《iScience》：AI-driven technological breakthroughs and practical pathways for biodiversity conservation and ecological management
编辑推荐：
全球生物多样性下降需要先进的技术解决方案。本综述综合了数据、算法和系统三个层面上人工智能（AI）驱动的方法创新，用于生物多样性保护。在数据层，包括环境DNA（eDNA）、声学监测器和卫星图像在内的多模态感知技术，结合数据融合技术，提高了监测分辨率。在算法层，从
全球生物多样性下降需要先进的技术解决方案。本综述综合了数据、算法和系统三个层面上人工智能（AI）驱动的方法创新，用于生物多样性保护。在数据层，包括环境DNA（eDNA）、声学监测器和卫星图像在内的多模态感知技术，结合数据融合技术，提高了监测分辨率。在算法层，从卷积神经网络（CNN）到Transformer和强化学习（RL）的模型实现了物种识别、栖息地评估和保护优化。在系统层，联邦学习（FL）、数字孪生和边缘计算构建了可扩展、安全的保护平台。这些进展将保护实践从被动监测重新构建为主动、预测性管理，涵盖实时个体追踪、精确栖息地评估、主动威胁检测和优化保护优先级。尽管存在数据偏差、算法不透明和社会伦理紧张等挑战，但在跨学科治理下的负责任AI开发为实现全球保护目标提供了关键路径。
引言
生物多样性作为地球生命支持系统的基石，维持着生态系统功能与服务，提供必需的物质资源并支撑文化、精神和美学价值。政府间生物多样性和生态系统服务科学政策平台（IPBES）评估报告指出，自1900年以来全球平均物种丰度下降了20%以上，灭绝速率是背景速率的数十至数百倍，超过100万物种面临灭绝风险。这一下降趋势不仅表现为物种丧失，还体现在功能性状和系统发育多样性的侵蚀，削弱了生态系统的恢复力和适应能力。为应对危机，《昆明-蒙特利尔全球生物多样性框架》（GBF）鼓励采用人工智能（AI）、遥感和分布式传感器等创新技术，以实现到2030年保护至少30%的陆地和海洋生态系统的“30×30”目标。然而，目前仅约17%的陆地和8%的海洋区域受到保护，凸显了巨大挑战。尽管生物多样性相关数据已大幅扩展，但其保护应用仍面临诸多瓶颈。传统依赖静态保护区划定、人工调查和经验决策的方法在快速环境变化下表现出明显局限。数据碎片化、时空分辨率不足以及异构数据源标准化困难阻碍了生物多样性信息的有效利用。自20世纪80年代以来，生态学界已认识到理解大尺度生物多样性模式的根本知识差距，仅靠传统技术难以弥补。AI的快速发展为生物多样性研究和实践带来了变革性机遇。AI涵盖使机器执行需要人类智能任务的计算方法。机器学习（ML）使系统无需显式编程即可学习模式，而深度学习（DL）利用多层神经网络从复杂输入中提取分层特征。这些方法适用于数据高维、异构且具有复杂非线性关系的生物多样性应用。借助计算能力提升、机器学习和深度学习的方法突破，以及多源数据（如卫星遥感、无人机、声学监测和环境DNA）可用性的增强，AI正在重塑保护行动，推动从被动到主动预测、从经验驱动到数据驱动决策、从局部到全球协调的转变。尽管潜力巨大，AI应用仍面临多方面挑战。数据偏差普遍存在；地理监测分布不均和对稀有类群泛化能力有限导致系统性误差。大规模数据处理所需的计算资源在基础设施薄弱地区往往难以获取，加剧了技术不平等。AI还引发了关于数据隐私、算法权力集中、全球数据鸿沟和原住民权利侵蚀的伦理担忧。应对这些挑战需要跨学科协作、开源治理和健全的伦理框架，以确保AI真正赋能保护，而非沦为技术官僚主义的形式主义。本文全面讨论了AI驱动的方法创新及其在应用场景、实践案例和相关伦理挑战方面的变革性影响。本综述的独特性在于：（1）提供了整合技术创新与保护实践的系统三层框架（数据、算法和系统）；（2）综合了最新AI方法，包括基础模型和联邦学习（FL）等新兴方法；（3）批判性地审视了实施挑战和治理框架。旨在阐明AI如何通过多源数据融合、智能分析决策和系统优化管理的核心能力，从根本上将生物多样性保护从传统被动模式转变为主动智能范式。图1直观展示了该三层框架，说明了数据获取创新、算法进步和系统级集成之间的层次关系和交互，共同驱动保护实践的转型。
