Vogelzählung: KI hat begonnen, die Vogelpopulation zu überprüfen!

Statistiken des World Wildlife Fund zufolge ist die Population repräsentativer Arten weltweit zwischen 1970 und 2016 um 68 % zurückgegangen und die Artenvielfalt nahm weiter ab.
Um die Artenvielfalt zu schützen, müssen wir die ökologischen Bedingungen vor Ort genau analysieren und vernünftige Maßnahmen zum Umweltschutz formulieren. Allerdings sind ökologische Daten zu komplex und statistische Standards lassen sich nur schwer vereinheitlichen, was die Durchführung groß angelegter ökologischer Analysen erschwert.

Kürzlich analysierten Forscher der Cornell University mithilfe von Deep Learning neun Millionen Vogeldatensätze und erlangten Daten zur Verbreitung des Waldsängers in Nordamerika. Damit schlugen sie ein neues Kapitel in der ökologischen Datenanalyse auf.

Autor | Xuecai

Herausgeber | Drei Schafe, Eisenturm

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht~

Laut Statistiken des World Wildlife Fund (WWF) ist die durchschnittliche Zahl von 4.392 repräsentativen Arten und 20.811 Populationen auf der Welt zwischen 1970 und 2016 um 68 % zurückgegangen , und die globale Artenvielfalt nimmt ab.

Abbildung 1: Durchschnittliche Populationsveränderungen von 4.392 repräsentativen Arten und 20.811 Populationen weltweit von 1970 bis 2016

Der Schutz der Artenvielfalt erfordert eine genaue und groß angelegte Analyse der Artenverteilung in den entsprechenden Gebieten. Aufgrund der enormen Datenmenge und des Fehlens einheitlicher statistischer Methoden sind Forscher derzeit jedoch nicht in der Lage, die Biodiversität (Artenreichtum, Populationsgröße usw.) und die biologische Zusammensetzung (den Status einer Art im lokalen Ökosystem) eines bestimmten Gebiets genau zu ermitteln.

Herkömmliche Statistiken zur Artenvielfalt erfordern zur Modellierung und Vorhersage die Überlagerung von Verbreitungskarten verschiedener Arten oder eine direkte Vorhersage durch makroökologische Modelle. Unabhängig von der Methode werden die Inferenzergebnisse von der Genauigkeit des Modells beeinflusst , und erstere werden auch von der Genauigkeit der Karte beeinflusst.

Darüber hinaus weist diese Vorhersagemethode eine schlechte zeitliche Auflösung auf und kann saisonale Veränderungen in der Artenverteilung nicht genau beurteilen, geschweige denn die Zusammenhänge zwischen Arten untersuchen, was der Formulierung ökologischer Schutzrichtlinien nicht förderlich ist.

Deep Learning bietet ein wirksames Mittel für groß angelegte räumlich-zeitliche Studien zur Artenvielfalt. Forscher der Cornell University in den USA entwickelten das DMVP-DRNets-Modell durch die Kombination des Deep Reasoning Network (DRN) und des Deep Multivariate Probit Model (DMVP). Sie analysierten die räumlich-zeitliche Verbreitung des Waldsängers in Nordamerika anhand von 9.206.241 eBird-Datensätzen und schlossen daraus auf den Zusammenhang zwischen dem Waldsänger und der Umwelt sowie anderen Arten . Die entsprechenden Ergebnisse wurden in „Ecology“ veröffentlicht.

Dieses Ergebnis wurde in Ecology veröffentlicht

Versuchsdurchführung

Datensatz: eBird mit Kovariaten

Die Forscher verwendeten eBird-Daten zwischen 170°-60° W und 20°-60° N vom 1. Januar 2004 bis zum 2. Februar 2019 als Datensatz für diese Studie. Nach Ausschluss doppelter Daten gibt es 9.206.241 eBird-Datensätze . Jeder eBird-Datensatz enthält Uhrzeit, Datum, Ort und alle beobachteten Vogelarten.

Abbildung 2: eBird-Daten einer Gruppe von Schwanzmeisen

Die Forscher führten außerdem 72 Kovariaten ein , darunter 5 beobachterbezogene Kovariaten wie Aktivitätsstatus, Anzahl der Beobachter, Beobachtungszeit usw.; 3 zeitbezogene Kovariate, die hauptsächlich dazu verwendet werden, die Abweichungen zwischen verschiedenen Zeitzonen zu überbrücken; 64 Variablen im Zusammenhang mit der Topografie, wie Höhe, Küstenlinie, Inseln usw.

Modellrahmen: Decoder + latenter Raum

In dieser Studie wurde DRN basierend auf DMVP zur Datenanalyse und Vorhersage verwendet. Dieses Modell besteht aus einem dreischichtigen, vollständig verbundenen Netzwerkdecoder zur Analyse der Korrelation von Eingabemerkmalen und zwei strukturierten latenten Räumen zur Darstellung der Assoziationen zwischen Arten und zwischen Arten und der Umwelt.

