深度学习在动物生态学中的应用研究

　　文/张宇嵩1) 于营2) 1）东北林业大学野生动物与自然保护地学院 2）三亚学院信息与智能工程学院

　　摘要：深度学习作为一种新兴的人工智能技术，已在各个领域展现出巨大的潜力和广阔的应用前景。动物生态学作为一门研究动物与环境相互作用关系的学科，也积极探索并运用深度学习技术，以期提高数据处理和分析的效率，深化对动物行为、物种分布和生态系统等重要问题的理解。本文针对深度学习在动物生态学中的应用进行综述，梳理并总结了目前相关研究的最新进展，为相关领域的未来研究提供参考和启发，促进深度学习在各种动物生态学问题中的应用。

　　关键词：深度学习；人工智能；动物生态学

　　引言

　　近年来，深度学习技术在各个领域取得了显著进展，其中也包括动物生态学的研究。动物生态学是研究动物种群在特定环境中的分布、数量、相互作用和动态变化的科学领域。了解动物种群的空间行为、迁徙模式和栖息地利用，对于保护生物多样性和生态系统功能具有重要意义。

　　然而，传统的动物生态学研究往往依赖于人工采集的数据，如通过人工布设的相机陷阱、捕捉标记再释放等方法，获取动物的位置和迁徙路径等信息。这种数据采集方式存在时间和空间的限制，且需要大量的人力物力投入。此外，在一些动物种群中，难以获得足够数量的样本以确保统计显著性，导致研究结果的可信度受到质疑。

　　深度学习技术的兴起为动物生态学提供了新的解决方案。深度学习的核心是通过构建神经网络模型来自动学习数据中的特征和模式，以实现对大规模数据的高效分析和处理。通过应用深度学习算法，研究人员可以利用图像、声音等多种传感器数据，实现对动物的自动识别、分类和跟踪，进而揭示动物的行为模式、迁徙路径和栖息地利用等重要信息。此外，深度学习技术还可以结合遥感数据和地理信息系统（GIS）技术，实现对动物种群的分布与环境因素之间的关联分析，提高对动物生态系统的理解。

　　因此，对深度学习技术在动物生态学中的应用进行研究具有重要意义。该技术可以提供高效、精确的数据分析方法，辅助决策者和管理者进行环境保护和自然资源管理工作。此外，还能够帮助我们更好地了解动物种群的行为模式和生态需求，为生物多样性保护和生态系统治理提供科学依据。

　　1. 深度学习在动物生态学中的主要应用

　　随着计算机科学的快速发展，深度学习作为一种人工智能技术，逐渐在动物生态学研究中得到了广泛应用，其主要应用包括动物识别与分类、动物行为分析等，如图1所示。

　　1.1 动物识别与分类

　　深度学习在动物识别与分类方面的应用取得了很大的进展。通过使用深度卷积神经网络（CNN），研究人员可以训练模型，使其能对动物进行准确识别和分类。2018年，马梦园[1]开发了一种利用微调后的深度卷积神经网络（DCNN）来自动区分鳞翅目昆虫类别的方法，该方法在一个涵盖70种昆虫、共计3972张图片的数据集上进行了验证，并成功实现了99.8%的高准确率识别。2019年，王文成等人[2]使用ResNet50模型对10种鱼类进行分类识别，准确率达到93.3%。Schofield等人[3]通过一种深度卷积神经网络方法，从长期视频记录中检测、跟踪和识别野生黑猩猩。在一个为期14年的数据集中，从50小时的镜头中获取了23个个体的1000万张面部图像，试验中获得了92.5%的身份识别和96.2%的性别识别的总体准确率，显示了视频监测识别的潜力，但由于其观测个体相对较少，研究结果具有一定局限性。Guo等人[4]在2020年运用Tri-AI技术成功识别了41种灵长类动物，达到了94.1%的识别准确率。

　　该技术不但能用于多物种识别，还可用于夜晚数据的处理。2021年，石鑫鑫等人[5]提出了一种融合BP神经网络和卷积神经网络的动物声音识别算法，该算法基于全连接卷积神经网络（FCNN），有效地利用了全连接层来提取丰富的特征组合，并通过卷积层的稀疏连接，自动执行有针对性的特征提取和选择。实验结果显示，在科、属、种三个分类级别上的平均准确率分别达到了99.67%、98.84%和98.59%。通过进行不同属性的分类测试和交叉验证，验证了模型具有良好的泛化性能。李鹏程等人[6]在2022年利用无人机航拍影像和对青海湖裸鲤（Gymnocypris przewalskii）产卵地的现场考察数据，开发了一种深度学习算法。该算法旨在探索其在识别青海湖裸鲤产卵地方面的应用潜力。实验显示，该模型能识别出大约79%的裸鲤产卵地，在产卵地的精确划分上还有待提高。这一成果可作为辅助工具，用于提升青海湖裸鲤产卵地的检测效率，并为水生生物资源调查及珍稀水生物种保护工作提供参考。

　　1.2 动物行为分析

　　深度学习在动物行为分析方面也展现出巨大潜力。传统的动物行为分析方法需要人工提取特征和进行复杂的计算，但是，深度学习可以自动从图像或视频中学习到特征，并进行行为分析。动物行为是衡量动物健康和福利的关键因素之一，可用于分析动物生理和心理状态。通过动物活动自动识别（AAR），护理人员可以实时监控动物的行为变化，从而大幅减少兽医工作的强度和成本，提高牲畜管理效率。2023年，Mao等人[7]提出了开发基于可穿戴传感器和AAR深度学习模型的潜在挑战和未来方向。同年，郭阳阳等人[8]进一步分析深度学习技术在动物行为识别与量化分析等的研究现状。其中，目标检测识别技术有助于建立动物个体的电子记录，进而整合动物的体态、体重和行为数据等，增进监测数据的精确性，并实时评估动物的生理健康状态。

