AI「鸟口普查」,康奈尔大学利用深度学习分析北美林莺分布

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

据世界自然基金会统计,1970-2016 年,全球代表物种种群数量减少了 68%,生物多样性不断下降。
保护生物多样性,需要对当地生态情况进行准确分析,制定合理的生态保护政策。然而,生态数据太过庞杂,统计标准又难以统一,大规模的生态分析很难开展。
近期,康奈尔大学的研究者们利用深度学习,分析了 900 万组鸟类数据,得到了林莺在北美洲的分布数据,开启了生态数据分析的新篇章。

作者 | 雪菜

编辑 | 三羊、铁塔

据世界自然基金会 (WWF) 统计,1970 年至 2016 年,全球 4,392 个代表物种、20,811 个种群的平均数量降低了 68% ,全球生物多样性正在下降。

在这里插入图片描述

图 1:1970-2016 年,全球 4,392 个代表物种、20,811 个种群的平均数量变化

保护生物多样性,需要对相关地区的物种分布进行准确的大规模分析。 然而,由于数据量过于庞大,且缺乏统一的统计方法,研究者们暂无法准确统计特定区域的生物多样性(物种丰富度、种群数量等)和生物组成数据(在当地生态系统中某一个物种的地位)。

传统的物种丰富度统计,需要将不同物种的分布地图叠加,进行建模预测,或是直接通过宏观生态学模型进行预测。无论哪种方法,推断结果都会受到模型精度的影响,前者还会受到地图精度的影响。

而且,这种预测方法的时间分辨率很差,无法对物种分布的季节性变化作出准确判断,更无法对物种间的联系进行研究,不利于生态保护政策的制定。

深度学习为生物多样性的大规模时空研究提供了有效手段。美国康奈尔大学的研究者们结合深度推理网络 (DRN, Deep Reasoning Network) 和深度多元 Probit 模型 (DMVP, Deep Multivariate Probit Model) 开发了 DMVP-DRNets 模型,从 9,206,241 组 eBird 数据中分析出了林莺 (Warbler) 在北美洲的时空分布,并对林莺与环境、其他物种之间的联系作出了推断。相关成果已发表于「Ecology」。

在这里插入图片描述

这一成果已发表于 「Ecology」

论文链接:

https://esajournals.onlinelibrary.wiley.com/doi/10.1002/ecy.4175

实验过程

数据集:eBird 与协变量

研究人员使用 2004 年 1 月 1 日至 2019 年 2 月 2 日, 170°-60° W,20°-60° N 之间的 eBird 数据作为本研究的数据集。排除重复数据后,共有 9,206,241 组 eBird 数据,每组 eBird 数据包括时间、日期、地点及观察到的所有鸟类物种。

图 2:一组银喉长尾山雀的 eBird 数据

研究人员还引入了 72 个协变量,包括 5 个与观察者相关的协变量,如活动状态、观察人数、观察时间等;3 个与时间相关的协变量,主要用于弥合不同时区之间的偏差;64 个与地形地貌相关的变量,如海拔、海岸线、岛屿等。

模型框架:解码器 + 潜在空间

本研究使用基于 DMVP 的 DRN 进行数据分析和预测。这一模型包含 3 层全连接 (fully-connected) 的网络解码器,用于分析输入特征的相关性,还有两个结构化潜在空间 (structured latent space) ,用以表示物种之间和物种-环境间的关联。

在这里插入图片描述

图 3:DMVP-DRNets 模型结果示意图

最终,DMVP-DRNets 模型通过一个可解释的潜在空间,输出 3 个生态相关的结果:

1、环境相关特征:反映了不同环境协变量之间的联系和相互作用;

2、物种相关特征:通过残差相关矩阵反映不同物种间的联系;

3、生物多样性相关特征:如某一物种的丰度和分布等。

模型评估:与 HLR-S 对比

将 DMVP-DRNets 模型投入大规模使用前,研究人员首先将其与基于空间高斯过程的 HLR-S 模型进行了对比。HLR-S 是生态学中研究多物种联合分布最常用的模型之一。

首先用 10,000 组 eBird 数据对两个模型进行训练。HLR-S 模型训练用时超过 24 小时,而 DMVP-DRNets 模型耗时不足 1 分钟。

在这里插入图片描述

表 1:DMVP-DRNets 模型和 HLR-S 模型性能对比

随后,对不同规模的 eBird 数据进行分析,DMVP-DRNets 模型在 11 个评价标准中优于 HLR-S 模型,仅在物种丰富度校准损失中落后于 HLR-S 模型。

