INQUIRE-Search:大规模生物多样性数据库中的交互式发现

《Ecological Informatics》:INQUIRE-Search: Interactive discovery in large-scale biodiversity databases

【字体: 大 中 小 】 时间:2026年06月28日 来源:Ecological Informatics 8.5

编辑推荐:

  研究人员引入了 INQUIRE-Search,这是一种开源系统,利用自然语言使科学家能够在 iNaturalist 等生态图像数据库中快速搜索特定现象、验证并导出相关观测记录,以及将这些输出用于下游科学分析。与现有方法相比,INQUIRE-Search 在五个

  
研究人员引入了 INQUIRE-Search,这是一种开源系统,利用自然语言使科学家能够在 iNaturalist 等生态图像数据库中快速搜索特定现象、验证并导出相关观测记录,以及将这些输出用于下游科学分析。与现有方法相比,INQUIRE-Search 在五个生态案例研究中,在可比较的人工检查预算下,将相关观测的集中效率提高了 3–8 倍,从而开辟了科学问题解答的新可能性。通过五个案例研究,研究人员展示了 INQUIRE-Search 如何用于生态推断,从分析物种间的行为季节性变化到野火后的森林再生。这些例子说明了一种新的交互式、高效且可扩展的科学发现范式,能够开始解锁大规模生物多样性数据集中此前无法获取的科学价值。最后,研究人员强调了面向科学的 AI 辅助发现工具如何需要重新构建科学过程的某些方面,包括实验设计、数据收集、调查工作和不确定性分析。
本研究旨在解决大规模生态图像数据库中"次生数据"(secondary data,即超出物种出现记录的生态上下文信息)难以高效获取的核心问题。社区科学平台(如 iNaturalist)已汇聚数亿张生物多样性图像,这些图像往往包含物种相互作用、行为、物候及干扰响应等复杂生态现象的证据。然而,现有工作流多依赖人工目视检查,导致这些信息在大规模上难以访问。传统基于元数据的过滤方法(如分类群、地点和时间)只能描述出现记录本身,无法捕捉其生态背景;而深层生态描述符(如行为、相互作用和生境)则存在标注稀疏、不一致或完全缺失的问题——iNaturalist 超过 3 亿条记录中仅不足 25% 包含任何附加注释。虽有监督深度学习方法可用于物种识别,但针对开放性的次生生态信息训练此类模型需要特定概念标注数据集、专业知识和大量计算资源,限制了其在大规模开放性应用中的实用性。视觉-语言模型(Vision-Language Models, VLMs)通过学习将图像和自然语言映射到共享高维表征空间,为降低访问壁垒提供了可行路径,但此前研究主要集中于建立检索能力,尚未充分探索其在专家引导生态工作流中的完整应用。基于此,研究人员开展了本项研究,旨在构建一个将开放性视觉-语言检索、专家验证和迭代查询优化整合于一体的生态信息学框架,证明大型社区科学图像库可作为复杂、情境依赖性现象的视觉生态证据来源,并为检索策展生态证据的实践局限性和未来方向提供特征描述。该研究成果发表于《Ecological Informatics》。

本研究采用的关键技术方法包括:基于 INQUIRE-Bench(iNaturalist 生态概念检索评估子集)选取视觉-语言模型骨干 SigLIP-So400m-384-14,该模型在此基准上表现最优;利用该模型将约 3 亿张 iNaturalist 图像及自然语言查询映射至共享语义空间;采用 FAISS(Facebook AI Similarity Search)向量索引实现亚秒级相似性检索;构建基于浏览器的轻量级界面支持元数据过滤(分类群、地理和日期)、快速检查与专家验证,以及带完整元数据的 CSV 格式导出。验证工作流遵循"查询与优先化—检索与验证—导出与分析"的标准化人在环流程,其中相关性由专家按案例特定标准判定,检查预算通常为 200–500 张图像,并与传统 iNaturalist 元数据过滤基线(结构化属性字段或关键词匹配)进行效率比较。

