通过虫体花粉识别构建植物‒传粉者网络: 人工模型与AI模型高度一致 生物多样性    2024, 32 (6): 24088-.   DOI: 10.17520/biods.2024088

表3 植物与传粉者在基于AI模型和人工识别花粉的定量植物‒传粉者互作网络中的位置相关性(Pearson correlation)。**P < 0.01。

正文中引用本图/表的段落

为了评估人工鉴定和AI模型识别在构建植物?传粉者互作网络结构方面的差异, 我们首先比较了两个网络的整体结构参数, 包括连接度(connectance, 网络中实际存在的连接数与所有可能连接的总数之比), 加权连接度(weighted connectance, 基于连接强度或频率(昆虫携带花粉数量)计算的网络中实际连接与所有可能连接的比例), 物种的连接量(links per species, 每个物种平均连接到的不同物种的数目), 特化值(H₂°, 反映物种在选择伙伴方面的特化或偏好程度), 加权嵌套度(weighted nestedness metric based on overlap and decreasing fill, weighted NODF or wNODF; 基于连接强度衡量物种间的相互依赖或嵌套程度), 聚类系数(cluster coefficient, 网络中一组物种相互连接的程度), 连接密度(linkage density, 平均每个物种连接的伙伴数量)和Shannon指数(物种丰富度和均匀度计算的多样性指数)。我们还将H₂°和wNODF与随机的零模型网络进行比较, 以评估参数的显著性(表2)。零模型网络是通过洗牌(shuffle)方法生成, 重新分配连接, 同时保持连接数不变。基于1,000个模拟值, 这两个网络指标都在95%的置信区间内进行评估(Dormann et al, 2009)。随后, 为了检验植物和传粉者在两个网络中的位置是否相似, 我们比较了物种水平的指数, 包括介数中心度(betweenness centrality, 一个物种与其他物种间最短路径上的位置来衡量的中心性, 范围0?1)、接近中心度(closeness centrality, 一个物种与其他物种的路径长度来衡量的中心性, 范围0?1), 以及d°指数(基于每个物种从随机选择伙伴中区分出来的程度来衡量的特化程度, 范围0?1), 使用Pearson相关进行比较(表3)。最后, 使用Procrustes分析对这两个网络结构进行比较(Alarcón, 2010; Barker & Arceo-Gómez, 2021)。Procrustes分析是一种关联两组多变量观测数据的方法, 用于评估基于网络中对应标志的网络形状差异。植物?传粉者互作网络分析使用‘bipartite’软件包, Procrustes分析使用‘vegan’软件包(R.4.3.2)。

基于两种方法构建的定量植物?传粉者网络表现出了高度相似的结构特征, 加权连接度和聚类系数相同和连接度等参数差异也很小(表2)。两个网络表现出了显著的嵌套和特化结构, 说明网络并不是随机过程导致的, 植物与传粉者之间表现出了明显的偏好(表2)。进一步对传粉者和植物在两个网络中的位置进行相关性分析, 发现植物和传粉者在两个网络中处于相似的位置。植物与传粉者的介数中心度、接近中心度和特化度(d°)均显著正相关(表3)。Procrustes分析表明AI模型与人工观测构建的网络之间具有极高的相似性(97.71%, P < 0.001)。Procrustes残差的平方和(表示在对齐两个数据集时未能完全匹配的总体差异的度量, 值越小说明两个数据集变换后越趋近一致)为0.04527。这些结果表明AI模型识别与传统的人工观测构建的植物?传粉者互作网络相似度极高, 有助于常规的花粉形态学分析。

本文的其它图/表

• 表1 基于天池山花粉识别库进行的图像分割AI模型和物体检测AI模型训练结果比较。平均精度均值(mean Average Precision, mAP)为对所有类别的精确度的平均值, 范围0‒1, 越接近1说明模型效果越好。精确率为正确预测的物体数与预测物体总数之比)。召回率为正确预测的物体数与真实物体数之比。
  
• 图1 AI模型的训练效果。(a)不同阈值下的模型准确率, 阈值为0.8时模型达到最高准确率96%。对某类别而言F1-score是指精确率和召回率的调和平均数, 此处为各类别F1-score的平均数。(b)‒(e) AI模型对不同物种花粉图像的识别准确率: (b)瓜木98.2%; (c)一年蓬87.5%; (d)繁缕96.4%; (e)花旗杆91.4%。
  
• 表2 基于AI模型与人工识别的植物‒传粉者互作定量网络的参数比较。网络的连接度、加权嵌套度、特化值、聚类系数、Shannon指数等网络参数均差异较小。H₂°和wNODF与随机构建的零模型网络进行比较, 评估了参数的显著性。**P < 0.01。
  
• 图2 AI模型与人工识别的结果差异。(a)两种方法识别的相同与不同的花粉图像数量。识别不同的再经过第三方人工进行二次识别。(b)两种方法识别结果相同与不同的虫体携带花粉数量。识别不同的花粉, 再经过第三方人工进行二次识别。
  
• 图3 通过人工识别(a)和AI模型识别(b)构建的植物‒传粉者定性网络。图的上方表示传粉者种类(棕色: 鳞翅目; 红色: 膜翅目; 黄色: 鞘翅目; 紫色: 双翅目; 黑色: 其他); 下方表示植物物种, 中间连线代表植物‒传粉者存在互作关系: 灰色连线代表人工识别与AI模型识别连接相同, 红色代表该网络独有连接。物种缩写详见附录1。
  
• 图4 通过人工识别(a)和AI模型识别(b)构建的植物‒传粉者定量网络。中间连线代表植物‒传粉者存在互作关系, 连线越宽,代表传粉者携带该植物花粉数量越多。图的上方表示传粉者种类(棕色: 鳞翅目; 红色: 膜翅目; 黄色: 鞘翅目; 紫色: 双翅目; 黑色: 其他), 下方表示植物物种, 物种缩写详见附录1。