实验结果

分布区域:阿巴拉契亚山脉

在对 eBird 的数据进行分析后,DMVP-DRNets 模型输出了空间分辨率为 2.9 km2 的北美林莺各月分布图。不同品种林莺在北美的分布动态性很强,每个月都有不同的分布热点。在对各月分布图进行叠加后,研究人员发现阿巴拉契亚山脉是林莺物种多样性最高的区域。

图 4:北美洲的林莺分布图

a:林莺在北美洲各地的最大物种丰富度分布

b:林莺在北美洲的主要分布区域

同时,研究人员还发现了不同迁徙期的林莺分布热点。在繁殖前迁徙期,林莺主要分布在俄亥俄州、西弗吉尼亚州和宾夕法尼亚州的阿巴拉契亚山脉附近。而在繁殖后,北阿巴拉契亚山脉是林莺分布最多的区域。

在这里插入图片描述

图 5:繁殖前迁徙期 (a) 和繁殖后迁徙期 (b) 的林莺分布

林莺-环境:水陆与季节偏好

进一步的,研究人员利用 DMVP-DRNets 模型对美国东北部的林莺-环境间的相互作用进行了分析。

首先,研究人员能够大致分辨出不同林莺对水生环境和陆地环境的偏好。 随后,他们发现在繁殖期不同品种林莺对于环境的喜好不同。 喜好水生环境的蓝翅黄森莺、北森莺和黄喉林莺在繁殖期栖息较近,而松林莺会和其他与松林相关的物种走得更近,如棕头鳾和红头啄木鸟。

随着季节的变化,不同林莺的分布也有变化。 在繁殖后迁徙期,大多数林莺会抱团栖息,而棕榈林莺会选择在稍晚的秋天迁徙。松林莺和黄腰白喉林莺则会整年栖息在美国东北部。

在这里插入图片描述

图 6:繁殖期林莺与环境、其他物种之间的关联性

在这里插入图片描述

图 7:繁殖后迁徙期林莺与环境、其他物种之间的关联性

物种间关联:竞争与合作

在繁殖期、非繁殖期和迁徙期,林莺与其他物种之间展现出了不同的关系。

在繁殖期,林莺主要在防御自己的栖息地,与其他物种关联较弱。 在栖息地相近且进攻性较强的品种之间,甚至是负关联,如黑枕威森莺和橙尾鸲莺。

在迁徙期,大多数林莺之间展现出了较强的正相关,与森林中的其他物种也有强关联性。 这与观察的结果一致,林莺会与红眼绿鹃、黑冕山雀等其他物种组成混合迁徙队伍。

在此期间,林莺与巨翅鵟、条纹鹰、鸡鹰、赤肩鵟等捕食者关系较差,二者负相关系数较高。

在这里插入图片描述

图 8:繁殖期 (a) 和繁殖后迁徙期 (b) 林莺与其他物种的相关系数

上述结果说明,DMVP-DRNets 模型可以对不同时期的林莺分布作出准确的判断,并能够推断出林莺与环境、其他物种之间的联系,为制定生态政策提供依据。

AI 「鸟口普查」

除了数据分析,数据采集也是生态研究的重要部分。 与植物不同,鸟类的警觉性很高,动作迅速,且有些品种个体较小,很难进行准确观测。

传统方法依赖长焦相机、高倍望远镜和静止摄像头从远距离对鸟类进行观测。 这种方法虽然避免了对鸟类的干扰,但需要投入大量的人力物力,还需要观察者有相当的生态学、分类学知识。

通过深度神经网络,AI 可以进行高效的图像识别和声音识别,为鸟类观测提供了新方法。 在鸟类主要活动地部署音视频记录设备,设备可以将记录到的数据上传到服务器,随后通过 AI 对这些数据进行分析,提取出音视频中的信息,最终得到鸟类在这一区域的分布。这一方法已被国家林业和草原局广泛应用于公园、湿地和生态保护区中。

在这里插入图片描述

图 9:部署在黄河三角洲的鸟类智慧监测系统

同时,AI 的这一技能还可以减轻科研人员的工作负担。AI 可以排除背景和噪音的干扰,专注于图像的特征,迅速解决生态学者难以做出判断的问题。 比如下图中的照片,如果没有任何鸟类知识,很难从纷繁的羽毛中迅速判断出雏鸟的数量。

在这里插入图片描述

图 10:一窝雏鸟的照片,你能分辨出图中有多少只雏鸟吗 AI 正广泛应用于鸟类活动监测和鸟类分布分析中,自下而上搭建起鸟类研究的全系统,实现特定区域的「鸟口普查」。**相信在 AI 的帮助下,我们能够对生态系统有更透彻的认识,制定出更加符合当地情况的生态政策,逐渐恢复地球的生物多样性,保护我们的地球家园。**

参考链接:

