基于图像调查的陆生野生动物种群建模中遥感数据组合的系统综述：数据尺度、自动化处理与新兴平台整合机会

《Basic and Applied Ecology》：Harnessing remote sensing data combinations for terrestrial wildlife modelling: A systematic review of image-based surveys

　　

• 陆生野生动物种群（terrestrial wildlife population, TWP）模型通常将相机陷阱（camera trap）影像与低至中等分辨率的星载（spaceborne）数据结合。
• 在研究人员综述的陆生野生动物模型中，自动化图像处理（automated image processing）很少使用。
• 精细尺度栖息地结构（fine-scale habitat structure）和局地尺度过程（local-scale processes）很少得到表征。
• 数据尺度（data scale）与生态过程（ecological process）之间的关系并不总是得到证实。
• 无人机（uncrewed aerial vehicle, UAV）获取的野生动物影像也基本缺失。

研究背景与问题：全球生物多样性面临威胁累积和丧失加速，保护管理需求上升。陆生野生动物种群（terrestrial wildlife population, TWP）监测项目应提供及时准确估算，但现有监测不足，资源限制导致许多物种和生物群系代表不足。国际自然保护联盟（International Union for Conservation of Nature and Natural Resources, IUCN）将14%哺乳动物（789种）列为数据缺乏，其中95%为陆生。预计2020—2040年间超过4,000种特有陆生脊椎动物因栖息地丧失灭绝。因此，研究人员需要创新数据收集方式，并理解当前实践。生态学家日益使用遥感（remote sensing）技术，包括光学影像、主动和被动传感器、多平台。数据整合（data integration）可综合多源多分辨率数据。生态过程应在发生尺度建模，但卫星数据常为中到粗分辨率。人工智能（artificial intelligence, AI）图像处理具有潜力。研究人员因此开展系统定量文献综述，聚焦遥感图像调查与遥感景观/栖息地协变量结合的TWP模型，目标包括：量化数据类型和组合；评估星载数据空间分辨率和尺度化；量化先进技术（AI、光探测与测距（light detection and ranging, LiDAR）、UAV、被动声学监测（passive acoustic monitoring, PAM））使用；识别研究设置、目标和对象偏差。

关键技术方法（≤250字）：研究人员遵循PRISMA 2020声明，在Scopus和Web of Science数据库进行四组检索（共八次），检索2014—2024年英文同行评议期刊。初检1,409篇；两名评价者筛选1,272篇摘要和方法，218篇全文，最终纳入125篇。纳入标准为建模TWP、使用远程图像传感器（如相机陷阱或移动平台成像传感器），并记录用于TWP建模的数据流。提取元数据，分类平台/传感器组合和空间分辨率（极高<1m、高1—5m、中>5—30m、低>30m）。用R软件和RStudio进行频率表、卡方检验和线性回归。时间序列不足时未进行AI、UAV或声学趋势分析。

研究选择：通过PRISMA 2020流程，1,409篇初检，1,272篇筛选，218篇全文，125篇纳入。发表模式：线性回归显示年发表量显著增加（F_1,9=33.4，p=2.662×10^-4，R²=0.79）；美国33篇（26%），澳大利亚21篇（17%）；北美50篇（40%），亚洲19篇（15%），非洲13篇（10%），南美14篇（11%），欧洲7篇（6%）；大陆与数据库无显著关联（χ²=10.196，df=6，p=0.117）。野生动物图像调查特征：相机陷阱占93%（116），UAV红绿蓝（red-green-blue, RGB）9项，UAV热红外6项，四项同时；80%专门调查，20%使用现有数据集；数据来自政府、非政府、公民科学等。数据类型与组合：星载数据104项（83%），其他地理空间产品60项（48%），野外测量56项（45%），其他环境变量43项（34%），未解释变量19项（15%），航空LiDAR 17项（14%），航空RGB 13项（10%），声学与遥测/地理定位标签0—6%。70%组合3或4个数据流（平均4，最大7）；75种独特组合，59种仅一次；9种超过两次，均含相机陷阱+星载；相机陷阱+星载87项（74%），常补充野外测量或其他环境变量；野外测量比例随时间显著下降（F_1,8=5.824，p=0.0423，R²=0.42）。星载平台数据：72项单源，33项至少两种；用于海拔、景观/栖息地、土地覆盖、火史、地形崎岖度指数（terrain ruggedness index, TRI）、归一化差异植被指数（normalised difference vegetation index, NDVI）、归一化差异水体指数（normalised difference water index, NDWI）等；22项使用主动合成孔径雷达（synthetic aperture radar, SAR）；四篇使用全球生态系统动态调查（Global Ecosystem Dynamics Investigation, GEDI）-LiDAR。星载数据空间分辨率：中分辨率>5—30m占67%（152个实例），主要Landsat @30m（49/152）和航天飞机雷达地形测绘任务（Shuttle Radar Topography Mission, SRTM）@30m（20/152）；低分辨率>30m主要中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer, MODIS）@250m（13/24）；高分辨率4%，极高分辨率仅1项。空间缓冲：48/104应用空间缓冲区，9/18组合空间分辨率；数据按源分辨率提取；半径变化大，1km七项；最小10m，最大21.5km，11.5km；依据家域、扩散距离、类群大小；有些测试不同半径；一项先单协变量多半径再同一多变量模型不同缓冲；其他使用质心、面积或最大化效应。重采样：18项组合分辨率仅2项明确重采样到共同栅格；两项分别重采样到100×100m和200×200m；8项单卫星重采样，三项研究不同分辨率效应；两项1×1km，一项2×2km；仅一项提供美洲豹栖息地理由；一项将NDVI重采样到240×240m并划分UAV样带。其他先进技术：AI仅4项自动化野生动物图像处理；12项使用在线相机陷阱数据管理工具；3项AI用于植被、土地覆盖、冠层高度/叶片。航空LiDAR 17项，仅一项专门采集；多数外部预处理产品；至少6个中分辨率产品；高分辨率@1—5m五项；用于冠层结构、坡度、海拔、坡向、地形粗糙度等。年份非显著预测因子（F_1,9=1.954，p=0.196，R²=0.178）。UAV数据有限（2016:1，2021:3），不足趋势；四项RGB，三项摄影测量生成正射镶嵌；一项同时RGB和热红外，早期自动化图像处理。声学仅7项（6%），两项超声蝙蝠；六项同时相机陷阱，三项共址；无增加趋势。研究特征：多数多问题（100/125，80%）；占据/出现最常见103项（82%），常与物种相互作用、活动/移动、密度、丰富度/多样性结合；仅10项探测性/调查努力，2项生理/状态。多在保护区、森林、热带、干旱、稀树草原。偏大型哺乳动物：113项（90%）仅哺乳动物，大型50，混合大小40；小型<2kg仅15项（12%）。有蹄类25（21%），食肉动物21（17%），捕食者—猎物19（15%），灵长类3，熊科2。焦点物种75（60%），群落31（25%），22（18%）预定类群。

