DOI: https://doi.org/10.1016/j.ecolmodel.2025.111472
تاريخ النشر: 2026-01-12
المؤلف: Emre Anakok وآخرون
الموضوع الرئيسي: دراسات النباتات والحيوانات
نظرة عامة
تبحث الدراسة في دور الملقحات في تكاثر النباتات وكيف تؤثر محركات التغيير العالمية، مثل تغير المناخ وتعديلات استخدام الأراضي، على تفاعلات النباتات والملقحات. باستخدام الشبكات العصبية البيانية (GNNs) لتحليل مجموعات البيانات الكبيرة، تؤكد الدراسة على أهمية طرق التفسير لفهم تأثير المتغيرات البيئية على اتصال شبكة التلقيح. تم إجراء دراسة محاكاة شاملة لتقييم هذه الطرق التفسيرية، مع التركيز بشكل خاص على تأثيرات التفاعل بين المتغيرات وأجناس النباتات على الاتصال. تكشف النتائج أنه بينما يمكن اكتشاف وتقدير التأثيرات الفردية، تظهر التحديات عندما تعتمد التأثيرات على مجموعات من العقد.
تظهر تطبيق هذه الطرق على مجموعة بيانات Spipoll التأثير الكبير لاستخدام الأراضي على اتصال الشبكة، مع تأثيرات العينة التي تغير جزئيًا التقديرات. تسلط الدراسة الضوء على ضرورة وجود أطر محاكاة قوية لتقييم أداء طرق التعلم الإحصائي في هذا السياق. على الرغم من أن التركيز الأساسي كان على الاتصال، يقترح المؤلفون أن مقاييس الشبكة الأخرى، مثل التعشيش والهيكلية، يمكن أيضًا استكشافها باستخدام منهجيتهم المقترحة. تؤكد البحث على إمكانيات طرق التفسير في تقديم رؤى حول بيانات الشبكات الثنائية، خاصة في سياقات العلوم المواطنية، مع الاعتراف بالحاجة إلى التكيفات عند تطبيق هذه الطرق على مجموعات بيانات أصغر من الحملات العلمية.
مقدمة
تناقش مقدمة الورقة التأثيرات الكبيرة للأنشطة البشرية، مثل تغير المناخ واستخدام الأراضي، على تجمعات الملقحات، والتي تم توثيقها في دراسات مختلفة (Bartomeus et al., 2018; Imperatriz-Fonseca et al., 2016). تسلط الضوء على فائدة الشبكات الثنائية لتحليل التفاعلات بين النباتات والملقحات، كاشفة كيف يؤثر استخدام الأراضي على تركيبة الملقحات وبنية الشبكة. على وجه التحديد، بينما يمكن أن تعزز الأراضي الزراعية عمومية الملقحات وقوتها ضد الانقراض (Deguines et al., 2012; Redhead et al., 2018)، فإن تكثيف الزراعة يشكل تهديدًا لأنواع الملقحات البرية (Duchenne et al., 2020). تدعم البيئات الحضرية عمومًا تنوعًا بيولوجيًا أقل، على الرغم من أن استخدامات الأراضي الحضرية المحددة يمكن أن تؤدي إلى وفرة متفاوتة من الملقحات (Baldock et al., 2019).
تؤكد الورقة على ضرورة وجود بيانات تفاعل على نطاق واسع لتقييم تأثيرات استخدام الأراضي والمناخ على الشبكات البيئية، facilitated by مبادرات العلوم المواطنية مثل برنامج Spipoll، الذي جمع بيانات واسعة حول تفاعلات النباتات والملقحات عبر فرنسا. ومع ذلك، تشير إلى إمكانية وجود تحيز في العينة inherent في العلوم المواطنية (Jiguet, 2009; Bird et al., 2014). يقترح المؤلفون الاستفادة من تقنيات التعلم الآلي، وخاصة الشبكات العصبية البيانية (GNNs)، لتحليل هذه البيانات مع معالجة تحيزات العينة (Anakok et al., 2024). على الرغم من دقتها التنبؤية، غالبًا ما تعمل GNNs كـ “صناديق سوداء”، مما يستلزم وجود تفسير لتعزيز تطبيقها في علم البيئة (Cipriano et al., 2025). توضح الورقة هيكلها، بدءًا من مراجعة طرق تفسير GNN، تليها وصف لهندسة GNN، ودراسة محاكاة للتحقق من صحة هذه الطرق، وأخيرًا، تطبيق الطرق على مجموعة بيانات Spipoll لتحديد المتغيرات المؤثرة على اتصال الشبكة.
