HyperAI

L'IA « Bird Census » De L'université Cornell Utilise L'apprentissage Profond Pour Analyser La Répartition Des Parulines D'amérique Du Nord

il y a 2 ans
Information
Xuran Zhang
特色图像

Selon les statistiques du Fonds mondial pour la nature, la population des espèces représentatives dans le monde a diminué de 68% entre 1970 et 2016, et la biodiversité a continué de décliner.
Pour protéger la biodiversité, nous devons analyser avec précision les conditions écologiques locales et formuler des politiques de protection écologique raisonnables. Cependant, les données écologiques sont trop complexes et les normes statistiques sont difficiles à unifier, ce qui rend difficile la réalisation d’analyses écologiques à grande échelle.
Récemment, des chercheurs de l’Université Cornell ont utilisé l’apprentissage profond pour analyser 9 millions d’ensembles de données sur les oiseaux et ont obtenu les données de répartition des parulines des bois en Amérique du Nord, ouvrant ainsi un nouveau chapitre dans l’analyse des données écologiques.

Auteur | Xuecai

Rédacteur | Trois moutons, tour de fer

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat~

Selon le Fonds mondial pour la nature (WWF),Entre 1970 et 2016, l’abondance moyenne de 20 811 populations de 4 392 espèces dans le monde a diminué de 681 %., la biodiversité mondiale est en déclin.

Figure 1 :De 1970 à 2016, 4 392 espèces étaient représentées dans le monde.Variation moyenne de la population pour 20 811 espèces

La protection de la biodiversité nécessite une analyse précise à grande échelle de la répartition des espèces dans les zones concernées.Cependant,En raison de l’énorme quantité de données et de l’absence d’une méthode statistique unifiée, les chercheurs ne sont actuellement pas en mesure de compter avec précision la biodiversité (richesse des espèces, taille de la population, etc.) et les données de composition biologique (le statut d’une espèce dans l’écosystème local) d’une zone spécifique.

Les statistiques traditionnelles sur la richesse des espèces nécessitent la superposition de cartes de distribution de différentes espèces pour la modélisation et la prédiction, ou une prédiction directe via des modèles macroécologiques. De toute façon,Les résultats de l'inférence seront affectés par la précision du modèle, le premier sera également affecté par la précision de la carte.

et,La résolution temporelle de cette méthode de prévision est médiocreIl est impossible de porter des jugements précis sur les changements saisonniers dans la répartition des espèces, et encore moins d’étudier les liens entre les espèces, ce qui n’est pas propice à la formulation de politiques de protection écologique.

L’apprentissage profond offre un moyen efficace pour des études spatio-temporelles à grande échelle de la biodiversité. Des chercheurs de l'Université Cornell aux États-Unis ont développé le modèle DMVP-DRNets en combinant le Deep Reasoning Network (DRN) et le Deep Multivariate Probit Model (DMVP).La répartition temporelle et spatiale de la Paruline en Amérique du Nord a été analysée à partir de 9 206 241 ensembles de données eBird., et a déduit les liens entre les fauvettes et leur environnement et d’autres espèces. Les résultats pertinents ont été publiés dans « Ecology ».

Ce résultat a été publié dans Ecology

Lien vers l'article :

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

Procédures expérimentales

Ensemble de données : eBird avec covariables

Les chercheurs ont utilisé les données eBird entre 170°-60° O, 20°-60° N du 1er janvier 2004 au 2 février 2019 comme ensemble de données pour cette étude. Après avoir exclu les données en double,Il existe 9 206 241 ensembles de données eBirdChaque ensemble de données eBird comprend l’heure, la date, le lieu et toutes les espèces d’oiseaux observées.

Figure 2 : Données eBird d'un groupe de mésanges à longue queue

Les chercheurs ont également introduit 72 covariables, comprenant 5 covariables liées à l'observateur, telles que le statut d'activité, le nombre d'observateurs, le temps d'observation, etc. 3 covariables liées au temps, principalement utilisées pour combler les écarts entre les différents fuseaux horaires ; 64 variables liées à la topographie, telles que l'altitude, le littoral, les îles, etc.