讨论总结：常见数据组合为相机陷阱+星载，可提供生物多样性变量和行为、移动、性状信息，但景观/区域尺度指标不反映精细尺度特征，可能妨碍管理；低分辨率产品不足以支持局地管理。主导组合可能解释对大型动物的偏向，小哺乳动物更难检测。主动传感器数据少，GEDI-LiDAR仅四项；被动+主动结合可改善监测但未增加。LiDAR 3D+卫星指标可提供精细结构背景，对破碎化和人类改造景观重要。野外协变量近半，可部分被遥感替代，但校准验证仍需；遥感植被指标偏倚小、可重复，野外测量比例下降。尺度报告不完整：星载聚合常未考虑过程尺度与分辨率，多分辨率组合尤甚；元数据不总揭示平台/传感器，15%变量来源未解释。理想尺度应匹配过程并最大化效应，且物种特异性。重采样不常见，有些名义1km网格无生态依据；空间缓冲较常用，半径多基于家域或生态理由。建议标准报告平台/传感器、分辨率、适宜性、处理及理由。时间分辨率重要，星载时间较粗，与动物移动/行为不匹配，季节变化需考虑；多数研究用现成协变量，极少同期采集，仅一项LiDAR与野生动物图像调查同期。野外测量整合未考虑尺度。未充分整合路径与未来重点：自动化图像处理、LiDAR、UAV未连接用于TWP建模；AI图像处理未充分利用，需人工监督和专家知识，已有MegaDetector、Wildlife Insights、WildObs等平台；小哺乳动物自动化分类关注少。相机陷阱图像可提供环境补充数据，仅两个例子。高分辨率小面积权衡，需将局地见解与粗粒度数据关联。许多UAV研究未连接TWP建模，数据量和处理是障碍。常用时间静态其他地理空间产品，可补充时间对齐航空/UAV数据；低空UAV-LiDAR完全缺失；建议单UAV同时采集RGB、热红外和LiDAR，适用于树冠/上层冠层和稀树草原，也可检测间接证据和测速。声学低代表，建议同时PAM和相机陷阱。无卫星影像野生动物计数例子，但高/极高分辨率卫星已识别大型动物，建议探索。局限性：评估频率和报告，未评估模型可靠性/性能；分类有不确定性；可能遗漏其他数据库或术语；非洲/南美少部分因英文发表要求；低收入国家作者/合作少，成本障碍。

结论翻译：本综述参数范围内捕获的文献表明，在基于图像的陆生野生动物模型中，相机陷阱野生动物影像与低或中等分辨率星载协变量的组合占主导。相反，来自无人机平台的高分辨率数据、来自主动传感器的结构数据和自动化图像分类仍不常见。文献还表明，数据来源、空间支持和尺度化理由并不总是得到充分记录。因此，生态学家有潜力探索新的数据组合，并通过更深入地考虑所建模的尺度和过程，提高所收集数据的效益。