**案例研究一:鸟类食性的季节变化**

本案例旨在评估 INQUIRE-Search 能否从社区来源照片中恢复跨季节的取食事件并复现已知的食性模式。研究人员针对灰颊鸫(Catharus minimus)、古代海雀(Synthliboramphus antiquus)、美洲树雀鹀(Spizelloides arborea)、红腹啄木鸟(Melanerpes carolinus)和美洲知更鸟(Turdus migratorius)五种物种,按 SAviTraits 数据库的七类食性分类系统,分别构建"物种名 with 食性类型 in its mouth"形式的自然语言查询,并对夏季(6–8月)和冬季(12–2月)分别检索。每种物种-食性类型-季节组合检查最多 500 张图像,每种物种最多检查 7000 张。结果显示,INQUIRE-Search 能回收大量可验证取食事件并复现已知季节食性趋势:美洲知更鸟夏季食性中果实和无脊椎动物比例大致相当,红腹啄木鸟食性以种子为主(INQUIRE-Search 中占 50%,SAviTraits 中为 40%);冬季三种可分析物种均表现出单一食物类别占主导的特化模式。然而,古代海雀和灰颊鸫的相关图像极少(Nret≤2),表明罕见或拍摄量少的物种仍受数据可得性限制。与基线(关键词"eating"+食性词)相比,INQUIRE-Search 在美洲知更鸟、红腹啄木鸟和美洲树雀鹀中分别获得 669、395 和 188 条有效记录,而基线仅分别获得 105、27 和 12 条,且后两种物种基线为零结果。

**案例研究二:火灾后森林再生**

本案例评估 INQUIRE-Search 能否在 2012 年 High Park 火灾边界内识别年轻针叶树和阔叶树个体,并检验其出现频率在不同燃烧严重度等级间的变异。研究人员使用"young coniferous trees in burned forest"和"young deciduous trees in burned forest"查询,空间上限制于火灾边界(40.57–40.75°N, 105.18–105.54°W),时间上限制于火灾后。在 200 张顶部检索图像的检查中,阔叶树验证 78 张(筛选产出率 Y=0.70),针叶树验证 45 张(Y=0.45)。基线方法(地理+时间过滤后检查首 200 张)仅获针叶树 6 张(Y=0.03)和阔叶树 19 张(Y=0.095)。恢复曲线显示 INQUIRE-Search 在仅检查 9 张(针叶树)和 46 张(阔叶树)后即达到基线完整 200 张的产出。基于 INQUIRE-Search 数据集的分析发现,针叶树再生与燃烧严重度呈更强负相关,而阔叶树再生分布较均匀,与以往研究一致;但存在坐标精度粗(0.01°)、幼苗与灌木难以区分、以及可及性偏倚等局限。

**案例研究三:野生动物死亡率**

本案例探索利用 INQUIRE-Search 收集城市(波士顿)和农村(Pioneer Valley)环境中的死亡事件,以调查季节性死亡动态并比较不同人为背景下的相对死亡率。研究在城市区域检查 1000 张、农村区域检查 360 张图像,分别验证 545 和 79 起死亡事件。基线方面,iNaturalist 结构化"dead/alive"属性过滤在波士顿和 Pioneer Valley 分别仅得 295 和 42 条,关键词查询更仅获 46 和 8 条。季节性分析显示两地均在秋季迁徙期(9–10月)出现死亡高峰,但波士顿春季死亡率更高,Pioneer Valley 则缺乏明显的冬季下降。研究指出需注意检测偏倚:城市尸体更显眼,农村死亡因食腐和偏远地区可能被低估;且死亡率指数假设死亡观测与总观测之比能代理实际死亡率,该假设可能因检测概率的季节、地点或物种系统性变异而不成立。

