研究进展：Science评述-自动化时代的生态学

编者按：近日，德克萨斯大学奥斯汀分校Timothy H. Keitt, 和Eric S. Abelson在Science上发文，评述了自动化技术在生态学方面可能的发展愿景。

全球变化的加速步伐正在引发生物多样性灭绝危机，并超出了我们跟踪、监测和了解生态系统的能力，而这在传统上是生态学家的工作。

生态研究，是一项密集的、以实地为基础的企业，其依赖于训练有素的观察员的技能。这个过程既耗时又昂贵，从而限制了我们对自然世界的理解，尤其是高分辨率和范围。尽管技术永远不会取代经验丰富的博物学家的直觉和技能广度，但生态学家，不能忽视通过自动化极大地扩大研究规模的潜力。生物多样性采样自动化的能力，受到三项持续技术发展的推动：小型、低功耗计算设备的商品化；无线通信的进步；以及机器学习领域自动数据识别算法的爆炸式增长。自动数据收集和机器学习，将彻底改变自然系统的原位研究。

近几十年来，自动化技术更新了整个人类的所有认识，科学也不例外。传统上，生态观察的范围，受到人工数据收集成本的限制。可以设想未来，来自实地研究的数据，将通过记录个体生物的存在、行为和其他特性的连续、精细、遥感数据得到增强。随着自动化降低了这些网络的成本，数据量不会有简单的扩展。相反，这些数据的潜在高分辨率和广泛范围，将带来质量上的新发现，从而带来有关自然世界的新发现，使生态学家能够更好地预测和管理不断变化的生态系统。当不同类型的传感网络（包括无人机等移动元素）连接在一起，以提供丰富的多维自然视图时，这一点尤其正确。鉴于生物多样性，在为人类赖以生存的生态系统提供复原力方面发挥的作用，监测物种分布和丰度以及气候其他变量，是生态愿景和适应新出现的全球挑战的关键需求。

生态系统充满声音和动作，可以用音频和视频传感器捕捉。音频和视频分类算法的快速进步，可以识别物种并标记复杂的特征和行为，这在传统上是专家手动识别物种的领域。主要进步是发现了深度卷积神经网络 。这些算法，以类似于动物识别视野中物体的方式，提取对比度和形状信息。应用于音频信号，这些神经网络，在分类自然和人为声音非常有效 。典型的例子是鸟鸣的分类。其他声学示例包括昆虫、两栖动物和电锯等干扰指示器。当然，这些算法，也适用于从图像和视频中识别物种。在动物显示复杂颜色图案的情况下，可以区分个体，允许微创标记重新捕获，这是种群研究和保护的重要工具。除了视觉和声音，传感器还可以针对广泛的物理、化学和生物现象。特别是生物分子化合物的广泛环境传感，例如，可以通过芯片实验室型传感器对“DNA-scapes”进行量化。

几种技术趋势，正在塑造大规模传感器网络的出现。一是技术的持续小型化，允许跨景观部署扩展的低功耗传感器设备阵列。在许多情况下，这些可以在偏远地区使用太阳能。片上计算机设备以及各种附加传感器的广泛使用，使得能够以超低价格，构建大型分布式传感网络。同样，用于后端处理的基于云计算和存储的普遍可用性，正在促进大规模部署。

小型、坚固的传感器，例如这种无源声学记录器，可以远程监测生物多样性。新技术使此类设备能够通过无线网络处理数据和传输信息。图源：SANDRO GRANDA。

另一个趋势是无线通信的进步。例如，新兴的物联网，使低功耗设备能够建立自组织网状网络，可以在节点之间传递信息，最终到达聚合和分析点。可以利用连接智能门铃和灯泡的相同技术，在分布在景观中的传感器网络之间移动数据。这些协议专为低功耗而设计，但可能无法为所有应用提供足够的带宽。另一种选择虽然更耗电，但无线蜂窝技术，在全球范围内的覆盖范围越来越广。在可能无法提供商业蜂窝数据服务的偏远地区，研究人员可以考虑使用专用蜂窝网络进行现场遥测，并考虑使用卫星上行链路进行互联网流传输。然而，在短期内，电信成本和每台设备的功率要求，在某些高带宽应用中，可能会被证明是令人望而却步的，例如视频和音频流。对于通信带宽受成本、隔离或功率限制限制的站点，另一种选择是边缘计算。在这种设计中，计算转移到传感设备本身，然后，传输过滤或分类的结果进行分析，大大降低了传输要求。

另一种趋势是机器学习方法的进步，可以从数据流中，分类和提取模式。通过技术部门的密集开发工作，这项技术的大部分已经商品化，从而产生了可供非专家使用的广泛可用的软件库。前面提到的卷积神经网络，可以编码为将数据分割成单元，并用适当的类标记这些单元。主要瓶颈在于训练分类器，因为初始训练输入必须由专家手动标记。尽管标记的训练集，存在于某些领域，最显着的是图像识别，随着大量预训练网络的出现，未来的分析师，可能能够跳过大部分训练步骤。这些预训练的网络，可以针对特定任务进行组合和修改，而无需全面的训练集。从自动化的角度来看，特别是持续学习 的新发展，其中网络根据不断变化的输入进行调整。这有望使模型适应自动化，以检测新出现的现象，例如物种为响应气候变化，或生态系统特性的其他变化。

生态学家，可以利用这些发展，来创建以前无法想象的规模的自动化传感网络。例如，考虑北美育种鸟类调查，这是一项非常成功的公民科学计划，自 1960 年代后期开始运行，覆盖大陆范围。专家观察员沿路线对鸟类进行点数计数，生成的数据，已被证明在跟踪鸣禽种群趋势方面非常宝贵。想象一下，如果不是每年对这些社区采样一次，而是可以建造一个长期的大陆规模的鸣禽观测站，以近乎实时地记录和分类鸟类的发声，可以学到什么？与环境协变量，类似的网络，可以使用相机陷阱或视频流，来揭示不同动植物群的昼夜和季节变化的细节。与所有采样方法一样，传感网络在灵敏度和辨别力方面，也存在偏差，但在生物体尺度上，对生物多样性进行区域采样，具有非凡的前景，这已被证明是困难的，例如，通过使用传统的基于卫星的远程感应。这些努力，将通过增加采样的空间和时间分辨率，来补充大陆尺度生态学观测站的持续发展。

文献链接：https://science.sciencemag.org/content/373/6557/858

本文译自“Science”。