السكاني لـ 20,811 نوعًا

تتطلب حماية التنوع البيولوجي إجراء تحليل دقيق على نطاق واسع لتوزيع الأنواع في المناطق ذات الصلة.لكن،بسبب الكم الهائل من البيانات وعدم وجود طريقة إحصائية موحدةلا يستطيع الباحثون حاليًا إحصاء التنوع البيولوجي (ثراء الأنواع وحجم السكان وما إلى ذلك) وبيانات التركيب البيولوجي (حالة الأنواع في النظام البيئي المحلي) في منطقة محددة بدقة.

تتطلب إحصاءات ثراء الأنواع التقليدية تراكب خرائط توزيع الأنواع المختلفة للنمذجة والتنبؤ، أو التنبؤ بشكل مباشر من خلال النماذج البيئية الكلية. في كلتا الحالتين،ستتأثر نتائج الاستدلال بدقة النموذج، وسوف يتأثر الأول أيضًا بدقة الخريطة.

و،الدقة الزمنية لهذه الطريقة التنبؤية ضعيفةومن المستحيل إصدار أحكام دقيقة بشأن التغيرات الموسمية في توزيع الأنواع، ناهيك عن دراسة الروابط بين الأنواع، وهو ما لا يساعد على صياغة سياسات الحماية البيئية.

يوفر التعلم العميق وسيلة فعالة للدراسات المكانية الزمنية واسعة النطاق للتنوع البيولوجي. قام باحثون من جامعة كورنيل في الولايات المتحدة بتطوير نموذج DMVP-DRNets من خلال الجمع بين شبكة التفكير العميق (DRN) ونموذج Probit المتعدد المتغيرات العميق (DMVP).تم تحليل التوزيع الزمني والمكاني للطائر المغرد في أمريكا الشمالية من 9،206،241 مجموعة من بيانات eBird.، واستنتج الارتباط بين الطيور المغردة وبيئتها والأنواع الأخرى. وقد نشرت النتائج ذات الصلة في مجلة "علم البيئة".

وقد نشرت هذه النتيجة في مجلة علم البيئة

رابط الورقة:

https://esajournals.onlinelibrary.wiley.com/doi/10.1002/ecy.4175

الإجراءات التجريبية

مجموعة البيانات: eBird مع المتغيرات المشتركة

استخدم الباحثون بيانات eBird بين 170°-60° غربًا و20°-60° شمالًا من 1 يناير 2004 إلى 2 فبراير 2019 كمجموعة بيانات لهذه الدراسة. بعد استبعاد البيانات المكررة،هناك 9,206,241 مجموعة من بيانات eBirdتتضمن كل مجموعة من بيانات eBird الوقت والتاريخ والموقع وجميع أنواع الطيور التي تمت ملاحظتها.

الشكل 2: بيانات eBird لمجموعة من طيور القرقف طويل الذيل

كما قدم الباحثون 72 متغيرًا مشتركًا، بما في ذلك 5 متغيرات مصاحبة مرتبطة بالمراقب، مثل حالة النشاط، وعدد المراقبين، ووقت المراقبة، وما إلى ذلك؛ 3 متغيرات مشتركة مرتبطة بالوقت، تُستخدم بشكل أساسي لسد الفجوة بين الانحرافات بين المناطق الزمنية المختلفة؛ 64 متغيرًا متعلقًا بالتضاريس، مثل الارتفاع، والساحل، والجزر، وما إلى ذلك.

إطار النموذج:فك التشفير + المساحة الكامنة

استخدمت هذه الدراسة DRN المستندة إلى DMVP لتحليل البيانات والتنبؤ بها.يتكون هذا النموذج من فك تشفير شبكة متصلة بالكامل بثلاث طبقات لتحليل الارتباط بين ميزات الإدخال، ومساحتين كامنتين منظمتين لتمثيل الارتباطات بين الأنواع وبين الأنواع والبيئة.

الشكل 3: مخطط تخطيطي لنتائج نموذج DMVP-DRNets

أخيرًا، ينتج نموذج DMVP-DRNets ثلاث نتائج ذات صلة بيئيًا من خلال مساحة كامنة قابلة للتفسير:

1. الخصائص البيئية ذات الصلة: يعكس الارتباطات والتفاعلات بين المتغيرات البيئية المختلفة؛

2. الخصائص المتعلقة بالأنواع:تعكس العلاقة بين الأنواع المختلفة من خلال مصفوفة الارتباط المتبقية؛

3. الخصائص المتعلقة بالتنوع البيولوجي: مثل وفرة وتوزيع الأنواع.

تقييم النموذج: مقارنة مع HLR-S

قبل وضع نموذج DMVP-DRNets في الاستخدام على نطاق واسع،قام الباحثون في البداية بمقارنته بنموذج HLR-S المبني على العمليات الغوسية المكانية.. يعد HLR-S أحد النماذج الأكثر استخدامًا في علم البيئة لدراسة التوزيع المشترك للعديد من الأنواع.

