[論文レビュー] AI-based Mapping of the Conservation Status of Orchid Assemblages at Global Scale

Joaquim Estopinan, Maximilien Servajean+3 more|arXiv (Cornell University)|Jan 9, 2024

Species Distribution and Climate ChangeEnvironmental Science被引用数 3

ひとこと要約

本研究では、100万件のアリラン科種の出現記録を用いて学習した深層学習ベースの種分布モデルを導入し、1 km解像度で世界規模のアリラン科群集の保全状況をマッピングした。マダガスカルとスマトラが高リスク地域であると特定され、保護区域が予測された脅威レベルと一致していないことが示され、現在のIUCN評価に顕著なギャップが存在することが明らかになった。

ABSTRACT

Although increasing threats on biodiversity are now widely recognised, there are no accurate global maps showing whether and where species assemblages are at risk. We hereby assess and map at kilometre resolution the conservation status of the iconic orchid family, and discuss the insights conveyed at multiple scales. We introduce a new Deep Species Distribution Model trained on 1M occurrences of 14K orchid species to predict their assemblages at global scale and at kilometre resolution. We propose two main indicators of the conservation status of the assemblages: (i) the proportion of threatened species, and (ii) the status of the most threatened species in the assemblage. We show and analyze the variation of these indicators at World scale and in relation to currently protected areas in Sumatra island. Global and interactive maps available online show the indicators of conservation status of orchid assemblages, with sharp spatial variations at all scales. The highest level of threat is found at Madagascar and the neighbouring islands. In Sumatra, we found good correspondence of protected areas with our indicators, but supplementing current IUCN assessments with status predictions results in alarming levels of species threat across the island. Recent advances in deep learning enable reliable mapping of the conservation status of species assemblages on a global scale. As an umbrella taxon, orchid family provides a reference for identifying vulnerable ecosystems worldwide, and prioritising conservation actions both at international and local levels.

研究の動機と目的

• 種群集の保全状況を示すグローバルかつ高解像度のマップが不足している問題に対処する。
• ウォレスの短欠とIUCN評価ギャップを克服し、未評価のアリラン科種の脅威レベルを予測する。
• 深層学習と環境予測因子を用いて、複数スケールで空間的に明示的な保全状況指標を開発する。
• 予測された脅威レベルと既存の保護区域の整合性を評価し、特にスマトラにおける関係を検証する。
• アリラン科をアンブレラタクソンとして用い、バイオダイバーシティホットスポットの特定と保全優先順位付けを支援するスケーラブルなフレームワークを提供する。

提案手法

• リモートセンシングおよび気象データからの環境予測因子を用い、1万4000種のアリラン科種の100万件の出現記録を学習データとして、深層種分布モデル（Deep-SDM）を訓練した。
• 1 kmグリッドセルごとに複数のアリラン科種の存在を予測するマルチラベル分類アプローチを採用し、誤検出を制御するためのモデルキャリブレーションを実施した。
• 2つの主要な保全指標を定義した：(i) 各群集における絶滅危惧種の割合、および (ii) 存在する中で最もリスクの高い種の保全状況。
• 再現率と適合率のバランスを図るため、条件付き確率のしきい値を適用し、予測の感度と特異度を最適化した。
• ホールドアウトテストセットを用いてモデルの性能を検証し、真のラベルが予測群集に欠落していることを誤差として測定した。
• 空間解像度1 kmのグローバルかつインタラクティブな保全状況指標マップを生成し、マルチスケール分析を可能にした。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、高空間解像度でグローバルスケールのアリラン科群集の保全状況をどの程度正確に予測できるか？
• RQ2 世界規模で、最も高い絶滅危惧種群集の濃度はどこに集中しているのか？また、既知のバイオダイバーシティホットスポットとどのように関連しているか？
• RQ3 スマトラにおける既存の保護区域は、アリラン科群集の予測された脅威レベルとどの程度整合しているか？
• RQ4 スマトラのような地域において、現在のIUCN評価は、アリラン科種の真の脅威レベルをどの程度低く評価しているのか？
• RQ5 AIモデルから導出された種群集レベルの指標は、エコシステムレベルの保全リスクを信頼できる代理指標として機能するか？

主な発見

• アリラン科群集の世界的な最高リスクは、マダガスカルおよびその周辺のインド洋諸島に集中しており、予測された絶滅危惧種の割合が顕著に高い。
• スマトラでは、保護区域が予測された脅威指標と中程度の整合性を示すが、モデルは島全体にわたり広範な未評価の脅威レベルを明らかにした。
• 検証において高い再現率を達成し、誤差は予測群集に真のラベルが欠落していることとして定義された。適合率は、条件付き確率のしきい値を最適化することで最大化された。
• ネオトロピカル地域および東南アジアのアリラン科群集は、豊かさと高い脅威レベルを示し、既知のバイオダイバーシティホットスポットと整合的である。
• 本研究の1 km解像度マップは、脅威指標における鋭い空間的変動を明らかにし、細粒度の保全計画を可能にした。
• 従来のグローバル指標（レッドリスト・オブ・エコシステムズやグローバル植物絶滅確率マップ）に比べ、空間解像度と種出現確率の統合の両面で優れた性能を示した。