[1]https://www.worldwildlife.org/publications/living-planet-report-2020

[2]https://phys.org/news/2023-09-ai-birds-easier.html

[3]https://www.forestry.gov.cn/main/586/20230118/094644604451331.html

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1318

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 338

AWR射频仿真基本操作(一)

这里只讲述一个基本的操作: 软件是AWR 14版本

钢丝 2万+

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 614

PADS VX2.7学习记录06-PADS Router软件功能操作

PADS VX2.7学习记录06-PADS Router软件功能操作

qq_31444421的博客 7864

QCM6490平台DDR测试:从QDUTT配置到眼图分析的实战指南

本文详细介绍了QCM6490平台DDR测试的全流程,从QDUTT工具安装配置到眼图分析,提供了实战操作指南和常见问题解决方案。通过具体案例分享,帮助工程师掌握DDR测试技巧,确保内存稳定性,特别适用于物联网和边缘计算设备的开发调试。

weixin_33910191的博客 461

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 273

如何构建智能聊天系统

聊天分为听、思考、读,简单的通过ASR、LLM、TTS三类模型的组合可以实现,最近openai推出支持多模态的GPT-4o模型,可以把三个模型真正融合成在一起。现在市面上的模型百花齐放,各有所长。要实现可落地的方案,需要结合业务,验证模型效果,同时也要考虑方案的可行性,有些模型在国内能用,有些在国内不能用。

xsgnzb的专栏 2110

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 206

Windows服务器XMRig挖矿病毒深度清除实战指南

XMRig是一种广泛用于Monero(XMR)加密货币挖矿的开源工具,其在Windows环境中的持久化机制已远超传统木马范畴,融合WMI事件订阅、服务伪装、PowerShell无文件执行与注册表隐写等多重反检测技术。理解其基于行为而非特征的生存逻辑,是实现有效检测与根除的前提。该技术具备强隐蔽性、高自愈性与网络通信合法化特征,常见于RDP弱口令爆破、SMB共享泄露及PowerShell远程执行等非漏洞类入侵场景。本文聚焦Windows原生命令与Sysinternals工具链,提供覆盖进程定位、WMI清理、服

weixin_30535843的博客 735

本地通知与健康数据的隐私保护方案

随着移动健康(mHealth)应用的普及,本地通知与健康数据的结合为用户提供了更加个性化的健康管理体验。然而,这种便利性也带来了严峻的隐私保护挑战。本文旨在探讨如何在移动应用中实现本地通知功能的同时,确保用户健康数据的隐私安全。本地通知与健康数据结合的技术架构隐私保护的核心技术方案具体算法实现与数学模型实际应用案例分析本文首先介绍背景知识和核心概念,然后深入探讨隐私保护的技术方案,包括算法原理和数学模型。接着提供实际代码实现和应用场景分析,最后讨论未来发展趋势和挑战。

移动开发前沿的博客 1310

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 340

【Bluetooth|蓝牙开发】三、一篇文章,带你总览蓝牙协议

1、开篇词 2、蓝牙开发入门 3、蓝牙协议栈总览 4、蓝牙协议栈——物理层 5、蓝牙协议栈——链路层 6、蓝牙协议栈——传输层 7、蓝牙协议栈——L2CAP协议 8、蓝牙协议栈——ATT协议 9、蓝牙协议栈——GATT协议 10、蓝牙通信流程分析 11、蓝牙协议栈——Bluez交叉编译 12、蓝牙调试工具汇总

Donge's Blog 1万+

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 349

电子元器件选型与实战应用—01 电阻选型

大家好, 我是记得诚。这是《电子元器件选型与实战应用》专栏的第一篇文章,今天的主角是电阻,在每一个电子产品中,都少不了电阻的身影,其重要性不言而喻。

记得诚 3539

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 84

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 157

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 511

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 614

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

405

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 401

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5156

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 564

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 181

面向工业对讲的双通道声学 DSP 模组 A-59(NR2050-A)方案解析与工程落地案例

A-59模组以NR2050-A DSP为核心,37.5×16mm邮票孔封装,支持-40℃~85℃工业温域,兼容A-06/A-09/A-29系列,可低成本替换存量设备。通过固件切换实现三种模式:模式一(低改版成本,适配矿井、电梯);模式二(最优AEC,用于医院呼叫);模式三(双波束独立输出,支持双人会议语音分离)。集成AEC、ENC、BF与AGC算法,有效抑制回声、噪声与串扰,解决对讲系统核心声学难题。选型需注意参考信号路径、麦间距与温度匹配,建议先做声学测试再量产。

R190_6589的博客 371
上一篇: OBIA:900+ 患者、193w+ 影像,中科院基因组所发布我国首个生物影像共享数据库
下一篇: 有 AI,无障碍,AIoT 设备为视障人群提供便利
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值