城市雨水花园中传粉者活动的连续日间监测：基于相机陷阱、无监督机器学习算法和深度学习检测的概念验证

《Urban Forestry & Urban Greening》：Continuous diurnal monitoring of pollinator activity in urban rain gardens using camera traps, unsupervised machine learning algorithms, and deep learning detection: A proof-of-concept

　　

**研究要点**

- 一项使用 42,271 张野外图像训练的 YOLOv8n 模型，可对传粉者进行类别识别与数量量化。
- 红外相机陷阱持续记录传粉者对城市绿色风暴水基础设施（GSI）系统中密集分布的高品质本地植物花丛的访问情况。
- 位于传粉者花园附近的雨水花园观测到极高的传粉者活动水平。
- 雨水花园有可能在规模化层面提供与天然草原相当的传粉服务。

**引言**

传粉是植物与传粉者之间的互利过程：植物为传粉者提供食物或花蜜，传粉者则为植物繁殖散布花粉（Landry, 2012）。除作为关键的生态系统服务外，传粉也是全球粮食生产的基本要素（Gallai et al., 2009）。科学家观察到，自 20 世纪 90 年代以来，由于气候变化和土地使用变化等多重因素——这些变化常常破坏自然栖息地——传粉者种群持续下降（Marshman et al., 2019; Potts et al., 2016）。传粉服务的丧失对生态系统功能以及人类所依赖的产业具有严重后果（Hallmann et al., 2017）。

传粉者在植物间的竞争中同样扮演着重要角色。研究表明，传粉者可能通过偏好更常见、更丰盛的物种而压制稀有物种和小生境物种，从而破坏植物共存关系（Johnson et al., 2022）。城市化与开发建设会放大这一现象。预计到 2050 年，全球将有约 80 亿人口居住于城市地区（Wenzel et al., 2020），为适应这一人口结构变化，天然景观将继续被不透水表面取代，进一步威胁传粉者与生物多样性的区域性衰退（Liao et al., 2025; Hennig and Ghazoul, 2011）。为应对生态系统的破坏，城市规划者正探索各种适应性、基于自然的实践（如城市农场和绿色基础设施）的有效性，以恢复被取代生态系统所提供的产品与服务（Evans et al., 2022; Jato-Espino et al., 2023; Wang et al., 2024）。近期城市生态研究表明，住宅花园与社区花园、公园、墓园乃至闲置空地等城市绿色空间，在生物多样性保护与传粉服务方面具有令人意外的潜力，尽管传粉者活动水平随具体土地利用类型差异显著（Lowenstein et al., 2014; Davis et al., 2017; Baldock et al., 2019; Minor et al., 2017）。然而，对于那些专为暴雨水管理而设计和建造的工程设施，其在保护工作中的有效性在这类评估中鲜少被考量（Lepczyk et al., 2017; Cook et al., 2024; Aslano?lu et al., 2025）。

绿色基础设施（GI）指战略性规划的"功能性"自然与半自然区域、特征和绿色空间的网络，其设计与管理的目标是为人类与自然提供广泛的生态系统服务与效益（Nieuwenhuijsen, 2021; Benedict and McMahon, 2002）。本研究聚焦于界定范围更窄的"绿色风暴水基础设施（GSI）"（Cook et al., 2024）。该概念在多个尺度与情境下运作，具有多功能性、连通性和有意的规划设计等核心特征，但在单一狭窄用途（例如风暴水径流控制）的工程实践中，GSI 各要素之间的协同效应往往被忽略，而生态系统服务则常被假定为被动发生（Cook et al., 2024）。GSI 日益成为城市化地区传统人造与灰色基础设施的补充或替代方案（Daniels et al., 2020; Gerlak et al., 2021），并通过多功能性为人类与环境提供经济、社会文化和生态服务（Benedict and McMahon, 2002; Kim and Song, 2019）。多功能生态服务不仅包括通过"减缓、扩散和渗透"风暴水以削减洪峰径流的径流控制与风暴缓解作用（Huber, 2010），还包括栖息地、生物多样性和水质改善的级联效益（Morash et al., 2019）。

GSI 形式多样，包括雨水花园、生物滞留带和绿色屋顶等。在许多情况下，GSI 的实施均包含某种形式的植被，通常强调使用本地植物，作为其缓解功能的组成部分（Carter and Keeler, 2008; Sharma and Malaviya, 2021; Filazzola et al., 2019; Farrell et al., 2022; Dunnett and Clayden, 2007）。雨水花园（Rain Gardens, RG）是 GSI 的一种，通常种植多种多样的本地植物，通过过滤径流中的大颗粒、并利用土壤根际的吸收、吸附与转化作用去除养分及部分污染物，从而拦截、储存并改善风暴水质量（Morash et al., 2019; Sharma and Malaviya, 2021）。这些系统中开花植物的存在，还能为传粉者提供花粉和花蜜以维持其生存。类似地，传粉者花园是另一类 GI，旨在通过本地植物为传粉者提供栖息地（Larson et al., 2022）。然而，评估城市 GSI 传粉服务的文献较为匮乏，而对 GSI 生态系统服务的大多数评估主要聚焦于温度调节以及休闲或美学设施（Daniels et al., 2020; Veerkamp et al., 2021）。由于这些系统具有恢复或增强生态服务（特别是传粉服务）的潜力，因此监测与量化传粉者活动（作为传粉服务的代理指标），以确定控制该设计特征的关键因素，显得尤为迫切（Anderson and Minor, 2017）。