Abbildung 3: Schematische Darstellung der DMVP-DRNets-Modellergebnisse

Schließlich gibt das DMVP-DRNets-Modell drei ökologisch relevante Ergebnisse über einen interpretierbaren latenten Raum aus:

1. Umweltbezogene Merkmale : spiegeln die Verbindungen und Wechselwirkungen zwischen verschiedenen Umweltkovariaten wider;

2. Artbezogene Merkmale : Die Beziehung zwischen verschiedenen Arten wird durch die Residualkorrelationsmatrix widergespiegelt;

3. Mit der Artenvielfalt verbundene Merkmale : etwa Häufigkeit und Verbreitung einer bestimmten Art.

Modellbewertung: Vergleich mit HLR-S

Bevor das DMVP-DRNets-Modell im großen Maßstab eingesetzt wurde, verglichen die Forscher es zunächst mit dem auf räumlichen Gaußschen Prozessen basierenden HLR-S-Modell . HLR-S ist eines der am häufigsten verwendeten Modelle in der Ökologie zur Untersuchung der gemeinsamen Verbreitung mehrerer Arten.

Zunächst wurden die beiden Modelle mit 10.000 eBird-Datensätzen trainiert. Das Training des HLR-S-Modells dauert mehr als 24 Stunden, während das Training des DMVP-DRNets-Modells weniger als 1 Minute dauert.

Tabelle 1: Leistungsvergleich zwischen DMVP-DRNets-Modell und HLR-S-Modell

Anschließend wurden eBird-Daten unterschiedlicher Maßstäbe analysiert und das DMVP-DRNets-Modell übertraf das HLR-S-Modell in 11 Bewertungskriterien und blieb nur beim Verlust der Artenreichtum-Kalibrierung hinter dem HLR-S-Modell zurück.

Experimentelle Ergebnisse

Verbreitung: Appalachen

Nach der Analyse der eBird-Daten gibt das DMVP-DRNets-Modell monatliche Verbreitungskarten nordamerikanischer Waldsänger mit einer räumlichen Auflösung von 2,9 km2 aus. Die Verbreitung der verschiedenen Waldsängerarten in Nordamerika ist sehr dynamisch, jeden Monat gibt es unterschiedliche Verbreitungsschwerpunkte. Nach der Überlagerung der monatlichen Verbreitungskarten stellten die Forscher fest, dass die Appalachen das Gebiet mit der höchsten Artenvielfalt an Waldsängern sind.

Abbildung 4: Verbreitungskarte der Waldsänger in Nordamerika

a: Verteilung der maximalen Artenvielfalt von Waldsängern in Nordamerika

b: Das Hauptverbreitungsgebiet des Waldsängers in Nordamerika

Gleichzeitig entdeckten die Forscher auch Hotspots der Waldgrasmückenverbreitung während verschiedener Migrationsperioden. Während der Migrationszeit vor der Brutzeit sind Waldsänger vor allem in der Nähe der Appalachen in Ohio, West Virginia und Pennsylvania zu finden. Nach der Brutzeit sind die nördlichen Appalachen das Gebiet mit der höchsten Populationsdichte an Waldsängern.

Abbildung 5: Verteilung der Waldsänger während der Vorbrutzeit (a) und der Nachbrutzeit (b)

Grasmücken - Umwelt: Wasser, Land und saisonale Vorlieben

Darüber hinaus verwendeten die Forscher das DMVP-DRNets-Modell, um die Wechselwirkungen zwischen Waldsängern und der Umwelt im Nordosten der USA zu analysieren.

Zunächst gelang es den Forschern, die Vorlieben verschiedener Grasmückenarten für aquatische und terrestrische Umgebungen grob zu unterscheiden. Anschließend stellten sie fest, dass verschiedene Arten von Waldsängern während der Brutzeit unterschiedliche Vorlieben hinsichtlich ihrer Umgebung hatten. Die das Wasser liebenden Blauflügel-, Nord- und Gelbkehl-Waldsänger halten sich während der Brutzeit näher an ihren Schlafplätzen auf, während Kiefernwaldsänger noch näher bei anderen mit Kiefernwäldern verbundenen Arten bleiben, wie etwa dem Braunkopfkleiber und dem Rotkopfspecht.

Die Verbreitung der verschiedenen Grasmückenarten ändert sich mit den Jahreszeiten . Die meisten Waldsänger halten sich während der Migrationsperiode nach der Brutzeit in Gruppen auf, während Palmenwaldsänger sich für eine Migration im späteren Herbst entscheiden. Kiefernwaldsänger und Gelbbürzel-Grasmücken leben das ganze Jahr über im Nordosten der Vereinigten Staaten.

