利用目标检测和水动力模拟技术，揭示希腊伊庇鲁斯地区山区河流中水流与栖息地之间的关系

《Science of The Total Environment》：Unlocking flow–habitat relationships in mountain rivers of Epirus, Greece using object detection and hydrodynamic simulation

鱼类微生境适应性研究整合机器学习与生态水力学模型，以希腊Voidomatis河西巴尔干鳟鱼为对象，分析不同流量下（1.85-33.5 m3/s）深度（1.0 m）与流速（0.6 m/s）对栖息地适宜性的影响。通过Faster R-CNN和YOLOv8模型检测水下视频中的鱼类（F1-score＞90%），结合HEC-RAS模拟的18种流量情景，构建栖息地适宜性曲线，发现14.8 m3/s流量时加权可用面积（WUA）最大，验证了多模型融合在生态监测中的应用价值。

　　本研究聚焦于探讨人类活动对水生生态系统的影响，特别是通过结合机器学习（ML）和生态水文模型，评估鱼类在不同水流条件下的微生境适宜性。水生生态系统在面对自然和人为干扰时，其结构和多样性受到多方面因素的制约，包括物理环境和生物因素的变化。因此，维持河流生态系统的健康与自我恢复能力，需要深入理解这些环境压力与生物影响之间的关系，尤其是在水生生物的生存与繁衍方面。水文条件的变化，如水流速度、水深等，是影响鱼类分布、迁移和行为的重要因素，而“环境流”——即维持生态系统所需的最低水流水平，是评估鱼类栖息地质量的关键参数。

近年来，随着计算机视觉技术的迅速发展，尤其是深度学习在图像处理领域的应用，为非侵入式鱼类监测和行为追踪提供了新的可能性。传统方法如电捕鱼、浮潜调查、水下摄像等，虽然在某些情况下仍具优势，但往往受限于空间分辨率、模型不确定性以及缺乏实时生态反馈。相比之下，基于视频的计算机视觉技术，结合机器学习模型，能够在复杂、动态的水下环境中实现更高效、更精确的鱼类检测。本研究通过应用Faster R-CNN和YOLOv8这两种主流的物体检测算法，评估其在水下视频分析中的性能，并结合水文模型，探讨不同水流条件对鱼类微生境的影响。

研究对象为西巴尔干鳟鱼（*Salmo farioides*），这是一种生活在冷水资源中的鱼类，是 Vikos-Aoos 国家公园和 Natura 2000 生态网络中受保护的物种。Voidomatis 河流作为研究区域，以其接近自然的环境特征而著称。为了更好地了解鱼类在河流中的微生境使用情况，研究团队利用水下摄像技术，结合遥感和地理信息系统（GIS）技术，识别河流中的水文形态单元，如水潭、急流、缓流等，并选取具有代表性的河段进行详细调查。

研究团队采用了一种便携式水下设备，配备双摄像头，以确保在复杂水流条件下获取高质量的视频数据。这些视频数据随后被用于训练和测试Faster R-CNN和YOLOv8模型，以检测水下鱼类的存在和位置。为了提高模型的泛化能力，研究团队还应用了多种数据增强技术，包括水平翻转、垂直翻转、高斯模糊和仿射变换。这些增强方法显著提升了模型在不同光照和水流条件下的表现，尤其是在高浊度环境中，模型的鲁棒性和准确性得到了进一步验证。

通过比较两种模型的性能，研究发现Faster R-CNN在大多数数据增强策略下表现出更高的平均精度（mAP50–95），这表明其在识别多种鱼类和复杂水下环境中的优势。尽管YOLOv8在某些指标上表现良好，如精度（Precision），但其在识别更多鱼类和减少误检方面稍逊一筹。这一结果对于生态研究具有重要意义，尤其是在水下视觉信息不清晰、鱼类行为难以直接观测的情况下，Faster R-CNN的高精度和高召回率使其成为评估鱼类微生境的更优选择。

此外，研究还结合了水文模型，以模拟不同水流条件下的水深和流速变化。通过将这些物理参数与鱼类的分布和行为数据进行关联，研究团队构建了栖息地适宜性曲线（HSCs），并进一步计算了加权可用面积（WUA），以量化不同水流条件下的栖息地质量。结果显示，在14.8 m3/s的流量条件下，WUA达到峰值，表明该流量水平为鱼类提供了最适宜的生存环境。这一发现对于制定可持续的河流管理策略具有重要参考价值，有助于确保水流的稳定性和生态系统的长期健康。

尽管本研究取得了一定成果，但仍存在一些局限性。例如，水下视频记录在高流量条件下可能受到限制，鱼类行为的观测可能会被遗漏。此外，由于鱼类通常只能从一个方向被观测到，部分行为可能难以捕捉。然而，通过将视频数据与水文模型相结合，研究团队能够更全面地理解鱼类在不同微生境中的使用情况，并为生态保护提供科学依据。

本研究的创新之处在于，首次将机器学习驱动的鱼类检测与生态水文建模相结合，以评估河流系统的微生境适宜性。这种多学科交叉的方法不仅提高了鱼类监测的效率，还为生态系统的动态评估提供了新的视角。通过这种整合，研究团队能够更准确地识别鱼类在特定水流条件下的分布模式，并据此优化环境流的设定，以支持鱼类的生存和繁衍。

未来的研究可以进一步扩展本研究的成果，例如引入更多环境变量，如底质类型、水温、溶解氧含量等，以实现更全面的栖息地评估。此外，随着数据采集技术的进步，研究团队还可以探索更大范围的河流系统，以验证本方法的普适性。同时，对于不同鱼类种群和栖息地类型，可以进一步优化模型参数，提高检测精度和适应性。

本研究的意义不仅在于技术层面的创新，还在于其对生态管理和保护的深远影响。通过建立一个基于视频观测、机器学习和水文模型的综合框架，研究团队为河流生态系统的可持续管理提供了科学支持。这种方法可以在水下环境复杂、监测难度高的区域广泛应用，为生态学研究和环境保护提供新的工具和思路。此外，该方法还可以为政策制定者提供数据支持，以制定更加科学和合理的河流管理措施，确保生态系统的健康和稳定。

总之，本研究通过结合机器学习和生态水文建模，为评估鱼类微生境适宜性提供了一种创新的方法。该方法不仅克服了传统监测手段的局限性，还为未来的生态研究和管理策略提供了新的可能性。随着技术的不断进步和数据的持续积累，这种方法有望在更广泛的生态系统中得到应用，为保护和恢复水生生物多样性做出更大贡献。