[논문 리뷰] AI-based Mapping of the Conservation Status of Orchid Assemblages at Global Scale

Joaquim Estopinan, Maximilien Servajean외 3명|arXiv (Cornell University)|2024. 01. 09.

Species Distribution and Climate ChangeEnvironmental Science인용 수 3

한 줄 요약

이 연구는 100만 건의 옥수수 발생 기록을 기반으로 훈련된 딥러닝 기반 종 분포 모델을 활용해 1km 해상도로 전 세계 옥수초 군집의 보존 상태를 매핑한다. 이 모델은 말라가시와 수마트라를 고위협 지역으로 규명하고, 보호구역이 예측된 위협 수준과 잘 맞지 않음을 입증하여 현재 IUCN 평가에서 심각한 격차가 있음을 드러낸다.

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.

연구 동기 및 목표

• 종 군집의 보존 상태를 보여주는 글로벌 고해상도 지ap을 제공하지 못하는 문제를 해결한다.
• 웨일러의 부족과 IUCN 평가 격차를 극복하기 위해 미평가된 옥수초 종의 위협 수준을 예측한다.
• 딥러닝과 환경 예측 변수를 활용해 다중 척도에서 공간적으로 명시적인 보존 상태 지표를 개발한다.
• 예측된 위협 수준과 기존 보호구역 간의 일치성을 평가하며, 특히 수마트라에서의 일치성을 중심으로 분석한다.
• 옥수초를 우산 분류군으로 삼아 생물다양성 핫스팟을 식별하고 보존 우선순위를 설정하는 확장 가능한 프레임워크를 제공한다.

제안 방법

• 원격 탐사 및 기후 데이터에서 유래한 환경 예측 변수를 사용해 14,000종의 옥수초 종에 대한 100만 건의 발생 기록을 기반으로 딥스피시즈 분포 모델(Deep-SDM)을 훈련시켰다.
• 다중 레이블 분류 방식을 사용해 1km 격자 셀당 여러 옥수초 종의 존재를 예측하였으며, 가짜 양성 결과를 통제하기 위해 모델 校정을 실시하였다.
• 두 가지 핵심 보존 지표를 정의하였다: (i) 각 군집 내 위협받는 종의 비율, (ii) 존재하는 종 중 가장 위험에 노출된 종의 위협 수준.
• 재현율과 정밀도를 균형 잡기 위해 조건부 확률 임계값을 적용하여 예측의 민감도와 특이도를 최적화하였다.
• 보류된 테스트 세트를 사용해 모델 성능을 검증하였으며, 진짜 레이블이 예측된 군집에 누락된 정도로 오차를 측정하였다.
• 1km 해상도로 글로벌 및 상호작용 가능한 보존 상태 지표 지도를 생성하여 다중 척도 분석이 가능하도록 하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 글로벌 규모에서 고해상도로 옥수초 군집의 보존 상태를 얼마나 정확히 예측할 수 있는가?
• RQ2 전 세계적으로 위협받는 옥수초 군집의 농도가 가장 높은 지역은 어디이며, 알려진 생물다양성 핫스팟과 어떻게 관련되어 있는가?
• RQ3 수마트라의 기존 보호구역은 옥수초 군집의 예측된 위협 수준과 얼마나 잘 일치하는가?
• RQ4 수마트라와 같은 지역에서 현재 IUCN 평가가 옥수초 종의 실제 위협 수준을 얼마나 심각하게 과소 평가하고 있는가?
• RQ5 AI 모델에서 유도된 종 군집 수준의 지표는 생태계 수준의 보존 위험에 신뢰할 수 있는 대체 지표가 될 수 있는가?

주요 결과

• 옥수초 군집의 최고 위협 수준은 말라가시와 그 인근 인도양 섬들에 집중되어 있으며, 이 지역에서는 예측된 위협받는 종의 비율이 높다.
• 수마트라에서는 보호구역이 예측된 위협 지표와 중간 정도로 일치하지만, 모델은 섬 전역에 걸쳐 평가되지 않은 광범위한 위협 수준을 드러낸다.
• 검증 과정에서 높은 재현율을 달성하였으며, 오차는 예측된 군집에 진짜 레이블이 누락된 경우로 정의되었고, 조건부 확률 임계값 조정을 통해 정밀도가 최대화되었다.
• 신대륙권과 동남아시아의 옥수초 군집은 높은 종 다양성과 위협 수준을 보이며, 알려진 생물다양성 핫스팟과 일치한다.
• 본 연구에서 제작한 1km 해상도 지도는 위협 지표의 날카로운 공간적 변동성을 드러내어 세밀한 보존 계획 수립이 가능하다.
• 기존의 적색목록 생태계 및 전 세계 식물 멸종 확률 지도보다 공간 해상도가 높고 종 발생 확률 통합이 더 우수하여 본 연구의 접근 방식이 뛰어난 성능을 보였다.