Cadre du modèle:Décodeur + Espace latent


Cette étude a utilisé le DRN basé sur le DMVP pour l’analyse et la prédiction des données.Ce modèle se compose d'un décodeur de réseau entièrement connecté à trois couches pour analyser la corrélation des caractéristiques d'entrée et de deux espaces latents structurés pour représenter les associations entre les espèces et entre les espèces et l'environnement.

Figure 3 : Diagramme schématique des résultats du modèle DMVP-DRNets

Enfin, le modèle DMVP-DRNets produit trois résultats écologiquement pertinents via un espace latent interprétable :

1. Caractéristiques liées à l'environnement:reflète les connexions et les interactions entre différentes covariables environnementales ;

2. Caractéristiques liées à l'espèce:Refléter la connexion entre les différentes espèces à travers la matrice de corrélation résiduelle ;

3. Caractéristiques liées à la biodiversité:Comme l’abondance et la répartition d’une espèce.

Évaluation du modèle : comparaison avec HLR-S

Avant de mettre le modèle DMVP-DRNets en service à grande échelle,Les chercheurs l’ont d’abord comparé au modèle HLR-S basé sur des processus spatiaux gaussiens.. HLR-S est l’un des modèles les plus couramment utilisés en écologie pour étudier la distribution conjointe de plusieurs espèces.

Tout d’abord, les deux modèles ont été formés à l’aide de 10 000 ensembles de données eBird. Le modèle HLR-S prend plus de 24 heures à former, tandis que le modèle DMVP-DRNets prend moins d'une minute.

Tableau 1 :Comparaison des performances entre le modèle DMVP-DRNets et le modèle HLR-S

Par la suite, les données eBird de différentes échelles ont été analysées.Le modèle DMVP-DRNets surpasse le modèle HLR-S dans 11 critères d'évaluation., n'étant en retard que sur le modèle HLR-S en ce qui concerne la perte d'étalonnage de la richesse spécifique.

Résultats expérimentaux

Zone de distribution:montagnes des Appalaches


Après avoir analysé les données eBird, le modèle DMVP-DRNets produit une résolution spatiale de 2,9 km.2  Carte de répartition mensuelle des parulines d'Amérique du Nord. La répartition des différentes espèces de parulines en Amérique du Nord est très dynamique, avec des points chauds de répartition différents chaque mois. Après avoir superposé les cartes de distribution mensuelles,Les chercheurs ont découvert que les Appalaches sont la région qui présente la plus grande diversité d’espèces de parulines.

Figure 4 :Carte de répartition des parulines des bois en Amérique du Nord

a : Répartition de la richesse maximale des espèces de parulines à travers l'Amérique du Nord

b : La principale aire de répartition de la paruline des bois en Amérique du Nord

Dans le même temps, les chercheurs ont également découvert des points chauds de répartition de la fauvette des forêts au cours de différentes périodes de migration. Pendant la période de migration précédant la reproduction, les parulines se trouvent principalement près des Appalaches, dans l'Ohio, en Virginie-Occidentale et en Pennsylvanie. Après la reproduction, les Appalaches du Nord constituent la zone la plus abondante pour les parulines.

Fauvette-Environnement:Préférence en matière d'eau, de terre et de saison

Figure 5 : Répartition des pouillots siffleurs pendant la période de migration prénuptiale (a) et la période de migration postnuptiale (b)

De plus, les chercheurs ont utilisé le modèle DMVP-DRNets pour analyser les interactions entre les parulines et l’environnement dans le nord-est des États-Unis.

d'abord,Les chercheurs ont pu distinguer approximativement les préférences des différentes fauvettes pour les environnements aquatiques et terrestres.Alors,Ils ont découvert que les différentes espèces de fauvettes ont des préférences différentes quant à leur environnement pendant la saison de reproduction.Les parulines à ailes bleues, à gorge jaune et à gorge boréale, qui aiment les milieux aquatiques, se perchent plus près pendant la saison de reproduction, tandis que les parulines des pins restent encore plus près d'autres espèces associées aux forêts de pins, comme la sittelle à tête brune et le pic à tête rouge.

La répartition des différentes parulines change avec les saisons.La plupart des parulines se perchent en groupes pendant la période de migration post-reproduction, tandis que les parulines à couronne rousse choisissent de migrer plus tard à l'automne. Les parulines des pins et les fauvettes à croupion jaune habitent le nord-est des États-Unis toute l'année.

