深度學習在動物生態學中的應用研究

張宇嵩 于營

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

關鍵詞：深度學習；人工智能；動物生態學

引言

近年來，深度學習技術在各個領域取得了顯著進展，其中也包括動物生態學的研究。動物生態學是研究動物種群在特定環境中的分布、數量、相互作用和動態變化的科學領域。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系統功能具有重要意義。

然而，傳統的動物生態學研究往往依賴于人工采集的數據，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。這種數據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，難以獲得足夠數量的樣本以確保統計顯著性，導致研究結果的可信度受到質疑。

深度學習技術的興起為動物生態學提供了新的解決方案。深度學習的核心是通過構建神經網絡模型來自動學習數據中的特征和模式，以實現對大規模數據的高效分析和處理。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據，實現對動物的自動識別、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，深度學習技術還可以結合遙感數據和地理信息系統（GIS）技術，實現對動物種群的分布與環境因素之間的關聯分析，提高對動物生態系統的理解。

因此，對深度學習技術在動物生態學中的應用進行研究具有重要意義。該技術可以提供高效、精確的數據分析方法，輔助決策者和管理者進行環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需求，為生物多樣性保護和生態系統治理提供科學依據。

1. 深度學習在動物生態學中的主要應用

隨著計算機科學的快速發展，深度學習作為一種人工智能技術，逐漸在動物生態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網絡（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]開發了一種利用微調后的深度卷積神經網絡（DCNN）來自動區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張圖片的數據集上進行了驗證，并成功實現了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網絡方法，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年的數據集中，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，顯示了視頻監測識別的潛力，但由于其觀測個體相對較少，研究結果具有一定局限性。Guo等人[4]在2020年運用Tri-AI技術成功識別了41種靈長類動物，達到了94.1%的識別準確率。

該技術不但能用于多物種識別，還可用于夜晚數據的處理。2021年，石鑫鑫等人[5]提出了一種融合BP神經網絡和卷積神經網絡的動物聲音識別算法，該算法基于全連接卷積神經網絡（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，自動執行有針對性的特征提取和選擇。實驗結果顯示，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）產卵地的現場考察數據，開發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%的裸鯉產卵地，在產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卵地的檢測效率，并為水生生物資源調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出巨大潛力。傳統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鍵因素之一，可用于分析動物生理和心理狀態。通過動物活動自動識別（AAR），護理人員可以實時監控動物的行為變化，從而大幅減少獸醫工作的強度和成本，提高牲畜管理效率。2023年，Mao等人[7]提出了開發基于可穿戴傳感器和AAR深度學習模型的潛在挑戰和未來方向。同年，郭陽陽等人[8]進一步分析深度學習技術在動物行為識別與量化分析等的研究現狀。其中，目標檢測識別技術有助于建立動物個體的電子記錄，進而整合動物的體態、體重和行為數據等，增進監測數據的精確性，并實時評估動物的生理健康狀態。

1.3 動物種群數量估計

估計動物種群數量是動物生態學中的重要任務之一。傳統的種群數量估計方法通?；跇颖菊{查和統計學方法，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據來估計動物種群數量。Akcay等人[9]表示要想以更一致、更快速的方式解決鳥類計數問題，一個很有前景的嘗試是通過鳥類照片預測不同地區的鳥類數量，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。在許多其他數據集中，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，研究人員可以從現有的動物棲息地數據中學習數據的分布，并生成新的棲息地數據。2020年，Guénard等人[11]在環境瞬息萬變的河口河段，利用深度前饋人工神經網絡（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系統中，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-海岸生態系統的物理-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

在數智化時代背景下，深度學習在動物生態學中的應用是發展的必然。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和局限性。

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

其次，深度學習算法在對復雜環境中的動物行為進行識別時還存在一定的局限性，環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分析中，由于物種分布和種群動態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。

結語

為積極應對上述挑戰，未來的研究可以從以下幾個方面著手。首先，需要進一步優化深度學習算法，提高其對小樣本和非標準化數據的適應能力，以及在復雜環境中的識別能力。其次，也可以探索新的數據采集技術，如使用遠程傳感器、無人機、衛星等技術，獲取更多、更全面的動物生態學數據。最后，通過與其他學科領域進行跨學科研究，提高模型的準確性和可解釋性?？傊?，深度學習在動物生態學中的應用前景廣闊，但仍然面臨一些挑戰和限制。未來可以繼續探索深度學習在動物生態學中的應用，并結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環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網絡的十種魚類圖像分類識別研究[J].農村經濟與科技，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卵場遙感識別方法[J].中國水產科學，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殖中研究應用進展[J].智慧農業（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）。