《Ecological Informatics》:SWARM-IS: Adaptive sensor swarm search strategy and simulation framework for predator surveillance and control
编辑推荐:
有效的捕食者根除与控制工作成效,关键取决于在不同且异质性环境中的可靠检测能力。然而,现有搜索策略未能充分利用已开发的AI赋能(AI-enabled)传感技术。研究人员提出SWARM-IS,一种新颖的自适应传感器集群(sensor swarm)策略,基于集体检测
有效的捕食者根除与控制工作成效,关键取决于在不同且异质性环境中的可靠检测能力。然而,现有搜索策略未能充分利用已开发的AI赋能(AI-enabled)传感技术。研究人员提出SWARM-IS,一种新颖的自适应传感器集群(sensor swarm)策略,基于集体检测历史动态优化捕食者探测传感器的空间部署。该方法利用集群集体信息迭代引导传感器布设,实现对演化环境与生态条件的响应式适应。为评估所提方法,研究人员开发了一个模块化监视仿真框架(modular surveillance simulation framework),模拟不同捕食者密度、空间生态及传感器检测效能。研究人员在多种生态情景下,将SWARM-IS性能与传统的系统性(systematic)及随机(random)搜索策略进行对比。该框架具有通用性,可易于适配其他捕食者监视与管理情境。基于此框架,研究人员在多样生态条件与检测效能机制下,开展了刷尾负鼠(brushtail possum, Trichosurus vulpecula)监视的案例研究。结果表明,相较于传统方法,所提出的基于自适应集群的策略在100天操作期内,从站点移除的个体数量绝对提升高达40%,凸显了其增强捕食者监测并进而改善管理成效的潜力。
研究背景方面,新西兰为达成Predator Free 2050愿景,需根除八种引入哺乳动物捕食者如刷尾负鼠(brushtail possum, Trichosurus vulpecula)、鼬科动物(mustelids)、鼠类(rats)及野猫(feral cats)。现有捕食者控制依赖陷阱与毒药,在缺乏先验分布知识时大面积覆盖导致资源浪费。传统固定监测如跟踪隧道(tracking tunnels)、咀嚼卡(chew cards)、诱捕相机(trail cameras)及移动监测如直升机、训练犬、无人机(Unmanned Aerial Vehicles, UAVs)均存在数据滞后与部署耗时问题。虽AI图像识别与无线实时报告技术有所进展,但设备固定布设策略多为系统性网格、随机或分层采样,未解决固定位置约束。近期虽出现基于群集元启发式(swarm-based metaheuristic)技术的UAV自适应搜索如粒子群优化(Particle Swarm Optimisation, PSO),但针对通信-enabled移动AI增强传感器节点网络在捕食者管理中的研究尚缺。为此,研究人员提出SWARM-IS(Smart Wide-area Autonomous Reconnaissance and Monitoring of Invasive Species)策略及仿真框架,在100天模拟期内以封闭种群假设最大化检测移除量,案例对象为刷尾负鼠,结果显示较常规方法绝对提升达40%,对提升异质景观下捕食者管控成本效益具重要意义,该文发表于《Ecological Informatics》。
关键技术方法方面,研究人员构建了离散时间空间显式(spatially-explicit)仿真框架,场地离散为边长τ米的方格S,模拟刷尾负鼠家域中心服从先验风险面B的L1范数采样,家域尺度参数σhr随密度ρ依Anderson等人(2022)经验关系更新且截断于σhr,max与σhr,min,可选再侵染(re-infestation)引入每期λR个个体。检测概率采用半正态函数P(Oij=1)=g0 exp(-dij2/2σhr2)于2×2.45σhr内否则0,g0通过logit线性模型logit g0=a+b ln σhr耦合密度依赖,节点报告为每位点每期二元比特加固定误报率PFP,引入信息非对称。控制按检测后独立Bernoulli过程以Premoval移除。SWARM-IS含信念面(belief surface)Bt以双变量高斯核按检测与否加减更新并向先验B0裁剪衰减δdecay,及信息增益斯坦纳树(information-gain Steiner-tree)规划器在候选图Gc上以种子-生长-局部搜索启发式选K个连通高分瓦片,得分πx含Bt(x)、抑制项与移动成本β cx。对比基线为系统性网格扫描(Systematic)及依先验B采样的随机连通(Random)策略。实验在3类景观(同质Homogeneous、中度斑块Moderately Patchy、高度斑块Highly Patchy)与432条件灵敏度扫描(g0截距a、PFP、Premoval、初始密度ρ0、景观类)及再侵染与集群规模K={5,10,20,40}扩展中进行,各条件贝叶斯优化调参后10次重复5种景观实化评估指标为期末比例损失lossT与总移动距离∑distt。
研究结果方面,Overview显示432条件中SWARM-IS在428条件下最终损失低于两基线,对Random在99.1%条件降损均值绝对0.025峰0.088且100%条件减距均值76.2%,对Systematic在99.5%条件降损均值0.105峰0.399但86.1%条件增距中位约180000米,60条件距移最低372条件次低。
4.1 Effect of density and landscape structure中,给定初始密度Systematic跨景观稳定Random与SWARM-IS在斑块景观因先验信息改善,同质景观三者持平。斑块景观中SWARM-IS最终损失最低,较Systematic提升约稳跨密度,较Random在低密提升最大。距移方面SWARM-IS一般高于Systematic除极低密度可比,距随密度与斑块度升因规划追信息,二者均低于Random。期内损失降近似线性,图5示各景观轨迹。
4.2 Effect of detection and control efficacy中,误报率PFP变化三策略性能无察觉影响。检测概率g0截距强影响所有策略斑块景观放大,同质低敏a=4.5三者终损约0.9升a=6.7至0.5–0.6,斑块中SWARM-IS低敏已略优高敏更拉大尤对Systematic。移除概率Premoval升终损降但策略序不变。
4.3 Where SWARM-IS is preferred中,图8示SWARM-IS对Systematic与Random相对优势,表8计36配置中SWARM-IS严格双赢(损距皆优)计数依景观与密度分布,斑块低密双赢更多。
4.4 Re-infestation experiment中,松弛封闭假设λR>0配对ρ0(0.5配1、2.5配6、5配12、7.5配18),复用主扫优参扫g0截距3、Premoval4、景观3共144条件固PFP=0.15,到达依B L1采样,结果显示SWARM-IS在再侵染下仍维持相对优势因信念面持续更新追踪新到个体。
4.5 Scaling experiment中,增K∈{5,10,20,40}交联四因子固PFP=0.15共576条件,复用K=10优参,结果示损与距随K增皆降但SWARM-IS相对序稳,每节点损与每节点距分析显SWARM-IS效率非仅靠规模,自适应布署提每节点产出。
讨论与结论翻译部分,研究人员总结SWARM-IS在异质与斑块景观中通过集体检测历史动态重布传感器显著提升捕食者移除,432条件中428居损首60居距首,较Systematic损降峰0.399均值0.105较Random损降峰0.088均值0.025且百尺降距,代价为增移距反映自适应成本。性能受初始密度景观结构检测控效影响大,斑块低密度尤显,误报率无碍,g0与Premoval升改善全局序不变。再侵染与缩放实验证鲁棒与序稳。框架模块化允估接替未来扩快繁种长时尺或他入侵种。40%绝对提升证AI赋能集群策略在Predator Free 2050等大型管控中潜力,平衡距损可指导实装如UAV或地面节点系统。