基于计算机视觉的浮筒飞机水生植物传播监测：一种防控入侵物种扩散的新方法

这篇研究通过浮筒飞机（floatplane）翼支柱安装的GoPro相机采集图像数据，开发了基于改进ResNet-18的计算机视觉模型（准确率83.9%，F1得分0.82），实现了对水生植物（如Elodea spp.）在飞行过程中附着舵面的实时检测。研究首次量化了植被传输概率（85.7%短途飞行仍携带附着物），为开发机载预警系统和制定入侵物种（AIS）防控策略提供了关键技术支撑。

　　

Abstract
浮筒飞机作为阿拉斯加等偏远地区的重要交通工具，其方向舵是水生植物（如Elodea spp.）跨水体传播的已知载体。研究通过翼支柱安装的GoPro相机采集了126次飞行共5270张图像，开发了多种计算机视觉模型。改进的ResNet-18模型在测试集上达到83.9%准确率和0.82的F₁值，显著优于传统CNN和SVM方法。

Introduction
水生入侵植物Elodea通过浮筒飞机舵面传播已在阿拉斯加造成严重生态经济影响。该植物通过无性繁殖体扩散，其密集生长会挤占本土物种生存空间，导致鲑鱼幼体发育迟缓，并造成单次飞行150-200美元的额外成本。研究首次系统探索了植被附着动态与飞行时长的关系。

Methods
数据采集阶段使用4台Hero10相机（配备疏水镜头）以10秒间隔拍摄舵面图像。经人工标注（0-3分制）后保留4842张高置信度图像，通过随机翻转、5°旋转和模糊处理增强数据。模型筛选涵盖逻辑回归、SVM、MLP及改进的AlexNet与ResNet-18，采用k折交叉验证（k=10）评估性能。

Results
关键发现包括：

1. 改进ResNet-18的宏F₁得分达0.83，误判多发生于水面/低空飞行场景（图4）；
2. 70次初始附着飞行中，60次（85.7%）降落时仍携带植被；
3. 飞行时长＞5分钟时，植被脱落率升至25.9%，但仍显著高于预期。

Discussion
该技术具备三大应用前景：

1. 开发基于平板电脑的边缘计算（edge computing）实时预警系统；
2. 为扩散模型提供传输概率参数；
3. 指导舵面设计改进。未来需扩大样本量验证长距离飞行中的植被脱落规律，并优化模型在复杂光照条件下的鲁棒性。研究为防控水生入侵物种传播提供了创新性技术解决方案。