传统上，科学家通过定期使用网具或水盆陷阱获取瞬时快照，来监测传粉者的身份、数量与活动；在这两种情况下，分类学家均需捕获并人工计数，往往还会导致目标昆虫死亡（Popic et al., 2013）。得益于技术进步，视频监控日益成为传粉者检测的常用方法（Steen, 2017）。当前红外相机陷阱已能在其景深范围内使用运动和红外探测（IR），并可编程于特定时间段将图像保存至中央云系统，从而减少无效（无接触运动）的视频数量。传统的传粉者检测技术需要现场人工观察，存在人为误差的风险（Steen and Aase, 2011）。此后领域进展采用了不同的自动化技术，包括计算机方法，以最大限度减少人为误差，从而以更少干扰的方式研究传粉者行为（Steen, 2017）。此外，深度学习正迅速成为目标检测的补充工具，尤其在基于自然的研究中（Zhao et al., 2019）。

深度学习利用类似人脑神经网络的机制来解决复杂的现实问题（Saxe et al., 2021）。深度学习中的分类对于目标检测模型至关重要，此类模型旨在减少各领域中对象识别对人工视觉的依赖（Lou et al., 2023）。YOLO（You Only Look Once）系列是解决诸多现实问题的流行目标检测算法（Lou et al., 2023）。YOLOv8 是 YOLO 系列算法的迭代版本，使用单一神经网络在同一图像中同时完成边界框预测与特定目标的分类（Mehra, 2023）。多层卷积神经网络使 YOLOv8 具备这些能力，并可在一张图像中检测多个不同尺寸的目标，非常适合处理野外视频帧（Mehra, 2023）。

本研究有三项目标：

1. 使用红外相机陷阱建立数字数据流，以监测、汇总并量化已建成的城市雨水花园与传粉者花园中的传粉者活动，并与一座恢复草原进行对比。
2. 采用 2 种方法分析传粉者活动数据（绘制传粉者总计数曲线，并对归一化计数应用无监督机器学习算法），比较城市雨水花园、传粉者花园与恢复草原之间的传粉者访花率，以此作为方法论的概念验证，用以识别数据集中的模式，从而评估以风暴水控制为主要设计目标的城市 GSI 是否能够同时支持传粉者活动，并以此作为传粉生态系统服务的代理指标。
3. 利用跨研究点汇总的野外红外相机图像训练并验证一个 YOLOv8 目标检测模型，并评估其检测准确率，作为未来传粉者监测研究中更广泛应用的基础。

许多研究使用分类学质量的图像和视频来检测并训练各类 YOLO 模型，但据我们所知，尚无研究使用基于野外采集的传粉者数据，在已建成的雨水花园（RG）和传粉者花园（PG）中准确检测并按类别分类传粉者。本研究为城市 GSI 设计提供了初步洞见，包括初步评估连通性在支持 RG 传粉者活动中的作用。此外，我们还探讨了植物生态质量（如通过对比高、低保护系数 C-value 得分——即一个分类单元对特定栖息地类型的保真程度及生态幅耐受度指数（Taft et al., 1997）——所反映的差异）如何影响传粉者活动。最后，本研究贡献了一个开源、基于野外训练的 YOLOv8 模型，用于非致命性的传粉者检测与分类，可应用于独立的相机陷阱数据集，为未来城市传粉者监测研究提供可复用的方法论资源。

**研究片段**

**方法**

本研究采用的方法论分为三个阶段：数据设置/采集、数据预处理，以及深度学习目标检测模型的应用（见图 1）。项目总周期从 2023 年 6 月延伸至 2023 年 10 月。数据设置工作于 6 月初、开花季初期启动。相机陷阱（或红外相机）在研究点植物盛花期（7 月）开始记录到传粉者活动。因此，7 月被选定为结果与分析期。

**结果与讨论**

本研究结果包含三组发现。首先，我们比较各研究点花丛中的传粉者活动总量，以简单直观地呈现传粉者访花在城市 GSI 中相对于恢复草原的变化情况。随后，我们采用机器学习算法探索各研究点间传粉者活动的模式。最后，我们将数据输入深度学习检测模型 YOLOv8，并通过评估其性能，为后续工作奠定基础……

**结论**

本研究使用红外相机陷阱获取实时、连续的白昼数据，以监测三个已建成的 GSI 系统中的传粉者活动，并与一座恢复草原进行对比。相机聚焦于两类具有高、低 C-value 的本地植物花丛，并对访花行为进行计数，并按类别层级进行划分。这些数据以两种方式加以分析，以探究研究点之间的模式，以及城市 GSI 能够在多大程度上支持传粉者活动——作为传粉的代理指标……

**CRediT 作者贡献声明**

Kimberly Gray：写作—审阅与编辑、写作—原稿撰写、监督、软件、资源、项目管理、方法论、调查研究、资金获取、概念化。
Murat Akcakaya：写作—审阅与编辑、监督、方法论、概念化。
Carla Ng：写作—审阅与编辑、监督、项目管理、概念化。
Daniel Bain：写作—审阅与编辑、监督、概念化。
Adelina Amineva：调查研究、数据管理。

**利益冲突声明**

作者声明，不存在可能被认为会影响本文所报告工作的已知竞争性财务利益或个人关系。

**致谢**

本研究得到美国国家科学基金会（National Science Foundation）第 1854827 号资助项目的支持，属 LEAP HI 项目的一部分。HL 感谢 Phipps Conservatory and Botanical Gardens 旗下 Botany in Action Fellowship 提供的支持与培训。Yingqian Xiong 博士提供了通用技术支持。

我们感谢为本次研究野外工作作出贡献的所有暑期研究人员：Angela Wang、Cora Pancoast、Lia Chang 与 Alex Barb。我们亦感谢我们所研究的雨水花园的所有者……

Haley Lewis｜Elena Himmerich｜Adelina Amineva｜Marcos Sanchez｜Carla Ng｜Daniel Bain｜Murat Akcakaya｜Kimberly Gray