方法学
文献检索与纳入标准
研究人员检索了Web of Science、Scopus和PubMed，收集截至2025年10月31日发表的同行评审文章，使用AI与生物多样性/保护术语的组合。纳入将AI方法应用于生物多样性保护或生态管理的研究，排除无明确保护背景的纯技术AI论文以及非原创贡献（如社论和评论）。
数据提取与分类
两名作者独立提取了关于AI算法、数据模态、保护场景、性能指标以及地理/分类学焦点的数据。差异通过与第三作者讨论解决。研究被归入三层框架（数据、算法和系统），并按应用场景分类（如物种监测、栖息地评估、威胁预警、保护优先级确定和有效性评估）。
综合方法
由于算法、生态系统和评估指标的异质性，研究人员进行了叙述性综合而非定量meta分析。确定了跨领域主题，例如算法结构与生态数据属性之间的对齐，并通过示例和表格进行总结。还整合了关于伦理和社会技术挑战（如数据偏差、算法不透明、数据主权和算法殖民主义）的文献，以平衡呈现机遇与风险。
质量考量
尽管未应用正式偏倚风险评估工具，研究人员评估了每项研究的方法透明度、数据代表性、性能评估稳健性以及对伦理问题的关注。关键局限性在“研究局限性”部分进行了综合。
方法创新：从数据获取到智能感知
数据层的方法创新
环境和生物数据的获取与分析是生物多样性监测的基础。传统方法准确但成本高且难以扩展。AI技术的需求推动了生物多样性监测向自动化、实时分析和预测建模发展。传统人工采集正逐步被整合天-空-地自动化网络取代，利用卫星遥感、无人机调查、红外相机、声学监测和环境DNA（eDNA）技术，实现多维度、高通量、非侵入性的生物群落结构和动态数据收集。红外相机和无人机可全天候自主收集野生动物图像，降低监测成本高达约80%。声学记录器能够对海洋或夜行性物种进行长期非侵入性监测，借助AI自动信号识别，单个记录器可有效监测面积达150公顷湿地内的所有鸟类物种。环境基因组学突破，特别是eDNA/eRNA技术，通过收集水或土壤中的痕量遗传物质，结合AI分类器的代谢编码，研究人员可在不干扰生物的情况下监测物种、重建食物网和检测入侵物种。高通量纳米孔测序现在可在单次运行中鉴定多达10万个标本，使大规模物种鉴定可行，且AI结合eDNA实现了超过99%准确率的自动化物种鉴定。这种非侵入性方法特别适合调查难以捉摸的水生物种，以前所未有的时空分辨率扩展了生物多样性监测的范围和能力。生物多样性保护常需整合多源数据。例如，综合物种状态评估可能需要结合野生动物图像识别、eDNA检测物种和遥感栖息地数据。多模态数据融合采用AI模型整合异构数据（图像、声音、文本和遗传数据），比任何单一来源提供更全面的信息，增强物种分布建模和生态系统监测精度。视觉语言模型如BioCLIP（生物对比语言-图像预训练）利用跨模态对比学习实现图像与文本的语义对齐，在零样本和少样本分类中表现优异。数据融合技术有助于发现单一来源难以辨别的生态模式，从而提高生物多样性评估的可靠性。除物种组成和分布外，生物多样性研究日益关注物种功能性状和生态特征。AI驱动的性状量化提高了测量准确性和效率，使大规模性状数据库构建可行，为功能多样性研究和保护策略制定提供丰富基础数据。大规模生物多样性数据集常存在不完整、异构、不准确和不平衡问题，传统统计难以解决。AI在数据层的创新也改善了数据质量并纠正偏差：通过学习现有数据分布，合成合理的虚拟样本填补空白并平衡类别。迁移学习（TL）和域适应缓解了数据源差异，使在一个区域或类群训练的模型能有效应用于数据稀缺环境。对抗训练可检测并减少系统性偏差，增强模型在不同群体或环境中的公平性。通过这些技术，研究人员能更有效地利用非标准化数据，减少偏差影响，提升生物多样性评估可信度。
算法层的方法创新
AI算法的持续发展虽为生物多样性研究提供了多功能工具，但其性能根本上取决于算法设计是否与生态数据固有属性匹配。传统生物多样性监测和分析受限于生态数据高维、异构、复杂非线性关系和强时空变异性等挑战。算法创新通过定制计算方法应对这些约束，建立分析问题和适当算法解决方案之间的明确对应关系，使AI从基于经验的启发式转向稳健的数据驱动科学推断。本节首先回顾主要AI算法类别及其代表性应用，然后比较综合其差异和问题导向优势。