أولاً، تم تدريب النموذجين باستخدام 10000 مجموعة من بيانات eBird. يستغرق تدريب نموذج HLR-S أكثر من 24 ساعة، بينما يستغرق نموذج DMVP-DRNets أقل من دقيقة واحدة.

الجدول 1:مقارنة الأداء بين نموذج DMVP-DRNets ونموذج HLR-S

وبعد ذلك، تم تحليل بيانات eBird بمقاييس مختلفة.يتفوق نموذج DMVP-DRNets على نموذج HLR-S في 11 معيار تقييم.، متأخرًا فقط عن نموذج HLR-S في معايرة فقدان ثراء الأنواع.

النتائج التجريبية

منطقة التوزيع:جبال الأبلاش

بعد تحليل بيانات eBird، ينتج نموذج DMVP-DRNets دقة مكانية تبلغ 2.9 كم.² خريطة التوزيع الشهرية لطيور الغابة في أمريكا الشمالية. يعتبر توزيع الأنواع المختلفة من الطيور المغردة في أمريكا الشمالية ديناميكيًا للغاية، مع وجود نقاط توزيع مختلفة كل شهر. بعد تركيب خرائط التوزيع الشهرية،توصل الباحثون إلى أن جبال الأبلاش هي المنطقة التي تتمتع بأعلى تنوع لأنواع طيور الغابة.

الشكل 4:خريطة توزيع طيور الغابة في أمريكا الشمالية

أ: توزيع أقصى ثراء لأنواع طيور الغابة في جميع أنحاء أمريكا الشمالية

ب: منطقة التوزيع الرئيسية لطائر الغابة في أمريكا الشمالية

وفي الوقت نفسه، اكتشف الباحثون أيضًا نقاط انتشار طيور الغابة خلال فترات الهجرة المختلفة. خلال فترة الهجرة قبل التكاثر، يتم العثور على طيور الغابة بشكل أساسي بالقرب من جبال الأبلاش في أوهايو، وفرجينيا الغربية، وبنسلفانيا. بعد التكاثر، تصبح جبال الأبلاش الشمالية المنطقة الأكثر وفرة للطيور المغردة.

طائر المغرد - البيئة:الماء والأرض وتفضيلات الموسم

الشكل 5: توزيع طيور الغابة خلال فترة الهجرة قبل التكاثر (أ) وفترة الهجرة بعد التكاثر (ب)

علاوة على ذلك، استخدم الباحثون نموذج DMVP-DRNets لتحليل التفاعلات بين الطيور المغردة والبيئة في شمال شرق الولايات المتحدة.

أولاً،تمكن الباحثون من التمييز بشكل تقريبي بين تفضيلات الطيور المغردة المختلفة للبيئات المائية والبرية.ثم،ووجد الباحثون أن الأنواع المختلفة من الطيور المغردة لها تفضيلات مختلفة لبيئتها خلال موسم التكاثر.تتواجد طيور المغردة ذات الأجنحة الزرقاء والشمالية والأصفرة الحلقية المحبة للحياة المائية بالقرب من بعضها البعض خلال موسم التكاثر، بينما تظل طيور المغردة الصنوبرية أقرب إلى الأنواع الأخرى المرتبطة بغابات الصنوبر، مثل طائر نقار الخشب ذو الرأس البني ونقار الخشب ذو الرأس الأحمر.

يتغير توزيع الطيور المغردة المختلفة مع تغير الفصول.تتجمع معظم الطيور المغردة في مجموعات خلال فترة الهجرة بعد التكاثر، في حين تختار طيور النخيل الهجرة في وقت لاحق من الخريف. تعيش طيور الصنوبر المغردة والطيور البيضاء ذات الردف الأصفر في شمال شرق الولايات المتحدة على مدار العام.

الشكل 6: الارتباطات بين الطيور المغردة خلال موسم التكاثر والبيئة والأنواع الأخرى

الشكل 7: الارتباطات بين الطيور المغردة والبيئة والأنواع الأخرى أثناء الهجرة بعد التكاثر

الجمعيات بين الأنواع:المنافسة والتعاون

تظهر الطيور المغردة علاقات مختلفة مع الأنواع الأخرى خلال مواسم التكاثر، وعدم التكاثر، والهجرة.

خلال موسم التكاثر، تدافع طيور الغابة بشكل أساسي عن مواطنها الخاصة، وتتمتع بارتباطات ضعيفة مع الأنواع الأخرى.حتى أن هناك علاقة سلبية بين الأنواع التي لديها مواطن مماثلة وتكون أكثر عدوانية، مثل طائر ويلسون ذو الرقبة السوداء وطائر ويلسون ذو الذيل البرتقالي.

