BioAnalyst：面向生物多样性联合时空状态的多模态基础模型与努力控制生物基准

《Ecological Informatics》：BioAnalyst: A foundation model for biodiversity

　　

开发首个多模态生物多样性基础模型（Multi-modal Biodiversity Foundation Model）：据研究人员所知，这是首个为生物多样性建模而定制的规模化人工智能模型，能够处理并整合多样化数据类型，以建模复杂生态现象。预测性生物多样性分析进展：研究人员展示 BioAnalyst 在物种分布建模（species distribution modelling）、生物（biotic）与非生物（abiotic）重建以及种群趋势预测（population trend forecasting）等关键应用中的预测能力。一个努力控制（effort-controlled）的生物基准与空模型（null-model）协议：来自标准化国家监测方案的每物种年计数，其目标不是调查努力（survey effort）的函数，并针对七种空模型、一个格元分辨率上限（cell-resolution ceiling）和六种习得基线（learned baselines）进行评分，通过从零样本（zero-shot）到完全微调（full fine-tuning）的评估套件进行。开放与资源共享：通过公开释放 BioAnalyst 的代码、权重和工作流，研究人员旨在促进科学界内的协作努力，从而加速应对紧迫生态挑战的研究与保护倡议。

作者 Athanasios Trantas、Martino Mensio、Stylianos Stasinos、Sebastian Gribincea、Taimur Khan、Damian Podareanu 和 Aliene van der Veen 在论文中提出 BioAnalyst，这是一个面向生物多样性（biodiversity）的多模态基础模型（Foundation Model, FM）。生物多样性涵盖地球全部生命形式多样性，是生态系统稳定性与恢复力的基础，但受气候变化、污染、栖息地破坏、自然资源过度开发和入侵物种等压力影响，物种种群下降与生态系统退化威胁人类福祉。应对这些挑战需要预测模型理解生态系统动态并量化干预影响，但传统方法常依赖静态物种分布图，缺乏实时更新，难以捕捉快速环境变化；生物多样性数据分散于不同来源与格式，阻碍协调整合；生态系统复杂，未知变量与种间相互作用使建模预测困难。已有地理空间 FM 多面向遥感或数值天气预报，其模态不包含物种出现记录，也缺乏生态状态目标；生态领域 FM 多聚焦视觉、音频和自然语言任务。因此，研究人员提出 BioAnalyst，目标是在共享网格上表示生物—非生物联合状态，并在不受调查努力影响的生物目标上评估，且开放代码、权重、微调工作流、基准面板与评估流水线。

技术方法方面，研究人员采用编码器—主干—解码器架构：Perceiver IO 作为编码器与解码器，直接将原始变量编码为潜在生态表示，避免按模态分别 tokenise；3D Swin Transformer U-Net 作为主干，使潜在深度轴与模态组对齐以学习跨模态交互。模型在 BioCube 上预训练，覆盖 2000 年 1 月 1 日至 2020 年 6 月 1 日、0.25°（约 28 km）欧洲陆地网格，含 11 个变量组、124 个特征通道与 233 个月度数据样本；预训练最小化变量加权的时间差分 ?₁ 损失；再以混合时域（6 与 12 个月）roll-out 微调和 VeRA 适配器扩展时域；任务特定微调使用瑞典鸟类调查（Swedish Bird Survey）固定路线努力控制基准与基于 CHELSA v2.1 的非生物线性探测。

4.1 回推（Rollouts）：预测生物多样性动态。研究人员比较 K=6 与 K=12 混合时域微调的 12 步回推，12 步微调变体在 12 步轨迹上平均绝对误差（MAE）更低，验证混合时域方案效果，但两者在 10 步后 MAE 增加。对 28 个动物物种，平均 S?rensen 相似度为 0.31，说明预测组合恢复约三分之一观测群落组成；西欧和中欧相似度较高，东欧和东南欧较低，与 GBIF 出现数据采样偏差一致。模型可定位并空间预测细粒度物种分布；交叉注意力显示气候变量最高，其次为物种与地表变量，多数其他模态组较低，物种高关注变量的注意力集中于斯堪的纳维亚和中欧。

4.2 努力控制生物基准。该基准使用瑞典鸟类调查固定路线，含 716 条路线，位于 25 km 国家网格，每繁殖季按同一协议调查一次；目标为每物种年计数，未访问的路线—年作掩膜而非零。预报测试用 BioCube 状态预测 2019 和 2020 繁殖季，目标均在预训练时间边界之后。最强参考为 persistence、lagged persistence 和 climatology 中的强者，另设七种空模型、格元分辨率上限和六种习得基线。结果显示，全部六种 BioAnalyst 变体在两年均为正 skill，从 +0.008±0.010 到 +0.280±0.019；最佳习得基线 ConvLSTM 为 ?0.540 和 ?0.186，经典模型更低。零样本在三种共享物种上 Spearman ρ 为 0.417 和 0.441，高于随机森林与 ConvLSTM，接近 persistence；冻结探针在所有 255 物种上提高到 ρ=0.57 和 0.58，预测物种丰富度复现瑞典南—北梯度 r=0.81，完全微调后 0.84。L2 时 BioAnalyst 领先 Aurora 0.237（2019）和 0.142（2020）；完全微调后 Aurora 缩小差距。部分 Spearman 相关表明增益主要是空间而非时间。冷启动空间迁移采用五折连续 2° 块、50 km 缓冲，实际最小间隔 55.6 km；BioAnalyst 是唯一可靠高于参考者，中位 skill +0.117，95% 聚类 bootstrap 置信区间 +0.002 至 +0.192，10 个折年中有 8 个为正；NB-GAM 为 +0.003，Aurora 为 ?0.023，随机森林 SDM 为 ?0.716。样本效率假设被拒绝，BioAnalyst 相对 Aurora 的优势随标记路线数增加而增加。