**案例研究四:植物物候解析**

本案例检验 INQUIRE-Search 能否恢复加拿大南部魁北克地区常见乳草(Asclepias syriaca)的四个不同物候阶段:萌发/出现、开花、结实和衰老。各阶段分别使用"Milkweed germinating or emerging"、"Milkweed flowering"、"Milkweed producing seeds"和"Milkweed dying or withering/in senescence"查询,空间限制于 45.03–46.54°N, ?74.68–71.66°W,检查各 200 张图像。结果开花和结实数据集最大(Nret=169, Y=0.85;Nret=161, Y=0.81),出现和衰老较小(Nret=45, Y=0.23;Nret=52, Y=0.26)。与 iNaturalist 控制物候注释基线相比,出现和衰老阶段 INQUIRE-Search 效率显著更高(产出率比分别为 7.7 和 2.9),而开花阶段结构化过滤仍高效(Y=0.98),表明二者可互补。经 ANOVA 和 Tukey 检验,除出现与开花外,各阶段间日均值均存在显著差异(p<0.05),呈现清晰的时间递进序列。

**案例研究五:座头鲸个体再识别**

本案例评估 INQUIRE-Search 能否从非结构化社区科学图像中浮现个体可识别的座头鲸尾鳍图像,并将其与现有 ID 目录中的已知个体关联。针对"white underside of humpback whale fluke"查询并应用物种过滤,检查 200 张图像,验证 153 张高质量尾鳍图像(Y=0.77)。关键词"tail"基线仅获 42 张(Y=0.21),产出率比为 3.67。利用 Grounding DINO 裁剪和多物种再识别模型嵌入,将 INQUIRE-Search 图像与 Happy数据集匹配,57 条观测对应 34 个独特个体,扩展了个体的时空覆盖范围。

讨论部分首先阐述了 INQUIRE-Search 的实际设计考量与局限性:该系统将大型图像档案从被动存储库转变为交互式推理基质,科学家仍是查询、解释和验证的主导者,但瓶颈从数据收集转向验证;需"调谐"的参数包括识别适宜问题(数据充足、不过于宽泛、视觉可验证)、迭代精炼提示词(精确语言减少嵌入空间歧义)、管理检查工作量(排名靠前子集常能以最小冗余恢复最相关观测),以及识别不确定性与偏倚(社区科学平台的观测者偏倚、VLMs 的关系/组合推理困难、误校准或虚假相关性问题,可通过选择性预测和不确定性量化整合入工作流)。其次,论文说明 INQUIRE-Search 基于嵌入和检索而非重复模型推理,图像仅预计算一次,每次查询仅需单次文本嵌入和快速相似性匹配,边际能耗低,使其成为实用的大规模搜索检索方案。最后,未来扩展方面,INQUIRE-Search 的开源设计使其可适配任何大型图像集合;其性能将随生态检索模型进步而提升,包括生物多样性训练 VLMs、层次化生态概念嵌入和本体引导查询扩展等方向。

研究结论指出:"日益增长的生态图像数据库仍然是一种未被充分利用的科学资源。INQUIRE-Search——我们提出的通过基于文本的搜索进行高效、开放性数据发现和验证的工作流——使从鸟类食性到植物物候的多样生态现象的可扩展分析成为可能。通过帮助科学家从社区来源图像中提取生态证据,它最大化现有数据集的价值,为假设检验提供低资源起点,并帮助优先安排资源密集型的数据收集活动以填补剩余空白。然而,任何新的实验方法学都需要最佳实践以确保严谨、可重复和无偏倚的分析。我们的案例研究展示了潜在应用的多样性,并证明了专家能够多么高效地将假设转化为可支持探索性分析和推动形式化推断的策展数据集:这为在快速变化的世界中加速生态洞察提供了可扩展的路径。通过减少跨庞大图像数据库的发现时间,该系统实现了更快的假设生成和后续研究的优先排序。虽然基于搜索的发现不能替代系统调查,但它可以揭示有助于优先安排靶向数据收集和形式化假设检验的模式、空白和候选信号。"
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号