面部识别（Facial Recognition）分析揭示港海豹（Phoca vitulina）上岸滩涂（Haul-Out Sites）共现的社会网络（Social Networks）

《Ecology and Evolution》：Facial Recognition Analyses Reveal Social Networks of Co-Occurrence at Harbor Seal Haul-Out Sites

　　

摘要：了解港海豹（Phoca vitulina，一种生态意义重大且广泛分布的沿海鳍足类动物）的行为和种群动态，对于有效管理脆弱的沿海海洋生态系统至关重要。研究人员采用一种新型非损伤性面部识别（Facial Recognition）技术，在缅因州Middle湾连续两个换毛季对上岸滩涂（Haul-Out Sites）的港海豹进行个体识别。利用该海湾6年间获得的672只个体海豹图库（Gallery），研究人员在2年中共30个采样日记录目标位点海豹的出现情况，并基于季节内及跨年度的重复共现（Co-occurrence）构建社会网络分析（Social Network Analysis）。研究结果显示，部分海豹在年度间表现出强烈的上岸位点忠实度（Site Fidelity），且个体间在季节内及跨年度存在持续共现，表明该区域海豹的上岸行为具有非随机性。网络中处于中心位置的核心群体（Core Group）在换毛季期间被持续观测到，表明该季节海豹具有强烈的共同上位点忠实度（Co-fidelity）。共现海豹的模块（Module）成员组成跨年度有所变化，但网络整体结构（图密度 Graph Density、平均度 Average Degree、平均聚类系数 Average Clustering Coefficient 和平均路径长度 Average Path Length）跨年度保持一致。这些发现强调了港海豹对Middle湾特定上岸位点具有稳健的位点忠实度，并证明港海豹并非该区域的过路访客。本研究也证实了面部识别作为非损伤性方法在野生海豹移动、分布、栖息地利用及社会互作长期监测中的有效性，可为理解野生海豹个体及种群对环境或人为变化的响应提供新视角，并为海岸带生态系统保护提供决策依据。

论文解读：基于面部识别（SealNet 2.0）分析港海豹（Phoca vitulina）上岸位点共现的社会网络

研究背景与意义

港海豹（Phoca vitulina）是分布于北太平洋和北大西洋温带沿海最广泛的鳍足类动物（Pinniped），作为顶级捕食者其存在影响鱼类群落动态及海岸带生态系统结构。港海豹依赖岩石滩涂或沙滩进行上岸（Haul-Out）以躲避捕食者、休息及在繁殖期和换毛季（Molting Season）调节体温，这种对海陆双重生境的依赖使其极易受人类活动（船只干扰、人为胁迫导致弃用优质上位点）和气候变暖（冰面减少）的威胁。传统长期监测方法如卫星成像和GPS标记（Telemetry Tagging）成本高昂且可能引发生物适合度代价（降低游速3%–6%，增加能耗12%–19%），而传统照片个体识别（Photo-ID）受高密度群聚和换毛期斑纹遮挡限制较大。此前开发的SealNet 1.0已证明基于深度学习的人脸识别可用于海豹面部生物测定（Biometric Measurements，如眼距、耳位等）进行非损伤性个体识别。本研究使用升级版SealNet 2.0结合社会网络分析（Social Network Analysis, SNA），旨在探明缅因州Casco湾Middle湾港海豹的局部种群精细结构、上位点忠实度（Site Fidelity）及共现关系，以期为海岸带生态监测提供基线数据。本文发表于《Ecology and Evolution》。

