基于YOLOv8深度学习算法的濒危海鸟繁殖群体全自动监测系统开发与生态应用

本研究针对传统濒危海鸟监测方法效率低、干扰大的问题，开发了基于YOLOv8的深度学习算法，整合空间保真度、运动模式等生态特征，实现了对白额燕鸥(Sternula albifrons)和普通燕鸥(Sterna hirundo)繁殖个体的自动识别计数（误差仅2%）与空间制图（准确率>90%），为野生动物保护提供了可扩展的自动化解决方案。

　　

在全球生态系统面临人类活动与气候变化的双重压力下，近半数海鸟种群数量持续下降，传统监测方法如人工观察和手动图像分析存在效率低、易产生偏差等问题。尤其对于密集繁殖的混合群体（如白额燕鸥Sternula albifrons和普通燕鸥Sterna hirundo），形态相似性更增加了监测难度。以色列海法大学（University of Haifa）信息系统系的Inbal Schekler团队在《Ecological Genetics and Genomics》发表研究，通过整合深度学习与生态行为特征，建立了革命性的自动化监测系统。

研究采用YOLOv8架构进行初始目标检测，通过远程控制摄像头采集数据。关键技术包括：1）视频扫描转图像处理（11帧/点位）；2）结合相机校准技术将像素尺寸转换为实际厘米单位；3）基于交并比（IoU）的对象追踪算法；4）整合物种空间分布概率等生态特征；5）随机森林加权分类器优化。

【研究结果】

1. 年度人工计数差异

   ANOVA分析显示不同计数方法对种群估计有显著影响（p<0.05），车载观测低估数量最多，凸显自动化必要性。

2. 模型分类性能

   加权随机森林模型表现最优，加权F1-score达0.91。关键改进包括：

   • 位置概率特征使白额燕鸥识别召回率从0.56提升至0.90

   • 厘米级尺寸测量有效区分体型差异（普通燕鸥约为白额燕鸥2倍）

   • 运动追踪特征将背景识别准确率提高82%

3. 繁殖个体识别

   通过11秒视频片段分析孵卵行为（日均4次扫描），结合跨时段位置一致性（IoU>0.1），成功区分繁殖与非繁殖个体。与人工计数相比：

   • 总体平均差异仅2.01%

   • 普通燕鸥相关系数r=0.98（p<0.001）

   • 白额燕鸥相关系数r=0.96（p<0.001）

4. 空间分布制图

   首次实现3200m²繁殖岛的高分辨率空间映射，可叠加环境参数分析栖息地选择机制。

这项研究开创性地将安防监控设备（总成本<3500美元）应用于生态监测，通过GPU云端训练实现低成本部署。其创新点在于：1）首次在自动监测中整合视频行为分析；2）开发相机校准技术获取实际尺寸数据；3）建立首个能区分繁殖状态的群体监测算法。该系统已成功监测以色列Atlit盐场1300余对繁殖个体，为禽流感等疾病监测提供新工具。未来可扩展至蝙蝠集群、湿地鸟类等场景，推动保护生物学进入智能化时代。