Figure 6 : Corrélations entre les fauvettes pendant la saison de reproduction et l'environnement et d'autres espèces

Figure 7 : Corrélations entre les fauvettes et l'environnement et d'autres espèces pendant la migration post-nuptiale

Associations interspécifiques:Concurrence et coopération

Les parulines présentent des relations différentes avec les autres espèces pendant les saisons de reproduction, de non-reproduction et de migration.

Pendant la saison de reproduction, les pouillots défendent principalement leur propre habitat et entretiennent de faibles relations avec d'autres espèces.Il existe même une corrélation négative entre des espèces qui ont des habitats similaires et sont plus agressives, comme la Paruline à cou noir et la Paruline à queue orange.

Durant la période de migration, la plupart des fauvettes ont montré de fortes corrélations positives entre elles et avec d’autres espèces de la forêt.Cela concorde avec les observations selon lesquelles les parulines des forêts forment des groupes de migration mixtes avec d’autres espèces telles que les coucous verts aux yeux rouges et les mésanges à couronne noire.

Durant cette période, les parulines entretenaient de mauvaises relations avec des prédateurs tels que la buse à ailes géantes, la buse rayée, la buse à ailes bleues et la buse à épaulettes rouges, et le coefficient de corrélation négative entre les deux était élevé.

Figure 8 : Coefficients de corrélation entre les fauvettes et les autres espèces pendant la période de reproduction (a) et la période de migration post-reproduction (b)

Les résultats ci-dessus montrent queLe modèle DMVP-DRNets peut émettre des jugements précis sur la répartition des fauvettes à différentes périodes et peut déduire le lien entre les fauvettes et l’environnement et d’autres espèces, fournissant ainsi une base pour la formulation de politiques écologiques.

Recensement de la population d'oiseaux par IA

Outre l’analyse des données, la collecte de données constitue également une partie importante de la recherche écologique.Contrairement aux plantes, les oiseaux sont très alertes et se déplacent rapidement, et certaines espèces sont petites, ce qui rend difficile leur observation précise.

Les méthodes traditionnelles s’appuient sur des téléobjectifs, des télescopes puissants et des caméras fixes pour observer les oiseaux à distance.Bien que cette méthode évite de perturber les oiseaux, elle nécessite beaucoup de main-d’œuvre et de ressources matérielles, et exige également que l’observateur ait des connaissances considérables en écologie et en taxonomie.

Grâce aux réseaux neuronaux profonds,L’IA peut effectuer une reconnaissance efficace des images et des sons, offrant ainsi de nouvelles méthodes d’observation des oiseaux.Des équipements d’enregistrement audio et vidéo sont déployés dans les principales zones d’activité des oiseaux. L'équipement peut télécharger les données enregistrées sur le serveur, puis analyser les données via l'IA pour extraire les informations audio et vidéo, et enfin obtenir la répartition des oiseaux dans la zone. Cette méthode a été largement utilisée par l’Administration des forêts et des prairies de l’État dans les parcs, les zones humides et les réserves écologiques.

Figure 9 : Système intelligent de surveillance des oiseaux déployé dans le delta du fleuve Jaune

Dans le même temps, cette compétence de l’IA peut également réduire la charge de travail des chercheurs scientifiques. L’IA peut éliminer les interférences de l’arrière-plan et du bruit, se concentrer sur les caractéristiques de l’image et résoudre rapidement les problèmes que les écologistes ont du mal à évaluer.Par exemple, sur la photo ci-dessous, si vous n’avez aucune connaissance des oiseaux, il est difficile de déterminer rapidement le nombre de poussins à partir des plumes complexes.

Figure 10 : Photo d’un nid de poussins. Pouvez-vous dire combien de poussins il y a sur la photo ?

L'IA est largement utilisée dans la surveillance de l'activité des oiseaux et l'analyse de leur répartition, créant un système complet de recherche sur les oiseaux de bas en haut et réalisant un « recensement des oiseaux » dans des zones spécifiques.Je crois qu’avec l’aide de l’IA, nous pourrons avoir une compréhension plus approfondie de l’écosystème, formuler des politiques écologiques plus adaptées aux conditions locales, restaurer progressivement la biodiversité de la Terre et protéger notre planète.

Liens de référence :

[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

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat~