世界自然保護基金の統計によると、1970 年から 2016 年にかけて、世界の代表的な種の個体数は 68% 減少し、生物多様性は減少し続けました。
生物多様性を保護するには、地域の生態学的条件を正確に分析し、合理的な生態学的保護政策を策定する必要があります。しかし、生態データは複雑すぎて統計基準の統一が難しく、大規模な生態解析は困難です。
最近、コーネル大学の研究者らは、ディープラーニングを使用して 900 万セットの鳥類データを分析し、北米におけるウグイスの分布データを取得し、生態学的データ分析に新たな章を開きました。

著者 | 雪才

編集者 | 三陽市 鉄塔

この記事は、HyperAI Super Neural WeChat パブリック プラットフォームで初めて公開されました~

世界自然保護基金（WWF）の統計によると、1970 年から 2016 年までに、4,392 の代表的な種と 20,811 の個体群の世界平均個体数は 68% 減少しました。、地球規模の生物多様性は減少しています。

図1:1970年から2016年までに代表的な4,392種、20,811 人の人口の平均人口変化

生物多様性を保護するには、関連地域の種の分布を正確に大規模に分析する必要があります。しかし、データ量が膨大であり、統一された統計手法が存在しないため、、研究者は現在、特定の地域における生物多様性（種の豊富さ、個体数の規模など）と生物学的組成データ（地元の生態系における特定の種の状態）を正確に数えることができません。

従来の種の豊富さの統計では、モデリングと予測のために、さまざまな種の分布図を重ね合わせたり、マクロ生態学的モデルを通じて直接予測したりする必要があります。どちらにしても、推論結果はモデルの精度に影響されます、前者は地図の精度にも影響されます。

そして、この予測方法は時間分解能が不十分です種間のつながりを研究することはおろか、種の分布の季節変化を正確に判断することも不可能であり、生態保護政策の策定には役立たない。

深層学習は、生物多様性に関する大規模な時空間研究に効果的な手段を提供します。米国のコーネル大学の研究者は、Deep Reasoning Network (DRN) と Deep Multivariate Probit Model (DMVP) を組み合わせて DMVP-DRNets モデルを開発しました。北米におけるムシクイの空間的および時間的分布が、9,206,241 セットの eBird データから分析されました。そして、ウグイス、環境、他の種の間の関係について推論を行いました。関連する結果は「Ecology」に掲載されています。

この成果は「Ecology」に掲載されました

論文リンク:

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

実験プロセス

データセット: 共変量を含む eBird

研究者らは、この研究のデータセットとして、2004 年 1 月 1 日から 2019 年 2 月 2 日までの西経 170 度から 60 度、北緯 20 度から 60 度の eBird データを使用しました。重複データを除外した後、eBird データは合計 9,206,241 セットあります、eBird データの各セットには、時刻、日付、場所、および観察されたすべての鳥の種が含まれています。

図 2: キビナガのグループの eBird データ

研究者らは72の共変量も導入した活動ステータス、観測者の数、観測時間などの 5 つの観測者関連の共変量を含み、主に異なるタイムゾーン間の偏差を埋めるために使用される 3 つの時間関連の共変量、標高、海岸線などの 64 の地形関連の変数。 、島など。

モデルフレームワーク:デコーダ + 潜在空間

この研究では、データ分析と予測に DMVP ベースの DRN を使用します。このモデルには、入力特徴の相関関係を分析するための 3 層完全接続ネットワーク デコーダと、種と種および種と環境間の接続を表す 2 つの構造化された潜在空間が含まれています。

図 3: DMVP-DRNets モデルの結果の図

最後に、DMVP-DRNets モデルは、解釈可能な潜在空間を通じて、生態学的に関連する 3 つの結果を出力します。

1. 環境に関する特性: 異なる環境共変量間のつながりと相互作用を反映します。

2. 種に関連した特徴:残差相関行列を通じて異なる種間の関係を反映します。

3. 生物多様性関連の特徴：特定の種の存在量や分布など。

機種評価：HLR-Sとの比較

DMVP-DRNets モデルを大規模に使用する前に、研究者らはまず、空間ガウス過程に基づくHLR-Sモデルと比較した。。 HLR-S は、複数の種の共同分布を研究するために生態学で最も一般的に使用されるモデルの 1 つです。

まず、2 つのモデルは 10,000 セットの eBird データを使用してトレーニングされました。 HLR-S モデルのトレーニングには 24 時間以上かかりましたが、DMVP-DRNets モデルのトレーニングには 1 分もかかりませんでした。

表 1:DMVP-DRNets モデルと HLR-S モデルのパフォーマンス比較

続いて、さまざまなスケールの eBird データが分析されました。DMVP-DRNets モデルは 11 の評価基準において HLR-S モデルよりも優れています、種の豊富さのキャリブレーション損失においてのみ HLR-S モデルを下回っています。

