鳥類個体数調査：AIが鳥類の個体数を調べ始めました！

世界自然保護基金の統計によると、世界の代表的な種の個体数は1970年から2016年の間に68％減少し、生物多様性は低下し続けています。
生物多様性を保護するためには、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、生態学的データは複雑すぎて統計基準を統一することが難しいため、大規模な生態学的分析を実施することは困難です。

最近、コーネル大学の研究者らはディープラーニングを用いて900万セットの鳥類データを分析し、北米のアメリカムシクイの分布データを入手し、生態学的データ分析の新たな章を開きました。

著者 |雪才

編集者 |三匹の羊、鉄塔

この記事はHyperAI WeChatパブリックプラットフォームで最初に公開されました〜

世界自然保護基金（WWF）の統計によると、1970年から2016年までの間に、世界の代表的な生物種4,392種、個体数20,811頭が平均68％減少しており、地球規模の生物多様性が低下している。

図1: 1970年から2016年までの世界の4,392の代表的な種と20,811の個体群の平均個体数変化

生物多様性を保護するには、関連地域における種の分布に関する正確で大規模な分析が必要です。しかし、膨大なデータ量と統一された統計手法の欠如により、研究者は現在のところ、特定地域の生物多様性（種の豊富さ、個体数など）や生物学的構成データ（地域の生態系における種の状態）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、モデル化と予測のためにさまざまな種の分布図を重ね合わせるか、マクロ生態学的モデルを通じて直接予測する必要があります。方法に関わらず、推論結果はモデルの精度に左右され、またマップの精度にも左右されます。

さらに、この予測方法は時間分解能が低く、種の分布の季節的変化を正確に判断できないだけでなく、種間のつながりを研究することもできないため、生態保護政策の策定には役立ちません。

ディープラーニングは、生物多様性の大規模な時空間研究に効果的な手段を提供します。米国コーネル大学の研究者らは、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。彼らは、9,206,241 セットの eBird データから北米におけるアメリカムシクイの時空間分布を分析し、アメリカムシクイと環境および他の種とのつながりを推測しました。関連する結果は「Ecology」に掲載されました。

この結果はエコロジー誌に掲載されました

実験手順

データセット: 共変量を含む eBird

研究者らは、2004年1月1日から2019年2月2日までの西経170度～60度、北緯20度～60度の範囲のeBirdデータを本研究のデータセットとして使用した。重複データを除外すると、 eBird データは 9,206,241 セットあり、各 eBird データ セットには、時間、日付、場所、および観察されたすべての鳥類が含まれます。

図2: エナガの群れのeBirdデータ

研究者らはまた、活動状況、観察者の数、観察時間などの5つの観察者関連共変量を含む72の共変量を導入した。 3 つの時間関連共変量。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ます。標高、海岸線、島などの地形に関連する 64 個の変数。

モデルフレームワーク: デコーダー + 潜在空間

この研究では、データ分析と予測に DMVP に基づく DRN を使用しました。このモデルは、入力特徴の相関関係を分析するための 3 層の完全接続ネットワーク デコーダーと、種間および種と環境間の関連性を表す 2 つの構造化潜在空間で構成されています。

図3: DMVP-DRNetsモデルの結果の概略図

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.環境関連特性：異なる環境共変量間のつながりと相互作用を反映する。

2.種に関連する特性：異なる種間の関係は残差相関行列を通じて反映されます。

3.生物多様性に関連する特性：特定の種の豊富さや分布など。

モデル評価: HLR-Sとの比較

DMVP-DRNets モデルを大規模に使用する前に、研究者らはまずそれを空間ガウス過程に基づく HLR-S モデルと比較しました。 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、10,000 セットの eBird データを使用して 2 つのモデルをトレーニングしました。 HLR-S モデルのトレーニングには 24 時間以上かかりますが、DMVP-DRNets モデルの場合は 1 分未満しかかかりません。

表1: DMVP-DRNetsモデルとHLR-Sモデルのパフォーマンス比較

その後、異なるスケールの eBird データが分析され、 DMVP-DRNets モデルは 11 の評価基準で HLR-S モデルを上回り、種の豊富さのキャリブレーション損失のみで HLR-S モデルに遅れをとりました。

実験結果

分布: アパラチア山脈

DMVP-DRNets モデルは、eBird データを分析した後、空間解像度 2.9 km2 で北米アメリカムシクイの月間分布マップを出力します。北米におけるさまざまな種類のウグイスの分布は非常に動的であり、毎月分布のホットスポットが異なります。研究者たちは、月ごとの分布図を重ね合わせた後、アパラチア山脈がアメリカムシクイの種の多様性が最も高い地域であることを発見した。

