欧亚海狸（蓖麻纤维）和北美海狸（加拿大蓖麻）都已经存活了大约 400 年**——这些啮齿动物因其皮毛、肉、气味腺而被猎杀，并被认为是害虫。
如今，天生是海狸是件好事。
你看，上图中的雌性海狸正和她一岁的孩子轮流啃食一棵巨大的道格拉斯冷杉（pseudotsuga menziesii），她的母亲不时停下来评估树的角度和稳定性——研究表明，小海狸通过模仿成年人来学习定向砍伐的艺术，学习如何完成任务以及每次在哪里砍伐。
海狸使用树枝、植被、岩石和泥土来建造水坝和小屋（当泥土和树枝较少时，海狸用岩石建造水坝，如下图）;当然，他们砍伐树木作为建筑材料，让人们觉得他们在破坏木材，但水坝、池塘和水坝——储存水、过滤污染物并创造湿地的基础设施，供许多其他（濒危）物种在干旱时期使用。
在多项研究中，海狸与开放水域的大量增加有关——当海狸返回，重新引入一个地区时，干旱期间可用的开放水域比前几年不在那里时多 160%。
海狸池塘及其后面的湿地可以清除水道中的沉积物和污染物，阻止重要土壤的流失，并通过在沉积物中积累氮来提高淡水生态系统的生产力。
随后，随着海狸的回归，无脊椎动物群落、鱼类、爬行动物、涉禽、哺乳动物的数量激增。
在干旱时期储存水、过滤污染物、为濒危物种提供栖息地以及扑灭野火都是使海狸被认为是当今无可争议的关键物种的一部分。
在我国西北部，它们是受保护的动物，而欧洲、北美和加拿大的海狸则更高贵——投资数百万美元来支持它们的种群恢复。
虽然海狸的好处是众所周知的，但我们的知识仍然存在许多空白。
许多海狸池塘隐藏在远离人类住区的偏远溪流中，在那里它们几乎数不清。 我们不知道一个特定地区到底有多少海狸，它们的种群要去哪里，或者最迫切需要哪些流域来引入海狸。
它们很少被系统地调查——没有关于它们所在位置的基线。
这种情况正在开始改变。
在过去的几年里，一个由生物学家和谷歌程序员组成的研究海狸的团队一直在研究一种算法，以在卫星图像上发现这些大板所构建的基础设施。
该模型尚未公开。 一旦出现，潜力就令人垂涎欲滴——任何国家、地区都可以利用这个强大的绘图工具。
海狸绘图模型的起源很有趣。
谷歌有一个名为“房地产可持续性”（Real Estate Sustainability）的小组，水资源管理也是一项业务。 2024年，一名团队成员阅读了一本名为《水：自然史》的书，读到海狸创造了“可以容纳数百万加仑水”和“减少下游洪水和侵蚀”的湿地。
他被迷住了，贪婪地阅读其他书籍和文章，并滔滔不绝地谈论每次会议。 他的同事们也爱上了海狸。
这种痴迷与包容性的企业文化相得益彰。 （谷歌鼓励员工把时间花在他们感兴趣的项目上）。
程序员如何帮助龅牙架构师？
海狸的基础设施——蜿蜒的水坝、广阔的池塘和蜘蛛网状的运河——通常非常壮观，可以从太空中看到。 2024年，一位加拿大研究人员仔细观察了谷歌地球，发现了世界上最长的海狸坝，绵延超过15 公里。
程序员们开始怀疑，他们是否可以通过训练一种机器学习算法来为海狸研究做出贡献，该算法可以在卫星图像上自动检测海狸水坝和池塘——不是逐个检测，而是一次检测数千个。
程序员认为这在技术上是可行的。
他们提议与生物学家合作。 这位研究海狸的生物学家对池塘测绘的想法很感兴趣，因为她一直在指导她的学生使用谷歌地球来寻找海狸水坝，但这是一个费力的过程，需要无数小时在屏幕上跟踪山间溪流，寻找海狸池塘的特征。
合作开始了。 此任务最适合卷积神经网络，卷积神经网络是一种算法，用于确定给定的地理空间数据块是否包含特定对象，例如识别人群中罪犯的面孔，或者山间溪流是否包含海狸水坝。
生物学家提交了数千个已知海狸水坝、池塘的坐标，程序员将这些坐标与高分辨率图像相匹配，以教导算法模型识别海狸建筑的独特外观。
该团队还为算法提供了负面数据 - 没有海狸的溪流和湿地的图像 - 因此机器可以知道它不想要什么。
训练机器识别海狸池塘并不容易。 时隔 4 年，今年 2023 年 5 月，合作团队发表了一份 ** 显示了该模型的功效——在 98 年在5%的病例中，根据海狸的存在与否对景观进行了准确分类。
同行评审员一致认为该算法是可以的，但 985%的统计数据过于夸张，无法显示算法的完美性——当它实际使用时，很有可能犯错误并给出误报。
换句话说，机器仍然需要人类来检查他们的答案，但它无疑可以极大地加快生物学家的工作速度。
机器并不能取代生物学家的专业知识，算法模型使人类更有效率。
2024年，该模型将在北美加利福尼亚州开始试运行，以估计海狸种群数量，监测种群趋势，并计算海狸提供的生态系统服务，如储水和防火。
预计在不久的将来，它还将有助于在世界各地需要它的地区普遍获取和使用，弄清楚这些龅牙建筑师的重新引入，溪流和湿地的恢复，以及保护区的建立。
作者感谢您的关注（-
优质作者名单