弗里堡大学/哥德堡大学Nat. Sustain.: 强化学习改善生物多样性保护

当前，超过100万种物种面临灭绝，这突出表明了迫切需要制定保护政策从而最大限度地保护生物多样性，以维持其对人类生活的多方面贡献。

为此，瑞士弗里堡大学Daniele Silvestro、瑞典哥德堡大学Alexandre Antonelli等人提出了一个基于强化学习（RL）的空间保护优先级新框架（CAPTAIN），且该框架始终优于使用模拟和经验数据的最先进软件。作者通过CAPTAIN对保护区进行优先排序，量化了区域和生物多样性保护的成本和收益之间的权衡，允许探索多个生物多样性指标。

其中，RL算法旨在找到“数据生成”（从系统当前状态中学习，也被称为“探索”）和“行动”（其效果由结果量化，也被称为“开发”、“奖励”）之间的最佳平衡。CAPTAIN可以优化静态政策，即一次性花费所有预算/随时间推移制定的保护政策，因此特别适合设计政策和测试其短/长期效果。“行动”是通过神经网络根据系统的状态来决定的，神经网络的参数在RL框架中得到优化以使“奖励”最大化。通过RL对模型进行训练后，可以利用模拟或经验数据来确定在空间/时间上的保护优先级。

图1. CAPTAIN框架和Marxan软件的表现比较

为了评估该框架的有效性，作者将该其与当前最先进的保护优先级规划工具Marxan软件进行了比较。第一次比较表明，CAPTAIN在64%的案例中优于Marxan，在防止物种损失方面平均提高了9.2%。第二次比较中CAPTAIN在77.2% 的模拟中优于Marxan，平均减少了18.5%的物种损失。为了证明该框架的适用性及可扩展性，作者分析了一个包括22394个保护单元（5×5 km）和1517个特有树种数据的马达加斯加生物多样性数据集并应用CAPTAIN框架。

结果显示，CAPTAIN在受保护单位内发现物种范围的中位数为22%，远高于设定的10% 目标和使用Marxan实现的14% 中位数保护范围。因此，在瞬息万变且资源有限的世界中，AI为改善生物/生态系统的保护和可持续利用提供了巨大的希望。

图2. CAPTAIN的实证验证

Improving biodiversity protection through artificial intelligence, Nature Sustainability 2022. DOI: 10.1038/s41893-022-00851-6

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/10/f8b3018f10/

弗里堡大学/哥德堡大学Nat. Sustain.: 强化学习改善生物多样性保护

相关推荐

发表回复