خلال فترة الهجرة، أظهرت معظم الطيور المغردة ارتباطات إيجابية قوية مع بعضها البعض ومع الأنواع الأخرى في الغابة.وهذا يتفق مع الملاحظات التي تشير إلى أن طيور الغابة تشكل مجموعات هجرة مختلطة مع أنواع أخرى مثل طيور الوقواق الخضراء ذات العيون الحمراء والعصافير ذات التاج الأسود.

خلال هذه الفترة، كانت علاقة الطيور المغردة مع الحيوانات المفترسة مثل العقاب ذو الأجنحة الكبيرة، والصقر المخطط، والصقر الدجاجي، والعقاب ذو الكتفين الحمراء، سيئة، وكان معامل الارتباط السلبي بين الاثنين مرتفعًا.

الشكل 8: معاملات الارتباط بين الطيور المغردة والأنواع الأخرى خلال فترة التكاثر (أ) وفترة الهجرة بعد التكاثر (ب)

وتظهر النتائج أعلاه أنيمكن لنموذج DMVP-DRNets إصدار أحكام دقيقة بشأن توزيع الطيور المغردة في فترات مختلفة، ويمكنه استنتاج العلاقة بين الطيور المغردة والبيئة والأنواع الأخرى، مما يوفر أساسًا لصياغة السياسات البيئية.

"تعداد الطيور" بالذكاء الاصطناعي

بالإضافة إلى تحليل البيانات، يعد جمع البيانات أيضًا جزءًا مهمًا من البحث البيئي.وعلى عكس النباتات، فإن الطيور متيقظة للغاية وتتحرك بسرعة، وبعض الأنواع صغيرة الحجم، مما يجعل من الصعب مراقبتها بدقة.

تعتمد الطرق التقليدية على الكاميرات المقربة، والتلسكوبات عالية الطاقة، والكاميرات الثابتة لمراقبة الطيور من مسافة بعيدة.ورغم أن هذه الطريقة تتجنب إزعاج الطيور، إلا أنها تتطلب قدراً كبيراً من القوى البشرية والموارد المادية، كما تتطلب من المراقب أن يكون لديه معرفة كبيرة بالبيئة والتصنيف.

من خلال الشبكات العصبية العميقة،يمكن للذكاء الاصطناعي أن يقوم بالتعرف على الصور والأصوات بكفاءة، مما يوفر طرقًا جديدة لمراقبة الطيور.يتم نشر معدات التسجيل الصوتي والفيديو في مناطق النشاط الرئيسية للطيور. يمكن للمعدات تحميل البيانات المسجلة إلى الخادم، ثم تحليل البيانات من خلال الذكاء الاصطناعي لاستخراج المعلومات في الصوت والفيديو، وأخيرًا الحصول على توزيع الطيور في المنطقة. وقد تم استخدام هذه الطريقة على نطاق واسع من قبل إدارة الغابات والمراعي الحكومية في المتنزهات والأراضي الرطبة والمحميات البيئية.

الشكل 9: نظام مراقبة الطيور الذكي المنتشر في دلتا النهر الأصفر

وفي الوقت نفسه، يمكن لهذه المهارة التي تتمتع بها الذكاء الاصطناعي أيضًا أن تقلل من عبء العمل على الباحثين العلميين. يمكن للذكاء الاصطناعي القضاء على التداخل من الخلفية والضوضاء، والتركيز على ميزات الصورة، وحل المشكلات التي يجد علماء البيئة صعوبة في الحكم عليها بسرعة.على سبيل المثال، في الصورة أدناه، إذا لم يكن لديك أي معرفة بالطيور، فمن الصعب تحديد عدد الكتاكيت بسرعة من الريش المعقد.

الشكل 10: صورة لعش الكتاكيت. هل يمكنك معرفة عدد الكتاكيت الموجودة في الصورة؟

يتم استخدام الذكاء الاصطناعي على نطاق واسع في مراقبة نشاط الطيور وتحليل توزيع الطيور، وبناء نظام كامل لأبحاث الطيور من الأسفل إلى الأعلى وتحقيق "تعداد الطيور" في مناطق محددة.أعتقد أنه بمساعدة الذكاء الاصطناعي، سنكون قادرين على الحصول على فهم أكثر شمولاً للنظام البيئي، وصياغة سياسات بيئية تتوافق أكثر مع الظروف المحلية، واستعادة التنوع البيولوجي للأرض تدريجيًا، وحماية كوكبنا.

روابط مرجعية:

[1]https://www.worldwildlife.org/publications/living-planet-report-2020

[2]https://phys.org/news/2023-09-ai-birds-easier.html

[3]https://www.forestry.gov.cn/main/586/20230118/094644604451331.html