主要关键技术方法

研究人员于2022–2023年换毛季（7–8月）在Middle湾相邻两处上位点Grassy Ledge（14,651 m2）和Branning Ledge（724 m2，相距<1 km）进行非损伤性拍摄——使用Nikon COOLPIX P1000于距上位点≥54.9 m处顺流漂移拍摄，每站点约20 min，剔除模糊及不完整面部照后获1712张可用影像并裁剪为个体面部芯片（Face Chips）。采用SealNet 2.0（基于PyTorch v2.x框架，预训练RegNet_Y_16GF骨干网络，MLflow实验记录，Streamlit交互界面）以含672个体2315张芯片的种群级图库（Gallery）为参照，逐日将当日探针图像（Probe Images）比对输出前5匹配及相异度得分（Dissimilarity Score，≤0.1通常为同一体，手动核查），迭代更新图库。基于日度个体出现记录构建共现矩阵，使用Python脚本转为GEPHI兼容格式，设节点大小为出现天数、边权重为共现天数（≥2、≥3、≥4），计算平均度（Average Degree）、图密度（Graph Density）、模块化（Modularity）、聚类系数（Clustering Coefficient）、平均路径长度（Average Path Length）、紧密度中心性（Closeness Centrality）与介数中心性（Betweenness Centrality），并以置换检验（Configuration Null Model）及归一化互信息（Normalized Mutual Information, NMI）评估跨年度模块相似性。

研究结果

3 Results——上位点与跨年度忠实度

2022年（12采样日）鉴定441只、2023年（11采样日）鉴定334只海豹，39%个体两年均出现；50%–56%个体当季被拍到≥2天，9%–14%≥4天；62%鉴定个体跨两年表现上位点忠实度。换新个体中65%（2022）和59%（2023）当季回访同一点位，表明不论新旧个体均有较强季节内局部忠实度。

3 Results——网络显著聚类与核心个体高共现

2022年（聚类系数M=0.64, p<0.001）与2023年（M=0.38, p<0.001）网络均呈显著聚类。双环图（Dual Circle）显示边权越严格（共现≥4天）连接越少；常被拍到（内层节点，≥4天）个体具更高共现边数——2022年内层100%、2023年67%具≥4天共现边，外层仅21%和8%，说明频繁上位点个体彼此共现更紧密。

3 Results——模块化（Modularity）与群落结构

Fruchterman-Reingold布局下2022年分4个、2023年分5个主要共现模块（Modularity Class），提高边权重至≥4天共现时模块仍保留；合并两年网络亦见4个稳健模块，但模块内成员跨年度部分更替。跨年度整体群落结构具中等相似性（NMI=0.476），但不显著优于零模型置换结果。

3 Results——网络指标跨年度对比

平均度与图密度随边权升高预期下降，两年度及合并网络各指标轮廓相似——聚类系数各边权与年度间均匀，模块化与平均路径长随边权增而升；2023年模块化略低于2022年（或因当年鉴定个体较少），合并网络高边权下模块化微降（反映组成员跨年度替换）。

3 Results——中心性与核心持续存在

合并网络紧密度中心性随拍摄天数增多略升，多数个体居中（0.35–0.5），拍摄≥10天者中心性偏高；单年中26%（2022）和23%（2023）个体紧密度中心性>0.70。前20高紧密度中心性个体中75%两年均出现并分布于各模块，且彼此共现频次高于其与同模块其他个体，构成跨年度持续的核心组（Core Group）。介数中心性在拍摄≥9天的个体中急剧上升，因其跨两年多日出现充当不同共现对的"桥梁"。

讨论与结论总结

研究人员发现Middle湾港海豹具强烈的区域及季节内上位点忠实度（部分个体>50%采样日回访同点），且换毛季形成稳定共现集群——网络显著聚类及核心组跨年度留存说明上位点选择非随机，暗示物理及潜在社会性联结。虽模块成员跨年度不完全一致（NMI未超随机），但网络整体拓扑特征（平均度、密度、路径长、聚类系数）跨年度稳定，说明共现模式具可重复性。局限性包括仅换毛季采样（未含繁殖季及全年）、仅两邻近上位点（未涵盖>5 km外位点）、面部拍摄存在遗漏及图库偏差可能、日共现不等同于社会性互作。未来建议结合遗传分析与多区位长时序监测深化社会结构解析。

结论翻译：综上所述，研究人员应用非损伤性面部识别软件SealNet 2.0提供证据表明野生港海豹种群具强烈上位点忠实度及个体共现网络。SealNet 2.0为估算生态参数（如上位点忠实度、连通性、栖息地利用及社会互作）提供了开源工具。利用面部识别等类似技术对局部种群动态和行为开展长期监测，可助力理解物种如何应对沿海海洋生态系统中的快速人为变化。