摘要
鸟类捕食仍然是水产养殖中的一项持久挑战，因为传统的驱鸟措施往往会因鸟类习惯化和有限的物种特异性而失去效力。某些方法也可能无意中影响周围生态系统。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，对鸟类捕食者和扰人鸟类进行物种特异性且非致命性的管理。所提出的框架将基于 YOLOv8 的检测模型与一个元数据提取和时空分析流水线集成在一起，该流水线记录物种身份、种群数量、时间和地点。YOLOv8 作为视觉检测组件，而该框架的方法论贡献在于通过时间发生分析、物种特定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具有上下文环境的生态指标。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。该研究使用从美国多个地点的水产养殖站点收集的 4500 多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整合使得能够识别活动模式，包括高峰访问期、物种优势趋势和特定地点的风险水平。这些洞察可以支持有针对性的非致命干预策略，例如优化驱鸟时机和应用物种感知响应，同时最大限度地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联系起来，所提出的研究超越了被动监测，转向数据知情的适应性管理。这种方法提供了一条可扩展且可解释的途径，在改善水产养殖可持续性的同时维持生态平衡。
