用于物种识别的深度学习与捕食者-猎物同现推断之间的权衡：整合计算机视觉与生态统计模型的可复现 R 工作流

深度学习被用于计算机视觉问题中，在多个科学领域具有重要应用。例如在生态学中，人们对利用深度学习来自动化对大量图像的重复分析（如动物物种识别）的兴趣日益浓厚。然而，在生态学界广泛采用深度学习面临着具有挑战性的问题。首先，存在编程障碍，因为大多数算法是用 Python 编写的，而大多数生态学家精通 R。其次，深度学习在生态学中的最新应用侧重于计算方面和简单任务，而没有解决潜在的生态问题或进行统计分析来回答这些问题。在这里，我们展示了一个可复现的 R 工作流，以捕食者-猎物关系为案例研究，整合了深度学习和统计模型。我们阐述了深度学习在利用相机陷阱收集的图像上识别动物物种的应用，并使用多物种占域模型量化了空间同现。尽管模型分类性能一般，但无论我们分析的是真值数据集还是分类后的数据集，生态推断都是相似的。这一结果呼吁进一步研究在分配用于训练深度学习模型的时间和资源与我们通过生物多样性监测妥善解决关键生态问题的能力之间的权衡。我们希望我们的可复现工作流对生态学家和应用统计学家有用。所有材料（Rmarkdown 笔记本的源码和辅助文件）可从 https://github.com/oliviergimenez/computo-deeplearning-occupany-lynx 获取。