利用人工智能连接生态推断与保护决策优化

近几十年来，对濒危物种复杂且不确定的种群动态进行建模的能力得到了显著提升。然而，用于识别最优决策的方法往往需要对种群动态进行简化表征。这就导致了一个困境：由于动态决策模型依赖于对底层种群动态的简化假设，管理者可能会对其输出结果缺乏把握。在此，我们将整合种群模型（IPM）与深度强化学习（DRL）相结合：前者用于综合多样化的生态数据，后者能够在高维不确定性条件下优化决策，从而提出了一个能够提供数据驱动且具有生态学细节的适应性管理策略框架。 我们通过将该框架应用于濒危的格兰德河银米诺鱼（Rio Grande silvery minnow）增殖放流项目，展示了其实用性。利用我们的 IPM-DRL 框架，我们构建了一个适应性决策模型，该模型根据观测到的人口统计、 水文和遗传环境，选择增殖放流项目的生产与投放决策。在仿真中，该决策模型在不同管理目标下均优于所有启发式方法，这些管理目标对种群持续性和与有效种群大小相关的遗传影响赋予了不同权重。例如，在以持续性为重点的目标评分下，当前实施的增殖放流策略表现比该决策模型差 5.3%；而在以遗传为重点的目标评分下，其表现则差 185%。 对模型决策与人口统计和环境协变量之间关系的分析表明，最小亚种群规模和总种群规模是驱动模型决策的主要因素。研究结果表明，IPM-DRL 框架为濒危物种管理提供了一种高性能且具有可解释性的决策支持工具。

近年来，对濒危物种复杂且不确定的种群动态进行建模的能力已显著提升。然而，用于识别最优决策的方法通常需要对种群动态进行简化表征。这就导致了一个困境：由于动态决策模型依赖于对底层种群动态的简化假设，管理者可能会对其输出结果缺乏信心。在此，我们将整合种群模型（integrated population models, IPM）与深度强化学习（deep reinforcement learning, DRL）相结合：前者能够综合多样化的生态数据，后者能够在高维不确定性条件下优化决策，从而提出了一个可提供数据驱动且具有生态学细节的适应性管理策略框架。我们通过将该框架应用于濒危的格兰德河银鲦（Rio Grande silvery minnow）增殖补充项目，展示了其实用价值。利用我们的 IPM-DRL 框架，我们构建了一个适应性决策模型，该模型能够根据观测到的人口统计、 水文和遗传环境，选择增殖补充项目的生产与投放决策。在模拟中，对于不同程度权衡种群持续性与有效种群大小相关遗传影响的各类管理目标，该决策模型均优于所有启发式方法。例如，在以种群持续性为导向的目标评分下，当前实施的增殖补充策略较该决策模型差 5.3%；而在以遗传学为导向的目标评分下，则差 185%。对模型决策与人口统计及环境协变量之间关系的分析表明，最小亚种群规模和总种群规模是驱动模型决策的主要因素。结果表明，IPM-DRL 框架为濒危物种管理提供了一种高性能且可解释的决策支持工具。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.13.744541v1?rss=1

🏷️ 保护决策优化 深度强化学习 整合种群模型 濒危物种管理 适应性管理