　　1.3 动物种群数量估计

　　估计动物种群数量是动物生态学中的重要任务之一。传统的种群数量估计方法通常基于样本调查和统计学方法，但是这些方法通常耗时且烦琐。利用深度学习，研究人员可以通过分析图像或声音数据来估计动物种群数量。Akcay等人[9]表示要想以更一致、更快速的方式解决鸟类计数问题，一个很有前景的尝试是通过鸟类照片预测不同地区的鸟类数量，并在2020年通过Faster R-CNN进行实验，成功识别了与鸟类相对应的区域，而且可以应对多个重叠鸟类和具有极端姿势鸟类的困难情况。在许多其他数据集中，小物体检测也是一个有待解决的问题。误检的其他主要原因是种内变异、反常的姿势、其他鸟类和植物的遮挡、投射阴影和背景混乱等。2022年，Luo等人[10]利用MASK R-CNN检测中提取的掩膜来获取食草动物的轮廓向量，从而估计出各类大型食草动物的种群数量和分布情况。

　　1.4 动物栖息地模拟

　　深度学习还可以用于模拟动物栖息地，为生态学研究提供支持。通过使用深度生成模型，研究人员可以从现有的动物栖息地数据中学习数据的分布，并生成新的栖息地数据。2020年，Guénard等人[11]在环境瞬息万变的河口河段，利用深度前馈人工神经网络（ANN）为湖鲟（Acipenser fulvescens）和白鲈（Morone americana）进行栖息地适宜性建模。试验过程中，总体正确率为77.3%，表明在极度多变的生态系统中，栖息地模型仍可用于预测移动生物的空间分布。Garcia-Quintas等人[12]成功使用CNN处理卫星图像来预测栖息地适宜性，提供了2021年整个古巴群岛鸻鹬类的宏观栖息地适宜性地图，可用于预测基于海洋-海岸生态系统的物理-地理适宜性，并使用CNN预测了整个古巴群岛尺度上的鸻科海鸟繁殖宏观栖息地适宜性。

　　2. 存在的挑战

　　在数智化时代背景下，深度学习在动物生态学中的应用是发展的必然。深度学习在动物识别与分类、动物行为分析、动物种群数量估计和动物栖息地模拟等方面取得了显著进展，为动物生态学研究提供了更准确、高效的方法。然而，深度学习的应用仍然存在一些挑战和局限性。

　　首先，深度学习算法依赖于大量已标注的数据进行训练，但是获取和标注大量的动物图像、视频和音频数据并不是一件容易的事情，而且某些动物生态学领域的数据可能较为稀缺或难以获取。

　　其次，深度学习算法在对复杂环境中的动物行为进行识别时还存在一定的局限性，环境中可能存在许多干扰因素，如植被遮挡、光线变化等，这些因素会影响算法的准确性。

　　最后，深度学习模型的解释性也是一个需要解决的问题，深度学习算法在物种分布预测和种群动态分析中，由于物种分布和种群动态受到多种因素的影响，如气候、食物资源、人类活动等，单纯依靠深度学习算法可能无法完全捕捉这些复杂的因素，我们需要更好地理解模型是如何进行决策的。

　　结语

　　为积极应对上述挑战，未来的研究可以从以下几个方面着手。首先，需要进一步优化深度学习算法，提高其对小样本和非标准化数据的适应能力，以及在复杂环境中的识别能力。其次，也可以探索新的数据采集技术，如使用远程传感器、无人机、卫星等技术，获取更多、更全面的动物生态学数据。最后，通过与其他学科领域进行跨学科研究，提高模型的准确性和可解释性。总之，深度学习在动物生态学中的应用前景广阔，但仍然面临一些挑战和限制。未来可以继续探索深度学习在动物生态学中的应用，并结合其他学科的研究方法和理论，以进一步提高研究的深度和广度，并为保护动物和生态环境提供更有效的工具和方法。

　　参考文献：

　　[1]马梦园.基于深度学习的鳞翅目昆虫图像处理研究[D].杭州:浙江工商大学,2018.

　　[2]王文成,蒋慧,乔倩,等.基于ResNet50网络的十种鱼类图像分类识别研究[J].农村经济与科技,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,鱼昕,刘铭.FCNN深度学习模型及其在动物语音识别中的应用[J].吉林大学学报(信息科学版),2021,39(1):60-65.

　　[6]李鹏程,荣义峰,杜浩,等.基于深度学习的青海湖裸鲤产卵场遥感识别方法[J].中国水产科学,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]郭阳阳,杜书增,乔永亮,等.深度学习在家畜智慧养殖中研究应用进展[J].智慧农业(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.

　　作者简介：张宇嵩，在读硕士研究生，研究方向：人工智能在猫科动物生态学中的应用；于营，博士研究生，副教授，研究方向：语义分割、目标检测。

　　基金项目：海南省院士创新平台科研专项（编号：YSPTZX202144）；海南省自然科学基金项目（编号：621QN270）；海南省高等学校教育教学改革研究项目（编号：Hnjg2023ZD-44）。