[论文解读] 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 3

一句话总结

本研究基于100万条兰花物种分布记录，训练了一种基于深度学习的物种种群分布模型（Deep-SDM），以1公里分辨率绘制全球兰花群落的保护状况。研究识别出马达加斯加和苏门答腊为高威胁区域，并表明保护区的分布与预测的威胁水平匹配度较低，揭示了当前IUCN评估中存在的显著缺口。

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.

研究动机与目标

• 解决缺乏全球性、高分辨率地图以显示物种种群保护状况的问题。
• 通过预测未评估兰花物种的威胁水平，弥补华莱士缺口（Wallacean shortfall）和IUCN评估缺口。
• 利用深度学习和环境预测因子，开发多尺度的、空间显式的保护状况指标。
• 评估预测威胁水平与现有保护区之间的一致性，特别是在苏门答腊地区。
• 提出一种可扩展的框架，利用兰花作为伞护物种，识别生物多样性热点并指导保护优先排序。

提出的方法

• 基于14,000种兰花的100万条分布记录，利用遥感与气候数据中的环境预测因子，训练了深度物种种群分布模型（Deep-SDM）。
• 采用多标签分类方法，预测每个1公里网格单元内多个兰花物种的共存情况，并通过模型校准控制假阳性率。
• 定义了两个关键保护指标：(i) 每个群落中受威胁物种的比例，(ii) 所存在物种中风险最高的物种的威胁等级。
• 应用条件概率阈值以平衡召回率与精确率，优化预测的敏感性与特异性。
• 使用保留测试集验证模型性能，以预测群落中缺失真实标签的数量作为误差度量。
• 生成全球性、可交互的保护状况指标地图，空间分辨率为1公里，支持多尺度分析。

实验结果

研究问题

• RQ1 深度学习模型在多大程度上能够以高空间分辨率在全球尺度上预测兰花群落的保护状况？
• RQ2 全球范围内受威胁兰花群落的最高浓度区域在哪里？它们与已知生物多样性热点有何关联？
• RQ3 苏门答腊现有的保护区在多大程度上与预测的兰花群落威胁水平相匹配？
• RQ4 当前IUCN评估在多大程度上低估了苏门答腊等地区兰花物种的真实威胁水平？
• RQ5 基于人工智能模型推导出的物种种群层面指标，能否作为生态系统层面保护风险的可靠代理指标？

主要发现

• 全球兰花群落的最高威胁水平集中于马达加斯加及邻近印度洋岛屿，预测受威胁物种比例极高。
• 在苏门答腊，保护区与预测威胁指标存在中等程度的一致性，但模型揭示了该岛广泛存在的、未被评估的威胁水平。
• 模型在验证中表现出高召回率，误差定义为预测群落中缺失的真实标签；通过调节条件概率阈值，实现了精确率的最大化。
• 新热带区和东南亚的兰花群落表现出高丰富度与高威胁水平，与已知生物多样性热点一致。
• 本研究的1公里分辨率地图揭示了威胁指标在空间上的显著变化，支持精细化保护规划。
• 该方法在空间分辨率和物种分布概率整合方面优于现有的全球指标（如生态系统红色名录和全球植物灭绝概率图）。