我国首次启用蝴蝶监测环境或能预警极端天气

2016-07-12 21:24 | 人民日报海外版 | 手机看国搜 | 打印 | 收藏 | 扫描到手机

缩小放大

核心提示：[导读]在众多生物中，蝴蝶被公认为对气候变化最敏感的指示物种之一。近日，环保部首次启用了蝴蝶监测的方式，在全国范围内进行生物多样性观测。责编:陈健。

[导读]在众多生物中，蝴蝶被公认为对气候变化最敏感的指示物种之一。近日，环保部首次启用了蝴蝶监测的方式，在全国范围内进行生物多样性观测。责编:陈健。

在众多生物中，蝴蝶被公认为对气候变化最敏感的指示物种之一。近年来，我国雪灾、干旱、龙卷风等极端气候现象频繁出现。从长远看，这些气候变化现象或许可以用生物监测来预警。近日，环保部首次启用了蝴蝶监测的方式，在全国范围内进行生物多样性观测。有着“蝴蝶教授”之称的李朝晖近日在接受本报独家采访时指出，蝴蝶群类已经在地理分布范围、生活史特征以及生物多样性变化等方面对气候变化做出响应。

技术符合国际标准

环保部这次启动的首次全国蝴蝶监测，覆盖国内所有省、自治区、直辖市。之所以选择蝴蝶作为监测对象，是因为蝴蝶对环境的反应速度超过鸟类和其它昆虫，是目前国际上公认的高灵敏性环境变化指示生物，也是陆地生态系统指示生物的最佳代表，此前已经有欧洲、北美的相关国家采用蝴蝶监测的方式进行生物多样性观测。

南京晓庄学院应用生态研究所所长李朝晖在接受本报采访时指出，随着国内城市化现象的不断扩大，自然环境发生了极大的改变。“蝴蝶是以植物为食的昆虫，某种蝴蝶对应某种植物，一旦某种植物消失，则以此为食的蝴蝶也会消失不见；还有一种说法，因为蝴蝶是变温动物，不能调节自身体温，所以对气候的变化是十分敏感的。”李朝晖说，环保部之前采用鸟类、两栖动物进行监测，现在时机和条件成熟，蝴蝶就能派上用场了，这一技术完全符合目前国际通用准则。

“我们从2009年开始与德国亥姆霍兹环境研究中心合作，率先在国内启用蝴蝶监测。”李朝晖表示。

或能预警极端天气

据有关学者介绍，蝴蝶在漫长的进化过程中，形成了与气候要素间的稳定关系，为其生命发展、进化、生存和繁衍奠定物质基础。通过分析蝶类种群组成、结构、多样性及其动态、趋势等，监测和预警气候变化对生态环境的影响，可以从生物层面上科学地反映气候变化对生态系统产生的作用。由于近年我国雪灾、干旱、龙卷风等极端气候现象频繁出现，因此从长远看这些气候变化现象或许可以用生物监测来预警。

环保部南京环科所专家指出，我国一直缺少野生动物长期监测数据，现有生态监测体系也多为对生态环境和森林植被等的监测，野生动物监测也多被边缘化。

鉴于气候变化影响可能有滞后效应，只有建立包括动植物学在内的多学科长期监测站点，或在现有的监测站点中开展野生动物长期监测，将野生动物监测纳入国家监测体系，才能为应对全球气候变化提供长期的监测数据。

因此，专家建议，应加强对气候变化在不同层面上对野生动植物影响机制的研究，提早调整对野生动植物及其生存环境的保护措施。

市民也可全程参与

事实上，20世纪50年代初，国外就将蝴蝶作为一种环境变化及优劣的指示动物，对蝴蝶进行长期系统检测起源于英国，开始于1976年。首个具有统一标准、大规模的监测计划是英国蝴蝶监测计划，其旨在通过长期监测蝴蝶的种类与数量来反映环境质量的变化。目前，已有众多的蝴蝶监测项目在全球范围内展开，美国、澳大利亚、日本等国家均有大范围的蝴蝶监测项目正在实施。

如今，李朝晖教授正在筹建“江苏蝴蝶监测网”，并与环保部对接。网站除了介绍蝴蝶、环境方面的相关知识外，还会提供给市民参与环保的新途径。例如：市民可以自己设计路线，定期观察其间蝴蝶的变化并上传到网站。“日积月累，我们的监测会越来越细化，得出的环境变化结论也会更加精确。”李朝晖说。

几十年来，我国在蝴蝶领域开展了一定的研究工作，但多是在分类学方面，蝴蝶多样性及生态学方面研究较少，更缺乏长期的蝴蝶监测工作。同时，有关蝴蝶种类组成、分布与种群动态的监测工作也是刚刚起步。尽管陕西和江苏省分别在秦岭地区和南京地区开展蝴蝶监测工作，但从整体上看，目前我国尚未建立起有效的、完善的蝴蝶监测网络，整个监测处于分散和不规范的初级阶段，未形成可直接应用于蝴蝶监测的完整和成熟的技术体系。

