深度學習在動物生態(tài)學中的應用研究

張宇嵩 于營

摘要：深度學習作為一種新興的人工智能技術(shù)，已在各個領(lǐng)域展現(xiàn)出巨大的潛力和廣闊的應用前景。動物生態(tài)學作為一門研究動物與環(huán)境相互作用關(guān)系的學科，也積極探索并運用深度學習技術(shù)，以期提高數(shù)據(jù)處理和分析的效率，深化對動物行為、物種分布和生態(tài)系統(tǒng)等重要問題的理解。本文針對深度學習在動物生態(tài)學中的應用進行綜述，梳理并總結(jié)了目前相關(guān)研究的最新進展，為相關(guān)領(lǐng)域的未來研究提供參考和啟發(fā)，促進深度學習在各種動物生態(tài)學問題中的應用。

關(guān)鍵詞：深度學習；人工智能；動物生態(tài)學

引言

近年來，深度學習技術(shù)在各個領(lǐng)域取得了顯著進展，其中也包括動物生態(tài)學的研究。動物生態(tài)學是研究動物種群在特定環(huán)境中的分布、數(shù)量、相互作用和動態(tài)變化的科學領(lǐng)域。了解動物種群的空間行為、遷徙模式和棲息地利用，對于保護生物多樣性和生態(tài)系統(tǒng)功能具有重要意義。

然而，傳統(tǒng)的動物生態(tài)學研究往往依賴于人工采集的數(shù)據(jù)，如通過人工布設的相機陷阱、捕捉標記再釋放等方法，獲取動物的位置和遷徙路徑等信息。這種數(shù)據(jù)采集方式存在時間和空間的限制，且需要大量的人力物力投入。此外，在一些動物種群中，難以獲得足夠數(shù)量的樣本以確保統(tǒng)計顯著性，導致研究結(jié)果的可信度受到質(zhì)疑。

深度學習技術(shù)的興起為動物生態(tài)學提供了新的解決方案。深度學習的核心是通過構(gòu)建神經(jīng)網(wǎng)絡模型來自動學習數(shù)據(jù)中的特征和模式，以實現(xiàn)對大規(guī)模數(shù)據(jù)的高效分析和處理。通過應用深度學習算法，研究人員可以利用圖像、聲音等多種傳感器數(shù)據(jù)，實現(xiàn)對動物的自動識別、分類和跟蹤，進而揭示動物的行為模式、遷徙路徑和棲息地利用等重要信息。此外，深度學習技術(shù)還可以結(jié)合遙感數(shù)據(jù)和地理信息系統(tǒng)（GIS）技術(shù)，實現(xiàn)對動物種群的分布與環(huán)境因素之間的關(guān)聯(lián)分析，提高對動物生態(tài)系統(tǒng)的理解。

因此，對深度學習技術(shù)在動物生態(tài)學中的應用進行研究具有重要意義。該技術(shù)可以提供高效、精確的數(shù)據(jù)分析方法，輔助決策者和管理者進行環(huán)境保護和自然資源管理工作。此外，還能夠幫助我們更好地了解動物種群的行為模式和生態(tài)需求，為生物多樣性保護和生態(tài)系統(tǒng)治理提供科學依據(jù)。

1. 深度學習在動物生態(tài)學中的主要應用

隨著計算機科學的快速發(fā)展，深度學習作為一種人工智能技術(shù)，逐漸在動物生態(tài)學研究中得到了廣泛應用，其主要應用包括動物識別與分類、動物行為分析等，如圖1所示。