実験結果

配布エリア:アパラチア山脈

eBird データを分析した後、DMVP-DRNets モデルは 2.9 km の空間解像度を出力しました。²  北アメリカムグイの月別分布図。北米におけるさまざまな種のムグイの分布は非常に動的であり、分布ホットスポットは毎月異なります。月次分布図を重ねてみると、研究者らは、アパラチア山脈がウグイスの種の多様性が最も高い地域であることを発見しました。

図4:北米におけるウグイスの分布図

a: 北米全域のムグイの種数の最大分布

b:北米のウグイスの主な分布地域

同時に研究者らは、さまざまな移動段階でウグイスの分布ホットスポットも発見した。繁殖前の渡りの期間中、モリムグイは主にオハイオ州、ウェストバージニア州、ペンシルベニア州のアパラチア山脈周辺で見られます。繁殖後は、アパラチア山脈北部がウグイスが最も多く生息する地域になります。

ウグイスの環境:土地と水と季節の好み

図 5: 繁殖移動前の期間 (a) と繁殖後の移動期間 (b) におけるウグイスの分布

さらに研究者らは、DMVP-DRNets モデルを使用して、米国北東部におけるウグイスと環境との相互作用を分析しました。

初め、研究者らは、水生環境と陸上環境に対するさまざまなウグイスの好みを大まかに区別することができた。続いて、彼らは、ウグイスの種類が異なれば、繁殖期の環境に対する好みも異なることを発見した。水生環境を好むキヨムシクイ、キタムシクイ、キヨムシクイは繁殖期には近くに生息するが、マツムシクイはカワセミなど松林に関連する他の種に近づくことになる。そしてアカゲラ。

季節が変わると、ウグイスの分布も変わります。繁殖後の渡りの期間中、ほとんどのウグイスは集団でねぐらにいますが、ヤシムシクイは秋の後半に渡りをします。米国北東部には、マツムシクイと黄色い尻をもつシロノドウムシクイが一年中生息しています。

図 6: 繁殖期におけるウグイスと環境および他の種の相関関係

図 7: 繁殖後の移動期間におけるウグイス、環境、および他の種の間の相関関係

異種間のつながり:競争と協力

ウグイスは繁殖期、非繁殖期、渡りの季節に他の種と異なる関係を示します。

繁殖期には、ウグイスは主に自分たちの生息地を守り、他の種との関わりはあまりありません。クロナペドウェッソンムグイとオオジロムシクイのように、同様の生息地を共有し、より攻撃的な種の間には負の相関関係さえあります。

移動期間中、ほとんどのウグイスは相互に、また森林内の他の種と強い正の相関関係を示しました。これは、モリムシクイがアカフクロネコやコガラなどの他の種と混合移動グループを形成しているという観察と一致しています。

この時期、ウグイスとオオノスリ、シマワシ、チキンタカ、アカ肩ノスリなどの捕食動物との関係は悪く、両者の負の相関係数は高かった。

図 8: 繁殖期 (a) と繁殖後の移動期 (b) におけるウグイスと他種との相関係数

上記の結果は次のことを示しています。DMVP-DRNets モデルは、さまざまな時期のウグイスの分布を正確に判断でき、ウグイスと環境、および他の種の間の関係を推測して、生態学的政策を策定するための基礎を提供します。

AI「鳥類調査」

データ分析に加えて、データ収集も生態学的研究の重要な部分です。鳥類は植物と異なり、警戒心が高く、動きが素早く、種によっては体が小さいため、正確に観察することが困難です。

従来の方法では、望遠カメラ、高性能望遠鏡、固定カメラを利用して長距離から鳥を観察していました。この方法は鳥に迷惑をかけることはありませんが、多くの人的資源と物的資源を必要とし、観察者にも生態学や分類学に関する十分な知識が必要です。

ディープニューラルネットワークを通じて、AIにより効率的な画像認識や音声認識が可能となり、野鳥観察の新たな手法を提供します。鳥の主な活動領域に音声およびビデオ記録装置を配置し、記録されたデータをサーバーにアップロードし、AI を介してデータを分析して音声およびビデオ内の情報を抽出し、最終的に鳥の分布を取得します。このエリア。この方法は、国立森林草原局によって公園、湿地、生態保護区で広く使用されています。

図 9: 黄河デルタに配備されたインテリジェント鳥類監視システム

同時に、AI のこのスキルは科学研究者の作業負荷も軽減します。 AI は背景やノイズの干渉を排除し、画像の特徴に焦点を当て、生態学者が判断するのが難しい問題を迅速に解決できます。たとえば、下の写真では、鳥に関する知識がなければ、多数の羽から雛の数をすぐに判断することは困難です。

図 10: ヒナの巣の写真 この写真には何羽のヒナが写っているかわかりますか?

AIは鳥の活動監視や鳥の分布分析に広く活用されており、特定の地域で「鳥の個体数調査」を達成するためのボトムアップ型の鳥研究システムを構築しています。AI の助けを借りて、生態系をより徹底的に理解し、地域の状況により合った生態政策を策定し、地球の生物多様性を徐々に回復し、故郷の地球を守ることができると私は信じています。

参考リンク:

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

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

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

この記事は、HyperAI Super Neural WeChat パブリック プラットフォームで初めて公開されました~