AI 模型可以帮助绘制物种分布图、保护森林，并聆听世界各地的鸟类

地球的生物圈是其植物、动物、真菌及其他生物的总和。我们每天都依赖它生存——我们呼吸的空气、饮用的水、食用的食物，都由地球生态系统所产生。

随着对土地和资源日益增长的需求给这些生态系统及其物种带来压力，人工智能（AI）可以成为帮助保护它们的变革性工具。它可以让政府、企业和保护组织更容易地收集野外数据，将这些数据整合为新的洞见，并将这些洞见转化为行动。它还可以为更好的规划提供依据，并在这些规划付诸实践时监测其成效。

今天，我们宣布了预测森林砍伐风险的新生物圈研究、一个绘制地球物种分布范围的新项目，以及我们的生物声学模型 Perch 的最新进展。

预测森林砍伐

森林是生物圈最关键的支柱之一——储存碳、调节降雨、缓解洪水，并庇护着地球上大部分陆地生物多样性。遗憾的是，尽管森林如此重要，它们仍在以惊人的速度消失。

20 多年来，人们已经可以利用基于卫星的遥感技术从太空追踪森林砍伐。我们最近与世界资源研究所合作，进一步深入一层，开发了一个森林丧失驱动因素模型——涵盖从农业和伐木到采矿和火灾——在 2000 至 2024 年间，以史无前例的 1 平方公里分辨率呈现。

今天，我们发布了一个用于预测森林砍伐风险的基准数据集。该模型仅使用纯卫星输入，避免了对道路等特定本地输入图层的需求，并采用了一种围绕视觉 Transformer（深度学习中的注意力模型架构） 构建的高效模型架构。这种方法能够在大范围区域内实现准确、高分辨率的森林砍伐风险预测，精细度可达 30 米。

建模地球物种的分布

要保护地球上受威胁的物种，我们必须知道它们在哪里。已知物种超过 200 万种，还有数百万种有待发现和命名，这是一项艰巨的任务。

为帮助解决这一问题，Google 研究人员正在开发一种由 AI 驱动的新方法，以前所未有的规模生成物种分布范围图——覆盖更多物种、世界更多地区，并达到比以往更高的分辨率。该图神经网络（GNN）模型将物种野外观察的开放数据库、来自 AlphaEarth Foundations 的卫星嵌入，以及物种性状信息（如体重）结合起来。这种方法使我们能够一次性推断许多物种可能的基础地理分布，并让科学家能够利用额外的本地数据和专业知识来完善这些推断出的分布。

作为与 QCIF 和 EcoCommons 研究人员开展的试点项目的一部分，我们使用我们的模型绘制了澳大利亚哺乳动物的分布图，例如大袋鼯（Greater Glider）：一种夜行性、尾巴蓬松的有袋类动物，栖息于原始桉树林中。我们今天还通过 UN Biodiversity Lab 和 Earth Engine 发布了其中 23 个物种的分布图。

通过生物声学进行聆听

所有理解和建模生态系统的努力最终都依赖于野外监测。AI 在这里同样可以发挥关键作用，通过监测设备自动识别栖息地和物种，增强传统的生态野外监测——后者以困难和昂贵著称。

一个引人注目的例子是生物声学。鸟类、两栖动物、昆虫和其他物种使用声音进行交流，这使其成为识别常驻物种和理解生态系统健康状况的绝佳模态。可靠且价格合理的生物声学监测器已经很容易获得。然而，这些设备会产生大量音频数据集，其中充满未知和重叠的声音，数据量太大无法人工审查，但也难以自动分析。

为了帮助科学家和自然保护工作者理清这种复杂性，我们最近发布了 Perch 2.0——我们动物发声分类器的更新版本。这个新模型不仅在鸟类识别方面达到了最先进的水平，还作为基础模型提供，使野外生态学家能够快速调整模型，以识别地球上任何地方的新物种和栖息地。

我们尤其为与夏威夷大学（University of Hawai`i）的合作感到自豪，Perch 正在那里指导针对濒危蜜旋木雀的保护措施，同时也被用于识别幼鸟叫声以了解种群健康状况。

AI 赋能自然的未来

这项工作的目标是让各级决策者更容易采取行动保护地球。但只有数据足够全面——真正捕捉到特定生态系统各个层面正在发生的事情——更好的数据才能带来更好的决策。

这就是为什么我们正在努力将这些模型和其他模型整合在一起，结合来自更多模态的数据，如卫星数据、图像、生物声学、文档等。并且，将所有这些与人类活动模型（如土地利用变化和农业实践）以及农业产量、防洪和其他与人类相关的后果模型结合起来。

通过让政策制定者全面了解生物圈面临的威胁，我们可以帮助他们采取行动，保护未来的植物、动物和人类。如果我们能够对环境的建模，也许我们就能帮助它繁荣发展。

转载声明：本文为转载整理，原文版权归原作者及原站点所有。

原文来源：Google DeepMind Blog

原创地址：https://deepmind.google/blog/mapping-modeling-and-understanding-nature-with-ai/