1.1 動物識別與分類

深度學習在動物識別與分類方面的應用取得了很大的進展。通過使用深度卷積神經(jīng)網(wǎng)絡（CNN），研究人員可以訓練模型，使其能對動物進行準確識別和分類。2018年，馬夢園[1]開發(fā)了一種利用微調(diào)后的深度卷積神經(jīng)網(wǎng)絡（DCNN）來自動區(qū)分鱗翅目昆蟲類別的方法，該方法在一個涵蓋70種昆蟲、共計3972張圖片的數(shù)據(jù)集上進行了驗證，并成功實現(xiàn)了99.8%的高準確率識別。2019年，王文成等人[2]使用ResNet50模型對10種魚類進行分類識別，準確率達到93.3%。Schofield等人[3]通過一種深度卷積神經(jīng)網(wǎng)絡方法，從長期視頻記錄中檢測、跟蹤和識別野生黑猩猩。在一個為期14年的數(shù)據(jù)集中，從50小時的鏡頭中獲取了23個個體的1000萬張面部圖像，試驗中獲得了92.5%的身份識別和96.2%的性別識別的總體準確率，顯示了視頻監(jiān)測識別的潛力，但由于其觀測個體相對較少，研究結(jié)果具有一定局限性。Guo等人[4]在2020年運用Tri-AI技術(shù)成功識別了41種靈長類動物，達到了94.1%的識別準確率。

該技術(shù)不但能用于多物種識別，還可用于夜晚數(shù)據(jù)的處理。2021年，石鑫鑫等人[5]提出了一種融合BP神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡的動物聲音識別算法，該算法基于全連接卷積神經(jīng)網(wǎng)絡（FCNN），有效地利用了全連接層來提取豐富的特征組合，并通過卷積層的稀疏連接，自動執(zhí)行有針對性的特征提取和選擇。實驗結(jié)果顯示，在科、屬、種三個分類級別上的平均準確率分別達到了99.67%、98.84%和98.59%。通過進行不同屬性的分類測試和交叉驗證，驗證了模型具有良好的泛化性能。李鵬程等人[6]在2022年利用無人機航拍影像和對青海湖裸鯉（Gymnocypris przewalskii）產(chǎn)卵地的現(xiàn)場考察數(shù)據(jù)，開發(fā)了一種深度學習算法。該算法旨在探索其在識別青海湖裸鯉產(chǎn)卵地方面的應用潛力。實驗顯示，該模型能識別出大約79%的裸鯉產(chǎn)卵地，在產(chǎn)卵地的精確劃分上還有待提高。這一成果可作為輔助工具，用于提升青海湖裸鯉產(chǎn)卵地的檢測效率，并為水生生物資源調(diào)查及珍稀水生物種保護工作提供參考。

1.2 動物行為分析

深度學習在動物行為分析方面也展現(xiàn)出巨大潛力。傳統(tǒng)的動物行為分析方法需要人工提取特征和進行復雜的計算，但是，深度學習可以自動從圖像或視頻中學習到特征，并進行行為分析。動物行為是衡量動物健康和福利的關(guān)鍵因素之一，可用于分析動物生理和心理狀態(tài)。通過動物活動自動識別（AAR），護理人員可以實時監(jiān)控動物的行為變化，從而大幅減少獸醫(yī)工作的強度和成本，提高牲畜管理效率。2023年，Mao等人[7]提出了開發(fā)基于可穿戴傳感器和AAR深度學習模型的潛在挑戰(zhàn)和未來方向。同年，郭陽陽等人[8]進一步分析深度學習技術(shù)在動物行為識別與量化分析等的研究現(xiàn)狀。其中，目標檢測識別技術(shù)有助于建立動物個體的電子記錄，進而整合動物的體態(tài)、體重和行為數(shù)據(jù)等，增進監(jiān)測數(shù)據(jù)的精確性，并實時評估動物的生理健康狀態(tài)。