Abbildung 6: Zusammenhänge zwischen Grasmücken während der Brutzeit und der Umwelt sowie anderen Arten

Abbildung 7: Korrelationen zwischen Waldsängern und der Umwelt sowie anderen Arten während der Migration nach der Brutzeit

Interspezies-Assoziationen: Wettbewerb und Kooperation

Während der Brutzeit, der Nichtbrutzeit und der Zugzeit zeigen Grasmücken unterschiedliche Beziehungen zu anderen Arten.

Während der Brutzeit verteidigen Waldsänger hauptsächlich ihren eigenen Lebensraum und pflegen nur schwache Bindungen zu anderen Arten. Es besteht sogar eine negative Korrelation zwischen Arten, die ähnliche Lebensräume haben und aggressiver sind, wie etwa der Schwarzhals-Wilson-Waldsänger und der Orangeschwanz-Waldsänger.

Während der Migrationsperiode zeigten die meisten Waldsänger starke positive Korrelationen untereinander und mit anderen Arten im Wald. Dies steht im Einklang mit Beobachtungen, dass Waldsänger gemischte Migrationsgruppen mit anderen Arten wie Rotaugengrünkuckucken und Schwarzscheitelmeisen bilden.

Während dieser Zeit hatten die Grasmücken ein schlechtes Verhältnis zu Raubtieren wie dem Mäusebussard, dem Sperber, dem Habicht und dem Rotschulterbussard, und der negative Korrelationskoeffizient zwischen den beiden war hoch.

Abbildung 8: Korrelationskoeffizienten zwischen Grasmücken und anderen Arten während der Brutzeit (a) und der Migrationsperiode nach der Brutzeit (b)

Die obigen Ergebnisse zeigen, dass das DMVP-DRNets-Modell genaue Urteile über die Verteilung der Waldsänger in verschiedenen Zeiträumen treffen und auf die Verbindung zwischen Waldsängern und der Umwelt sowie anderen Arten schließen kann, was eine Grundlage für die Formulierung ökologischer Richtlinien bietet.

KI „Vogelpopulationszählung“

Neben der Datenanalyse ist auch die Datenerhebung ein wichtiger Bestandteil der ökologischen Forschung. Im Gegensatz zu Pflanzen sind Vögel sehr aufmerksam und bewegen sich schnell. Außerdem sind einige Arten klein, sodass ihre genaue Beobachtung schwierig ist.

Herkömmliche Methoden basieren auf Telekameras, Hochleistungsteleskopen und stationären Kameras, um Vögel aus der Ferne zu beobachten. Obwohl diese Methode die Vögel nicht stört, erfordert sie einen hohen personellen und materiellen Aufwand und erfordert vom Beobachter außerdem beträchtliche Kenntnisse in Ökologie und Taxonomie.

Durch tiefe neuronale Netzwerke kann KI eine effiziente Bild- und Tonerkennung durchführen und so neue Methoden zur Vogelbeobachtung bereitstellen . In den Hauptaktivitätsgebieten der Vögel werden Audio- und Videoaufzeichnungsgeräte eingesetzt. Das Gerät kann die aufgezeichneten Daten auf den Server hochladen und die Daten dann mithilfe von KI analysieren, um die Informationen aus Audio und Video zu extrahieren und schließlich die Verteilung der Vögel in der Region zu ermitteln. Diese Methode wird von der staatlichen Forst- und Grünlandverwaltung in großem Umfang in Parks, Feuchtgebieten und ökologischen Reservaten eingesetzt.

Abbildung 9: Intelligentes Vogelüberwachungssystem im Gelben Flussdelta

Gleichzeitig kann diese Fähigkeit der KI auch die Arbeitsbelastung wissenschaftlicher Forscher verringern. KI kann Störungen durch Hintergrund und Rauschen eliminieren, sich auf die Merkmale des Bildes konzentrieren und schnell Probleme lösen, die für Ökologen schwer zu beurteilen sind. **Wenn man sich beispielsweise auf dem Foto unten nicht mit Vögeln auskennt, ist es schwierig, anhand des komplexen Gefieders schnell die Anzahl der Küken zu bestimmen.

Abbildung 10: Foto eines Kükennests. Können Sie sagen, wie viele Küken auf dem Bild zu sehen sind?

KI wird häufig zur Überwachung der Vogelaktivität und zur Analyse der Vogelverteilung eingesetzt, um ein umfassendes System für die Vogelforschung von Grund auf aufzubauen und in bestimmten Gebieten eine „Vogelzählung“ durchzuführen. Ich bin überzeugt, dass wir mit Hilfe der KI das Ökosystem besser verstehen, ökologische Strategien entwickeln können, die besser auf die örtlichen Gegebenheiten abgestimmt sind, die Artenvielfalt der Erde schrittweise wiederherstellen und unseren Heimatplaneten schützen können.