传统机器学习算法
传统机器学习算法包括随机森林（RF）、最大熵模型（MaxEnt）、梯度提升机（GBM）和支持向量机（SVM）。RF通过bagging聚合多个决策树，有效处理非线性和多源数据，同时减少过拟合。GBM采用顺序提升，每棵树纠正先前错误，在生态参数反演中实现高精度和自动特征选择。MaxEnt基于最大熵原理，广泛用于物种分布建模和预测潜在分布，使用出现点和环境变量，在小样本场景下稳定性良好。SVM通过在高维空间中寻找最优超平面实现分类，适用于生态数据中的模式识别和异常检测。传统机器学习算法因其可解释性和鲁棒性，在生物多样性数据分析中持续发挥重要作用。
卷积神经网络（CNN）
卷积神经网络（CNN）擅长处理网格结构数据（如图像和频谱图），通过分层特征提取在视觉识别中取得革命性成功。在生物多样性领域，CNN广泛用于物种图像识别和遥感解译，包括昆虫多样性监测和行为分析，常匹配或超越人类准确率，同时自动化“识别-计数-描述”工作流。CNN还用于识别昆虫嗡嗡声和啄木鸟敲击声，以监测季节和空间生态模式。在遥感中，CNN从卫星或无人机图像中识别植被类型、土地覆盖变化和栖息地模式。经典架构如AlexNet和VGG（视觉几何组）在鸟类和植物分类中达到接近专家准确率，而残差网络（ResNet）引入跳跃连接缓解梯度消失，实现更深网络用于高分辨率解译和伪装物种检测。
目标检测和分割模型
实际生物多样性监测中，研究人员常需不仅分类图像中物种，还要定位和计数多个对象。目标检测算法（如YOLO系列、单发多框检测器/SSD）结合CNN识别与定位功能，自动检测和分类图像或视频中动物位置。语义分割（如U-Net）和实例分割技术（如Faster R-CNN）可进一步精确勾勒图像中动植物轮廓，用于更细粒度分析，如测量动物体型或量化植被覆盖。这些模型能从复杂背景中自动提取生物目标，在生物多样性监测和生态调查中具有巨大潜力。
循环神经网络（RNN）和时间序列分析
生物多样性数据常包含大量时间序列信息，如种群变化、物候周期和传感器观测。循环神经网络（RNN），特别是长短期记忆（LSTM）和门控循环单元（GRU）变体，擅长捕捉序列生态数据中的时间依赖关系，如种群动态、迁徙模式和季节物候变化。基于LSTM的植被健康指数预测模型可准确预测植被胁迫时间并识别生物多样性热点。RNN模型结合时间序列环境因素已成功预测岛屿生态系统中节肢动物种群波动，展示了生态风险预警潜力。这些模型支持动态管理和适应性保护策略。
图神经网络（GNN）
物种和环境因素形成复杂交互网络，如食物网、共生网络和迁徙路径。图神经网络（GNN）在节点和边层面建模实体和关系，成为图结构数据的主流工具。利用多种环境要素作为节点，交互强度作为边，GNN已成功揭示物种间捕食、竞争和环境驱动效应。GNN应用于海草分布建模，整合环境、气候和人为因素，实现了比传统机器学习更高的精度。GNN还能将不同数据源连接为知识图谱，从网络科学视角审视生态系统，揭示系统级行为，为优先保护关键物种以维持网络稳定性等策略提供依据。
生成模型
生成对抗网络（GAN）和变分自编码器（VAE）在数据稀缺或需要模拟的场景中展现出强大应用潜力。VAE构建潜在表示空间，生成可用于填补监测空白或模拟不同情景下响应的虚拟生态数据点。GAN可重建声景成分，合成逼真声景以从复杂声学中准确提取物种多样性。跨模态生成模型如CycleGAN可在环境条件间转移数据风格，提供更丰富的训练样本。生成模型为模拟和预测提供了新工具；研究人员可模拟新环境中物种外观或分布，预测不同干预下潜在生态系统状态，支持更科学的保护规划。
强化学习（RL）
强化学习（RL）通过试错交互学习最优策略，减少人工输入以提升模型性能。在保护规划中，RL可优化资源分配和干预时机。例如，RL可用于动态栖息地管理，根据实时监测数据调整保护行动，最大化长期保护效益。RL在保护优先级确定和威胁缓解策略优化中展现出潜力，为复杂决策问题提供自适应解决方案。