1.3 動物種群數(shù)量估計

估計動物種群數(shù)量是動物生態(tài)學中的重要任務之一。傳統(tǒng)的種群數(shù)量估計方法通?；跇颖菊{(diào)查和統(tǒng)計學方法，但是這些方法通常耗時且煩瑣。利用深度學習，研究人員可以通過分析圖像或聲音數(shù)據(jù)來估計動物種群數(shù)量。Akcay等人[9]表示要想以更一致、更快速的方式解決鳥類計數(shù)問題，一個很有前景的嘗試是通過鳥類照片預測不同地區(qū)的鳥類數(shù)量，并在2020年通過Faster R-CNN進行實驗，成功識別了與鳥類相對應的區(qū)域，而且可以應對多個重疊鳥類和具有極端姿勢鳥類的困難情況。在許多其他數(shù)據(jù)集中，小物體檢測也是一個有待解決的問題。誤檢的其他主要原因是種內(nèi)變異、反常的姿勢、其他鳥類和植物的遮擋、投射陰影和背景混亂等。2022年，Luo等人[10]利用MASK R-CNN檢測中提取的掩膜來獲取食草動物的輪廓向量，從而估計出各類大型食草動物的種群數(shù)量和分布情況。

1.4 動物棲息地模擬

深度學習還可以用于模擬動物棲息地，為生態(tài)學研究提供支持。通過使用深度生成模型，研究人員可以從現(xiàn)有的動物棲息地數(shù)據(jù)中學習數(shù)據(jù)的分布，并生成新的棲息地數(shù)據(jù)。2020年，Guénard等人[11]在環(huán)境瞬息萬變的河口河段，利用深度前饋人工神經(jīng)網(wǎng)絡（ANN）為湖鱘（Acipenser fulvescens）和白鱸（Morone americana）進行棲息地適宜性建模。試驗過程中，總體正確率為77.3%，表明在極度多變的生態(tài)系統(tǒng)中，棲息地模型仍可用于預測移動生物的空間分布。Garcia-Quintas等人[12]成功使用CNN處理衛(wèi)星圖像來預測棲息地適宜性，提供了2021年整個古巴群島鸻鷸類的宏觀棲息地適宜性地圖，可用于預測基于海洋-海岸生態(tài)系統(tǒng)的物理-地理適宜性，并使用CNN預測了整個古巴群島尺度上的鸻科海鳥繁殖宏觀棲息地適宜性。

2. 存在的挑戰(zhàn)

在數(shù)智化時代背景下，深度學習在動物生態(tài)學中的應用是發(fā)展的必然。深度學習在動物識別與分類、動物行為分析、動物種群數(shù)量估計和動物棲息地模擬等方面取得了顯著進展，為動物生態(tài)學研究提供了更準確、高效的方法。然而，深度學習的應用仍然存在一些挑戰(zhàn)和局限性。

首先，深度學習算法依賴于大量已標注的數(shù)據(jù)進行訓練，但是獲取和標注大量的動物圖像、視頻和音頻數(shù)據(jù)并不是一件容易的事情，而且某些動物生態(tài)學領(lǐng)域的數(shù)據(jù)可能較為稀缺或難以獲取。

其次，深度學習算法在對復雜環(huán)境中的動物行為進行識別時還存在一定的局限性，環(huán)境中可能存在許多干擾因素，如植被遮擋、光線變化等，這些因素會影響算法的準確性。

最后，深度學習模型的解釋性也是一個需要解決的問題，深度學習算法在物種分布預測和種群動態(tài)分析中，由于物種分布和種群動態(tài)受到多種因素的影響，如氣候、食物資源、人類活動等，單純依靠深度學習算法可能無法完全捕捉這些復雜的因素，我們需要更好地理解模型是如何進行決策的。

結(jié)語

為積極應對上述挑戰(zhàn)，未來的研究可以從以下幾個方面著手。首先，需要進一步優(yōu)化深度學習算法，提高其對小樣本和非標準化數(shù)據(jù)的適應能力，以及在復雜環(huán)境中的識別能力。其次，也可以探索新的數(shù)據(jù)采集技術(shù)，如使用遠程傳感器、無人機、衛(wèi)星等技術(shù)，獲取更多、更全面的動物生態(tài)學數(shù)據(jù)。最后，通過與其他學科領(lǐng)域進行跨學科研究，提高模型的準確性和可解釋性。總之，深度學習在動物生態(tài)學中的應用前景廣闊，但仍然面臨一些挑戰(zhàn)和限制。未來可以繼續(xù)探索深度學習在動物生態(tài)學中的應用，并結(jié)合其他學科的研究方法和理論，以進一步提高研究的深度和廣度，并為保護動物和生態(tài)環(huán)境提供更有效的工具和方法。

參考文獻：

[1]馬夢園.基于深度學習的鱗翅目昆蟲圖像處理研究[D].杭州：浙江工商大學，2018.