طرق
تناقش هذه القسم طرق مختلفة تعتمد على انتشار الأهمية لتفسير الشبكات العصبية البيانية (GNNs)، مع تسليط الضوء على تطبيقها في توقع الاتصال. تشمل هذه الطرق، مثل انتشار الأهمية على مستوى الطبقة (LRP)، وExcitationBP، وGNN-LRP، نشر درجات الأهمية من الطبقات العليا إلى السفلى، مما يسمح بتفسير شفاف. بالإضافة إلى ذلك، يتم استخدام تقنيات مثل DeepLIFT وDeconvolution لتقييم مساهمات الميزات في توقعات الروابط. يؤكد المؤلفون على الحاجة إلى طرق النسبة التي يمكن أن تقدر درجات الميزات بشكل عالمي، خاصة في سياق المخرجات المستمرة، حيث أن الاتصال هو مقياس مستمر.
توضح الورقة فائدة طرق النسبة من خلال مثال شبكة ثنائية محاكاة، حيث تكشف الاضطرابات في قيم الميزات عن تأثيرها على الاتصال المتوقع. يشير المؤلفون إلى أنه بينما يمكن أن تكون طرق انتشار الأهمية معقدة، فإن طرق الاضطراب مثل SmoothGrad وIntegrated Gradients توفر رؤى أوضح حول أهمية الميزات. كما يقدمون تفسيرات شابلي البيانية، التي تعدل نظرية قيمة شابلي لـ GNNs، مما يسمح بتوزيع أهمية الميزات على مستويات العقد والميزات. يبقى التركيز على الطرق التي يمكن أن تتعامل بفعالية مع تفاصيل GNNs ومقاييس الاتصال المستمرة.
نتائج
تشير نتائج هذه الدراسة إلى أن الجمع بين طرق النسبة المختلفة يمكن أن يستعيد بشكل فعال الإشارة الصحيحة وحجم المتغيرات عندما تمارس تأثيرًا فرديًا على النتيجة. ومع ذلك، عندما يكون للمتغيرات تأثيرات متعددة تعتمد على مجموعات العقد، يصبح من الصعب تمييز التأثير النسبي لكل متغير، مما يعقد تحديد إشاراتها. تم تقدير وتصنيف ما مجموعه 1826 ميزة مجمعة، مع حساب الرتب الوسيطة لتحديد المتغيرات الأكثر تأثيرًا على الاتصال. من الجدير بالذكر أن المتغيرات البيئية واستخدام الأراضي كانت بارزة بين أفضل 100 ميزة مؤثرة، حيث كانت 58 مرتبطة بهوية النبات، مما يبرز أهمية أجناس النباتات في الاتصال.
كشفت التحليلات أن المناطق الحضرية الخضراء والنسيج الحضري المتقطع لهما تأثيرات متناقضة على الاتصال، حيث يؤثر الأول بشكل إيجابي والأخير بشكل سلبي، كما تم تأكيده من خلال دراسات سابقة. أبرز نموذج fair-BVGAE أهمية هوية النبات، مع تصنيف أجناس معينة مثل Alliaria وLavandula بشكل عالٍ. من المثير للاهتمام أن تأثير درجة الحرارة كان إيجابيًا باستمرار، بينما أظهر متغير السنة ارتباطًا سلبيًا، مما يتماشى مع النتائج التي تفيد بأن بعض أنواع النحل تستفيد من ارتفاع درجات الحرارة. كما لاحظت الدراسة أن أخذ مستويات خبرة المراقبين في الاعتبار غيرت تصنيفات الميزات المؤثرة، مما يشير إلى أن تصور الاتصال يتأثر بتحيز المراقب. بشكل عام، تؤكد النتائج على التفاعل المعقد بين هوية النبات، واستخدام الأراضي، ومحركات التغيير العالمية على اتصال شبكة النباتات والملقحات، داعية إلى الحذر في تفسير بيانات العلوم المواطنية وتسلط الضوء على سبل البحث المستقبلية حول تأثيرات الحفظ.
