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

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。

正文中引用本图/表的段落

本研究使用智能图像识别公共平台EasyDL (https://console.bce.baidu.com/easydl/overview)训练花粉识别模型, 鉴定传粉者携带花粉种类。我们首次尝试将智能识别结果应用于植物?传粉互作网络, 并与人工识别的结果进行比较。通过构建标准花粉样本的图片数据库, 上传至公共识别平台进行人工标注, 构建和训练AI花粉识别模型。模型训练稳定后, 再通过AI模型识别传粉者身体携带的花粉种类和数量, 并将这些结果与人工鉴定传粉者身体携带的花粉种类和数量进行对比。通过这一比对, 本研究主要关注以下3个问题: (1) AI花粉识别与人工显微镜鉴定的结果是否有差异? (2) AI图像识别和人工显微镜鉴定构建的植物?传粉者互作网络结构是否有显著差异? (3) AI图像识别能否提升构建植物?传粉者互作网络的效率?

通过人工比对花粉图谱, 成功识别各个花粉种类。基于这些识别结果, 构建了一个14种植物和57种传粉者的互作网络。随后, 采用AI物体检测模型对相同的显微镜照片进行识别, 并基于识别结果构建了植物?传粉者互作网络。由于不同物种花粉的形态差异, 特别是在多个角度下的变化, 部分物种的花粉通过AI模型易于区分, 而其他物种由于形态多样性相对难以识别。为了优化模型性能, 我们采用了不同阈值下的F1-score (各类别的精确率和召回率的调和平均数)以及mAP (平均精度均值), 还分析了识别错误的图片, 定位易混淆的标签(附录3), 并下载了完整的混淆矩阵来优化模型训练效果(附录4)。由于多张具有相似背景的花粉细胞图像被系统错误地识别为同一张图片, 导致部分物种的实际有效测试集图片数量不足50张(附录3)。尽管如此, 当模型的阈值设为0.8时, 达到了整体模型的最高准确率96%, 单个物种的模型mAP均在96%以上, 而对于一些识别困难的花粉种类, 降低阈值后也能实现较高的识别精确度(附录3)。在模型阈值范围0.2?0.8之间, 对92.9%的物种花粉展现出了93.5%以上的识别准确率。对于部分花粉图片无法被模型识别, 进行了第三方人工二次识别。第三方人工识别由具有花粉鉴定工作经验的其他成员进行, 识别前并不知道人工和AI识别的结果。

为了探究人工识别与AI模型识别传粉网络的结果是否有显著性差异, 我们分别构建了基于两种方法的定性和定量的植物?传粉者网络。在定性网络中, 人工观测共识别出139条植物与传粉者之间的连接, 其中17条是人工观测的独有连接(图3a)。相比之下, AI模型识别出了148条连接, 26条为AI模型的独有连接(图3b)。两种方法识别了122条相同的连接。尽管定性网络分析显示两者在连接数量和独有连接上有差异, 定量网络的结果表明了这些差异在总体上的影响较小(图4)。在定量网络中, 两种方法的独有连接的强度都很弱(12.3 ± 14.6, 图4), 而两种方法识别的相同连接则相对更强(127.5 ± 349.0, t = - 5.120, P < 0.001)。人工观测和AI模型都识别到了相同的主要连接, 比如过路黄(Lysimachia christinae)与膜翅目昆虫(编号为p6、p12和p15)之间的连接强度最高, 合计8,198粒花粉; 花旗杆与膜翅目昆虫(编号为p8、p9和p11), 合计2,701粒花粉; 以及垂盆草(Sedum sarmentosum)与膜翅目(p6)和双翅目昆虫(编号为p35)的连接, 合计2,276粒花粉。

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。
  
• 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。
  
• 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。