[2]王文成，蔣慧，喬倩，等.基于ResNet50網(wǎng)絡的十種魚類圖像分類識別研究[J].農(nóng)村經(jīng)濟與科技，2019，30（19）：60-62.

[3]Schofield D，Nagrani A，Zisserman A，et al.Chimpanzee face recognition from videos in the wild using deep learning[J/OL].Science advances，2019，5（9）.[2024-02-10].https：//www.science.org/doi/10.1126/sciadv.aaw0736.

[4]Guo ST，Xu PF，Miao QG，et al.Automatic identification of individual primates with deep learning techniques[J/OL].Iscience，2020，23（8）.[2024-02-10].https：//www.cell.com/iscience/fulltext/S2589-0042（20）30602-7？_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS2589004220306027%3Fshowall%3Dtrue.

[5]石鑫鑫，魚昕，劉銘.FCNN深度學習模型及其在動物語音識別中的應用[J].吉林大學學報（信息科學版），2021，39（1）：60-65.

[6]李鵬程，榮義峰，杜浩，等.基于深度學習的青海湖裸鯉產(chǎn)卵場遙感識別方法[J].中國水產(chǎn)科學，2022，29（3）：398-407.

[7]Mao AX，Huang ED，Wang XS，et al.Deep learning-based animal activity recognition with wearable sensors：Overview，challenges，and future directions[J/OL].Computers and Electronics in Agriculture，2023，211.[2024-02-10]. https：//www.sciencedirect.com/science/article/abs/pii/S0168169923004313？via%3Dihub.

[8]郭陽陽，杜書增，喬永亮，等.深度學習在家畜智慧養(yǎng)殖中研究應用進展[J].智慧農(nóng)業(yè)（中英文），2023，5（1）：52-65.

[9]Akcay H G，Kabasakal B，Aksu D，et al.Automated bird counting with deep learning for regional bird distribution mapping[J/OL].Animals，2020，10（7）.[2024-02-10].https：//www.mdpi.com/2076-2615/10/7/1207.

[10]Luo W，Jin YT，Li XQ，et al.Application of Deep Learning in Remote Sensing Monitoring of Large Herbivores-A Case Study in Qinghai Tibet Plateau[J/OL].Pakistan Journal of Zoology，2022，54：413-421. [2024-02-10].https：//dx.doi.org/10.17582/journal.pjz/20191205021259.

[11]Guénard G，Morin J，Matte P，et al.Deep learning habitat modeling for moving organisms in rapidly changing estuarine environments：A case of two fishes[J/OL].Estuarine，Coastal and Shelf Science，2020，238.[2024-02-10]. https：//www.sciencedirect.com/science/article/abs/pii/S0272771419304275？via%3Dihub.

[12]Garcia-Quintas A，Roy A，Barbraud C，et al.Machine and deep learning approaches to understand and predict habitat suitability for seabird breeding[J/OL].Ecology and Evolution，2023，13（9）.[2024-02-10].https：//doi.org/10.1002/ece3.10549.

作者簡介：張宇嵩，在讀碩士研究生，研究方向：人工智能在貓科動物生態(tài)學中的應用；于營，博士研究生，副教授，研究方向：語義分割、目標檢測。

基金項目：海南省院士創(chuàng)新平臺科研專項（編號：YSPTZX202144）；海南省自然科學基金項目（編號：621QN270）；海南省高等學校教育教學改革研究項目（編號：Hnjg2023ZD-44）。