مناقشة
تستعرض قسم المناقشة في الورقة التقدمات الأخيرة في تفسير الشبكات العصبية البيانية (GNNs)، مع التركيز بشكل أساسي على طرق التفسير بعد الحدث. يتم تصنيف هذه الطرق إلى أساليب صناديق سوداء وصناديق بيضاء، حيث تفتقر الأولى إلى الوصول إلى معلمات GNN والتدرجات، بينما تستخدم الأخيرة هذه المعلمات. يحدد المؤلفون أربع فئات رئيسية من تقنيات التفسير بعد الحدث: طرق تعتمد على التقريب، وطرق انتشار الأهمية، وطرق تعتمد على الاضطراب، والتفسيرات التوليدية. تشمل الأمثلة البارزة تحليل الحساسية (GNNSA) لطرق الصناديق البيضاء وGraphLime لطرق الصناديق السوداء، التي تهدف إلى تقديم رؤى حول توقعات GNN من خلال تقريب أو إحداث اضطراب في النموذج الأصلي.
تقدم الورقة أيضًا هندسة GNN محددة، وهي مشفر-فك تشفير بياني ثنائي (BVGAE)، مصممة لمجموعة بيانات Spipoll، التي تتضمن توقع تفاعلات النباتات والملقحات. يستخدم BVGAE هيكل مشفر-فك تشفير لتعلم التضمينات من رسم بياني ثنائي، مع تحسين النموذج من خلال توقع الروابط. يؤكد المؤلفون على أهمية فهم مساهمات الميزات في الاتصال في شبكة النباتات والملقحات، باستخدام طرق النسبة المختلفة لتقييم تأثير الميزات المدخلة على الاتصال المتوقع. تختتم القسم بتفاصيل دراسات المحاكاة المصممة لتقييم أداء هذه الطرق التفسيرية، مع تسليط الضوء على أهمية تحديد مساهمات الميزات بدقة في الشبكات البيئية المعقدة.
DOI: https://doi.org/10.1016/j.ecolmodel.2025.111472
Publication Date: 2026-01-12
Author(s): Emre Anakok et al.
Primary Topic: Plant and animal studies
Overview
The research investigates the role of pollinators in plant reproduction and how global change drivers, such as climate change and land use modifications, affect plant-pollinator interactions. Utilizing graph neural networks (GNNs) for analyzing large-scale datasets, the study emphasizes the importance of interpretability methods to understand the influence of environmental covariates on pollination network connectivity. An extensive simulation study was conducted to evaluate these interpretability methods, particularly focusing on the interaction effects between covariates and plant genera on connectivity. The findings reveal that while individual effects can be detected and estimated, challenges arise when effects depend on groups of nodes.
The application of these methods to the Spipoll dataset demonstrates the significant impact of land use on network connectivity, with sampling effects partially altering the estimations. The study highlights the necessity of robust simulation frameworks to assess the performance of statistical learning methods in this context. Although the primary focus was on connectivity, the authors suggest that other network metrics, such as nestedness and modularity, could also be explored using their proposed methodology. The research underscores the potential of interpretability methods in providing insights into bipartite network data, particularly in citizen science contexts, while acknowledging the need for adaptations when applying these methods to smaller datasets from scientific campaigns.
Introduction
The introduction of the paper discusses the significant impacts of human activities, such as climate change and land use, on pollinator populations, which have been documented in various studies (Bartomeus et al., 2018; Imperatriz-Fonseca et al., 2016). It highlights the utility of bipartite networks to analyze interactions between plants and pollinators, revealing how land use influences pollinator composition and network structure. Specifically, while agricultural land can enhance pollinator generality and robustness against extinction (Deguines et al., 2012; Redhead et al., 2018), agricultural intensification poses a threat to wild pollinator species (Duchenne et al., 2020). Urban environments generally support lower biodiversity, although specific urban land uses can yield varying pollinator abundances (Baldock et al., 2019).