4.3 非生物线性探测：恢复季节性气候结构。该任务冻结预训练权重，在解码器嵌入上训练相同回归头，以隔离表示质量。最佳 epoch 达到 R²=0.9002、损失 0.0225、均方根误差（RMSE）=0.1499，说明 BioAnalyst 解码器输出足以在不解码器微调编码器时重建细粒度季节性气候模式。解码降水捕捉主要空间梯度与地形图案，但有平滑；解码温度准确复现纬度和沿海梯度。与 Aurora-0.25、随机森林和支持向量机比较，BioAnalyst 预测能力更强，但该比较仅为指示性基线，因为 BioAnalyst 直接预训练于月度生物多样性状态，而 Aurora 是短 lead 地球系统 FM。

4.4 计算效率。BioAnalyst 预训练一次性使用约 90–130 kWh（约 30–40 kg CO₂e），使用 NVIDIA H100 GPU 超算节点，比大语言模型（LLM）训练数十吨 CO₂e 低多个数量级，比通用 Aurora 少约 35 倍；每个下游适应仅增加几分之一 kWh。推理时，完整一年大陆预报在单 48 GB GPU 上约 5 s。生物基准活动共 54 次计量训练与评分运行，跨两个主干、四种设置、六种基线和三个种子，在 4x RTX PRO 6000 Blackwell Max-Q Workstation Edition 工作站上为 5.9 GPU-hours；冻结探针约十秒，LoRA 微调 9–10 分钟，完全微调 14–20 分钟。

讨论与局限总结：生物基准表明，BioAnalyst 表示携带努力控制的繁殖鸟丰度空间信息，这是天气 FM 和经典环境 SDM 所没有的，包括未见区域；但不显示年际预报技能，嵌套控制将增益归因于更好的静态地图，而解码字段年际变化小于 1%。非生物基准表明无需微调编码器即可重建细粒度季节性气候模式，但完整图景需对两个 FM 都微调。基准仅一个分类单元、一个方案、一个国家；瑞典监测最好，技能是其他地区上界；0.25° 欧洲范围努力控制网格监测不存在，扩展是未来工作。BioCube 截至 2020 年 6 月，预报测试仅两个年对，第二个受 COVID 影响，覆盖保持，但两年不能表征年际变率，统计权重在空间重复。比较仅针对 Aurora-0.25，其表现说明通用地球系统模型适应本领域行为，而非 Aurora 质量；无同架构从头训练模型，预训练本身益处未隔离。模型输出点估计无不确定性，仅陆域欧洲，排除海洋、沿海和淡水生物区，粒度适合国家和大陆评估而非局部管理；28 个预训练物种通道来自 GBIF，有空间和分类偏差；基准问是否从偏调查努力出现数据学到的表示仍预测努力控制丰度，对瑞典繁殖鸟答案是肯定。

研究结论翻译：研究人员引入 BioAnalyst，据研究人员所知，这是首个在共享网格上表示生态系统生物—非生物联合状态，并在不受观测努力影响的生物目标上被评判的基础模型。它真正多模态、相对轻量（702 M 参数），在欧洲 0.25° 运行，适合区域和国家评估。研究人员同时释放 BioCube、协调多模态立方体和基于结构化监测数据的努力控制基准；基准及其参考预报协议本身是贡献，因为常用大规模机会数据集既测量观测努力也测量生物多样性，模型预测好可能因错误原因而正确。研究人员在三设置评估：预训练月度状态的 multi-step roll-out 预测、努力控制基准和诊断气候探测。在努力控制繁殖鸟丰度上，基础模型是唯一在两年测试中超过最强参考预报的预测者；七种参考预报和五种经典与深度基线均未如此。冷启动空间迁移中，在无本地历史的未见区域，BioAnalyst 是所评估预测者中唯一具有正 skill 者，领先 Aurora 和经典基线。重要发现包括：混合时域 FM roll-out 微调对学习长期动态有正面效应；领域预训练在表示冻结时发挥作用，微调缩小差距；多模态 FM 瓶颈是数据操作而非参数缩放；训练 BioAnalyst 能耗与驾驶汽油车 140 km 相当；物种分布建模最具影响模态是气候；研究人员希望模型权重、训练、微调和数据获取的透明开放能推动生态 AI 操作化。BioAnalyst 为数据匮乏环境快速适应和通过表示学习推进假设驱动生态建模提供机会；证据限于特定任务和欧洲域，局限已披露；局部栖息地管理和单点保护区设计需下采样或补充高分辨率数据进一步微调；未来挑战包括数据可用性和改进生态下游任务的方法。未来工作包括更频繁采样、更高分辨率和更好整理的数据点，结合更长训练；更广泛受控基准测试，如 GEO-bench 风格套件，需要生态状态共享输入规范，留待未来；用户交互界面可增强可解释性和易用性；不同粒度不确定性量化方法如 cartograms 或 meta-model traits 计划中；将生态原则（能量预算、营养相互作用）嵌入 AI 架构模拟种群动态是前沿，可能产生遵守质量平衡约束或模拟动物觅食的强化学习智能体，使模型更可推广、可信并与全球生物多样性目标一致。