図4: 北米におけるウグイス類の分布図

a: 北米におけるアメリカムシクイの最大種の豊富さの分布

b: 北米におけるアメリカムシクイの主な分布域

同時に、研究者らは、さまざまな渡りの時期に森のウグイスが分布するホットスポットも発見した。繁殖前の渡りの期間中、アメリカムシク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付近で見られます。繁殖期の後、北部アパラチア山脈はアメリカムシクイが最も多く生息する地域となります。

図5: 繁殖前の渡り期間(a)と繁殖後の渡り期間(b)におけるアメリカムシクイの分布

ウグイス - 環境: 水、土地、季節の好み

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

まず、研究者たちは、さまざまなウグイス類の水生環境と陸生環境の好みを大まかに区別することができました。その後、研究者たちは、繁殖期にはウグイスの種によって環境の好みが異なることを発見した。水生生物を好むアオバトアメリカムシクイ、キノドアメリカムシクイ、キノドアメリカムシクイは繁殖期にはより近い場所に巣を作り、一方マツアメリカムシクイは、アカガシラゴジュウカラやアカゲラなど、松林に生息する他の種のさらに近くに留まります。

ウグイス類の分布は季節によって変化します。ほとんどのアメリカムシクイは繁殖後の渡りの時期に群れでねぐらに留まりますが、ヤシオウムシクイは秋の後半に渡りをすることを選択します。アメリカムシクイとキエボシムシクイは、一年中アメリカ北東部に生息しています。

図6: 繁殖期のウグイスと環境および他の種との相関関係

図7: 繁殖後の渡りにおけるウグイスと環境および他の種との相関関係

種間のつながり：競争と協力

ウグイスは繁殖期、非繁殖期、渡り期に他の種と異なる関係を示します。

繁殖期には、アメリカムシクイは主に自らの生息地を守り、他の種との関わりは薄い。生息地が似ていて、より攻撃的な種、例えば、クロエリアメリカムシクイとミヤマアメリカムシクイの間にも、負の相関関係が見られます。

渡りの期間中、ほとんどのウグイス類は互いに、また森林内の他の種との間に強い正の相関関係を示しました。これは、森のウグイスがアカオオカッコウやクロコガラなどの他の種と混合した渡り鳥の群れを形成するという観察結果と一致しています。

この期間中、アメリカムシクイは、オオノスリ、アメリカノスリ、チキンタカ、アカアシノスリなどの捕食者との関係が悪く、両者の間の負の相関係数が高かった。

図8: 繁殖期(a)と繁殖後の渡り期(b)におけるウグイス類と他種との相関係数

以上の結果は、 DMVP-DRNets モデルが、異なる時期におけるウグイスの分布について正確な判断を下すことができ、ウグイスと環境および他の種とのつながりを推測し、生態学的政策を策定するための基礎を提供できることを示しています。

AI「鳥類個体数調査」

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。鳥は植物と異なり、警戒心が強く動きが速く、種によっては小型であるため、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、固定カメラを使用して遠くから鳥を観察することになります。この方法は鳥を邪魔することを避けられますが、多くの人的資源と物的資源が必要となり、また観察者は生態学と分類学に関する相当の知識を持っている必要があります。

ディープニューラルネットワークを通じて、 AIは効率的な画像認識と音声認識を実行し、鳥類観察に新しい方法を提供します。鳥類の主な活動エリアには音声・映像記録装置が設置されています。この装置は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、音声とビデオの情報を取り出して、最終的にその地域の鳥の分布を取得します。この方法は、国家林業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鳥類スマートモニタリングシステム

同時に、AI のこのスキルは科学研究者の作業負荷を軽減することもできます。 AIは背景やノイズからの干渉を排除し、画像の特徴に焦点を当て、生態学者が判断しにくい問題を迅速に解決することができます。例えば下の写真では、鳥に関する知識がないと、複雑な羽毛から雛の数をすぐに判断することは困難です。

図10: ひなの巣の写真。写真にひよこが何羽いるかわかりますか？

AIは鳥類の活動監視や分布解析に広く活用されており、鳥類研究のための完全なシステムをボトムアップで構築し、特定の地域での「鳥類調査」を実現しています。 AIの助けを借りれば、生態系をより深く理解し、地域の状況にもっと合った生態学的政策を策定し、地球の生物多様性を徐々に回復し、私たちの故郷である地球を守ることができると信じています。