摘要
鸟类捕食仍然是水产养殖中持续存在的挑战，因为传统驱赶方法往往由于鸟类的习惯化和有限的物种特异性而失效。一些方法还可能无意中影响周围的生态系统。为了解决这些局限性，本研究提出了一种时空决策人工智能方法，通过整合视觉智能与生态背景，实现对鸟类捕食者和滋扰鸟类的物种特异性且非致命性管理。所提出的框架将基于 YOLOv8 的检测模型与元数据提取和时空分析流水线集成，记录物种身份、种群数量、时间和位置。YOLOv8 充当视觉检测组件，而该框架的方法论贡献在于通过时间发生分析、物种特异性加权以及基于风险的决策人工智能，将这些检测结果转化为情境化生态指标。这使得系统能够将原始图像检测转化为有意义的生态指标，从而指导管理决策。本研究使用从美国多个地点的水产养殖场所收集的超过 4500 张高分辨率图像数据集进行评估。所提出的模型达到了 97.2% 的总体分类准确率，精确率和召回率分别为 95.8% 和 96.4%。更重要的是，检测结果与时间和空间元数据的集成使得能够识别活动模式，包括高峰访期、物种主导趋势和特定地点的风险等级。这些洞察可以支持针对性且非致命性的干预策略，例如优化驱赶时机和应用基于物种特征的响应，同时尽量减少对非目标野生动物的干扰。通过将计算机视觉与生态决策支持相结合，本研究超越了被动监测，迈向数据驱动的适应性管理。该方法提供了一条可扩展且可解释的途径，有助于提高水产养殖的可持续性，同时保持生态平衡。