【此内容为优化阅读，进入原网站查看全文。如涉及版权问题请与我们联系。8610-87869823】

<<返回国搜首页进入国搜报刊频道>> 国搜地图>>

阅读推荐

专家深谈：深度学习成功的启示，以及，为什么它不能解决全部AI问题？

开放问题大数据支撑的深度学习的复兴固然是AI领域的里程碑式进步，但并不意味着深度学习具有解决全部AI问题的潜力。下面对深度学习领域的开放性问题做讨论。1、举一反三：大数据是否学习之必需？大数据是深度学习成功的基石，大数据之于深度学习，恰如燃料之于火箭。越来越多的应用领域正持续积累着日趋丰富的应用数据，这为深度学习的进一步发展和应用至关重要。然而，过分倚重有标注的大数据也恰恰是深度学习的局限性之一。数据收集是有成本的，而且标注成本已经开始水涨船高，而且还有一些领域存在着难以收集数据的问题。例如在医疗诊断领域，一些较为罕见的疾病的相关数据收集是困难的。更重要的，当我们把人的智能作为参照系的时候，自然就会问：人的智能是否是大数据学习的结果呢？其答案并不显然。从人类个体的角度来说，答案很可能是否定的：我们甚至可以只见过一个苹果（甚至只是一张苹果图片）就学会了识别苹果，而无需观察成百上千个不同的苹果。但是，这样批判深度学习看似有理有据，却未必是公平的：人类作为一个种群，进化过程中已经见过了何止成百上千个苹果？但无论如何，“小数据”如何驱动深度学习或其他机器学习方法是一个值得探索的新方向。在这个意义上，基于无监督数据的学习、相似领域的迁移学习、通用模型的领域适应、知识与经验的嵌入等方法是非常值得关注的。2、无师自通：如何获取无监督学习能力？获取有标注数据的时间和金钱成本很高，但大量无监督数据的获取成本却是微乎其微的。而目前深度学习对无监督数据的学习能力严重不足，以致大量无监督数据就像富含黄金的沙海，我们却没有高效淘金的利器。有趣的是，回顾深度学习的历史，我们应该记得2006年Hinton教授等人倡导的却恰恰是利用无监督学习来对深层神经网络进行预训练。但此后，特别是DCNN兴起之后，无监督的预训练似乎已经被很多研究者所抛弃（特别是在CV领域）。直接从大量无监督数据中学习模型确实是非常困难的，即便是人这部“机器”，也有“狼孩”的例子警告我们“无师自通”似乎是不现实的。但“少量有导师数据+大量无导师数据”的模式也许是更值得大力研究的。3、从参数学习到结构学习？深度学习以“数据驱动”范式颠覆了“人造特征”范式，这是一个重大的进步。但与此同时，它自己又陷入了一个“人造结构”窠臼中。无论Hinton教授组最初设计的AlexNet，还是后来的VGG，GoogLeNet，ResNet等等，都是富有经验的专家人工设计出来的。给定一个新问题，到底什么样的网络结构是最佳的（如多少卷积层）却不得而知，这在一定程度上阻碍了深度学习在更多智能任务上的普及和应用。因此，同时学习网络结构和网络参数是一个值得大力关注的研究方向。从计算的角度来看，全面的学习网络结构是极其复杂的。尽管近期已经有一些这方面的尝试，如剪枝算法、网络约简等，可以在一定程度上调整网络结构。同时也出现了少量对网络的结构参数（如DCNN的kernel bank数量）进行学习的探索性工作，但尚处于起步阶段。4、如何在预测阶段进行反馈与网络调制？我们知道，人类视觉系统在实现“看见”的过程中，视觉通路上神经细胞接受的输入并非仅仅来自低层或同层的神经元，还大量接受高层神经元的反馈信号，并受到来自其他神经子系统（如听觉）的信号的调制。与之相比，我们目前常用的深度神经网络（特别是DCNN）在训练完成后的特征提取或预测阶段，低层神经元大多无法接受高层神经元的反馈信号，也没有机制接收其他信号（比如先验或其他模态信息）的调制。这意味着先验知识、上下文、猜测和想象（脑补）等“智能”能力难以在现有深度网络上得到应用和体现。如何突破这一困局，赋予深度网络感知阶段的自适应调制能力，是值得大力研究的。5、如何赋予机器演绎推理能力？基于大数据的深度学习可以认为是一种归纳法，而从一般原理出发进行演绎是人类的另一重要能力，特别是在认知和决策过程中，我们大量依赖演绎推理。而演绎推理在很多时候似乎与数据无关。例如，即使不给任何样例，我们也可以依赖符号（语言）描述，来学会识别之前从未见过的某种物体。这样的zero-shot学习问题看似超出了深度学习的触角范畴，但也许未必不可企及。例如，近年来越来越多的基于深度学习的产生式模型正在努力实现从符号（概念）到图像的生成。山世光，博士，中科院计算所研究员、博导，中科院智能信息处理重点实验室常务副主任。主要从事计算机视觉、模式识别、机器学习等相关研究工作，特别是与人脸识别相关的研究工作。已在计算机学会推荐的A类国际刊物和会议上发表论文50余篇，论文被Google Scholar引用9000余次。曾应邀担任过ICCV，ACCV，ICPR，FG等多个国际学术会议的领域主席（Area Chair），现任IEEE Trans. on Image Processing，Neurocomputing和Pattern Recognition Letters等国际刊物的编委（AE）。研究成果获2005年度国家科技进步二等奖和2015年度国家自然科学奖二等奖，2012年度基金委“优青”获得者，2015年度CCF青年科学奖获得者。雷锋网(搜索“雷锋网”公众号关注)注：本文由深度学习大讲堂（公号）授权雷锋网发布，转载请联系授权，并务必保留作者和出处，不得删减内容。 [详细]

2016-07-12 19:37:03 雷锋网