The paper emphasizes the necessity for large-scale interaction data to evaluate the effects of land use and climate on ecological networks, facilitated by citizen science initiatives like the Spipoll program, which has collected extensive data on plant-pollinator interactions across France. However, it notes the potential for sampling bias inherent in citizen science (Jiguet, 2009; Bird et al., 2014). The authors propose leveraging machine learning techniques, particularly graph neural networks (GNNs), to analyze this data while addressing sampling biases (Anakok et al., 2024). Despite their predictive accuracy, GNNs often function as “black boxes,” necessitating interpretability to enhance their application in ecology (Cipriano et al., 2025). The paper outlines its structure, beginning with a review of GNN interpretability methods, followed by a description of the GNN architecture, a simulation study to validate these methods, and finally, an application of the methods to the Spipoll dataset to identify influential variables on network connectivity.
Methods
The section discusses various relevance-propagation based methods for interpreting Graph Neural Networks (GNNs), highlighting their application in connectivity prediction. These methods, including Layer-wise Relevance-Propagation (LRP), ExcitationBP, and GNN-LRP, propagate relevance scores from higher to lower layers, allowing for white-box interpretability. Additionally, techniques like DeepLIFT and Deconvolution are employed to assess feature contributions in link predictions. The authors emphasize the need for attribution methods that can globally estimate scores for features, particularly in the context of continuous outputs, as connectivity is a continuous metric.
The paper illustrates the utility of attribution methods through a simulated bipartite network example, where perturbations to feature values reveal their impact on predicted connectivity. The authors note that while relevance-propagation methods can be complex, perturbation-based methods like SmoothGrad and Integrated Gradients provide clearer insights into feature importance. They also introduce Graph Shapley Explanations, which adapt Shapley value theory for GNNs, allowing for the attribution of feature importance at both the node and feature levels. The focus remains on methods that can effectively handle the nuances of GNNs and continuous connectivity metrics.
Results
The results of this study indicate that combining various attribution methods can effectively retrieve the correct sign and magnitude of covariates when they exert a singular effect on the outcome. However, when covariates have multiple effects depending on node groups, discerning the relative impact of each covariate becomes challenging, complicating the determination of their signs. A total of 1826 aggregated features were estimated and ranked, with median ranks calculated to identify the most influential variables affecting connectivity. Notably, ecological and land use variables were prominent among the top 100 influential features, with 58 related to plant identity, underscoring the significance of plant genera in connectivity.
The analysis revealed that green urban areas and discontinuous urban fabric have contrasting influences on connectivity, with the former positively and the latter negatively impacting it, as corroborated by previous studies. The fair-BVGAE model highlighted the importance of plant identity, with specific genera such as Alliaria and Lavandula ranking highly. Interestingly, the effect of temperature was consistently positive, while the year variable showed a negative association, aligning with findings that some bee species benefit from rising temperatures. The study also noted that accounting for observers’ experience levels altered the rankings of influential features, suggesting that the perception of connectivity is influenced by observer bias. Overall, the findings emphasize the complex interplay between plant identity, land use, and global change drivers on plant-pollinator network connectivity, advocating for caution in interpreting citizen science data and highlighting avenues for future research on conservation impacts.
Discussion
The discussion section of the paper reviews recent advancements in the interpretability of Graph Neural Networks (GNNs), focusing primarily on post-hoc interpretability methods. These methods are categorized into black-box and white-box approaches, with the former lacking access to GNN parameters and gradients, while the latter utilizes them. The authors outline four main categories of post-hoc interpretability techniques: approximation-based methods, relevance-propagation methods, perturbation-based methods, and generative explanations. Notable examples include Sensitivity Analysis (GNNSA) for white-box methods and GraphLime for black-box methods, which aim to provide insights into GNN predictions by approximating or perturbing the original model.
The paper also introduces a specific GNN architecture, the bipartite Variational Graph Auto-Encoder (BVGAE), tailored for the Spipoll dataset, which involves predicting plant-pollinator interactions. The BVGAE employs an encoder-decoder structure to learn embeddings from a bipartite graph, optimizing the model through link prediction. The authors emphasize the importance of understanding feature contributions to connectivity in the plant-pollinator network, utilizing various attribution methods to assess the influence of input features on expected connectivity. The section concludes by detailing the simulation studies designed to evaluate the performance of these interpretability methods, highlighting the significance of accurately identifying feature contributions in complex ecological networks.