《Science of The Total Environment》：Rapid UAV-based detection of crane (
Grus grus) mortality hotspots during an H5N1 avian influenza outbreak using deep learning
编辑推荐：
•无人机（Unmanned Aerial Vehicles, UAV）影像与深度学习在H5N1禽流感暴发期间检测到鹤类死亡。
•死亡鹤类在水体中可被可靠检测，但在陆地上仍具挑战性。
•陆地检测受尸体视觉歧义和类别不平衡限制。
•多栖息地训练与迁移学习提高了稀有
•无人机（Unmanned Aerial Vehicles, UAV）影像与深度学习在H5N1禽流感暴发期间检测到鹤类死亡。
•死亡鹤类在水体中可被可靠检测，但在陆地上仍具挑战性。
•陆地检测受尸体视觉歧义和类别不平衡限制。
•多栖息地训练与迁移学习提高了稀有尸体检测。
•该工作流可支持疫情响应中死亡热点（mortality hotspots）的快速制图。
该论文由Yotam Nagar和Assaf Chen完成，发表于《Science of The Total Environment》，主题为利用无人机（Unmanned Aerial Vehicles, UAV）影像和深度学习在H5N1禽流感暴发期间快速检测灰鹤（Grus grus）死亡热点。
研究背景方面，野生动物监测是生物多样性保护和生态研究的重要组成部分，可为种群管理、栖息地评估和物种对环境变化响应提供数据。传统野生动物普查对大型或偏远栖息地中的物种常受后勤限制、资源密集、耗时且易受人为误差影响。UAV可实现快速、可重复、低生态干扰的大面积调查，结合深度学习后可自动检测和计数个体。高致病性禽流感（Highly Pathogenic Avian Influenza, HPAIV），尤其H5N1，对野生鸟类和公共卫生构成严重威胁，具有高死亡率和人畜共患潜力。2021年12月以色列Agamon Hula Park发生严重暴发，该地是Hula Valley灰鹤主要越冬地。公园在确认数百只患病和死亡灰鹤感染H5N1后关闭，儿童接触尸体并需医学处理，政府机构初期对遏制和尸体清除方案不确定，协调响应耗时约一周；仅Hula Lake就有超过5000只灰鹤死亡。该事件凸显对实时监测工具和快速检测系统的迫切需求。自动分析核心是目标检测（object detection），研究人员采用YOLOv8这一单阶段检测器，以兼顾检测精度和快速推理。此前研究常将活体和死亡个体合并为超类，或对活/死区分性能有限，例如有研究报告平均精度均值（mean Average Precision, mAP）约0.37。该研究旨在评估UAV深度学习能否在H5N1暴发期间区分水生和陆生栖息地中的活/死灰鹤，并生成尸体丰度和分布的空间显式估计，以支持疫情监测和管理。
关键技术方法可概括为：在Agamon Hula湿地（33°6′N，35°37′E）采集RGB航空影像，主要平台为DJI Mavic 2 Pro，另由以色列环境保护部提供DJI Phantom 4影像；飞行高度100 m AGL，速度15 m/s，前向和侧向重叠80%，地面采样距离（Ground Sampling Distance, GSD）约23.4–27.4 mm/pixel。训练和验证使用原始影像，测试使用2021年12月30日和2022年1月5日的镶嵌影像（mosaic）和原始影像（raw imagery）。采用Label Studio和CVAT标注活/死灰鹤，进行直方图均衡化、448×448像素分块、六次80%–20%划分及六折空间块交叉验证。检测框架为YOLOv8，比较栖息地特异、联合栖息地与迁移学习；大图推理使用切片辅助超推理（Slicing Aided Hyper Inference, SAHI）滑动窗口和加权框融合（Weighted Boxes Fusion, WBF）。
研究结果方面，3.1数据增强流程选择：通过六折空间块评估，Mosaic增强、平移和翻转在两个栖息地均产生较强且一致的正效应，被纳入最终增强策略。3.2类别特异性收敛模式与背景复杂度影响：通过平均精度（Average Precision, AP）随每类训练样本数变化分析，水体中活鹤少数类AP随样本增加趋近充分；陆地死鹤AP未收敛。约300个死鹤样本时，水体AP>0.9，陆地约0.5；过采样和欠采样未改善陆地死鹤，欠采样甚至下降，活鹤类基本不受影响，表明陆地死鹤受样本稀缺和背景混淆限制。3.3焦点损失与置信度阈值调整效果：针对陆地死鹤评估焦点损失（Focal Loss, FL）和置信度阈值，FL改变F1曲线形状但未提高最大F1，阈值调整效果类似，未提供可测量改善。3.4通过多源训练与迁移学习增强模型泛化：比较同域、跨域、联合和迁移学习，跨域性能低；联合训练提升陆地死鹤AP@50，mosaic约0.5到0.6，raw约0.56到0.66；迁移学习进一步提升至0.64和0.69。水区AP@50>0.85且稳定。空间块交叉验证测试性能相似。最终迁移学习模型加WBF后，活鹤raw优于mosaic，feeding区0.884到0.975，water区0.861到0.923；WBF小幅提升，陆地死鹤mosaic 0.64到0.66，raw 0.69到0.70。3.5定性检测示例与鹤类影像视觉歧义：通过代表性裁剪图像，活鹤直立且常有长阴影，尸体缺乏阴影且状态多样；mosaic鬼影伪影可类似尸体，中间分解阶段与土壤植被相似，增加标注不确定性。
讨论总结指出，核心挑战不是一般鸟类检测，而是同种活/死区分。逐类和逐栖息地分解显示真正瓶颈是陆地死鹤，聚合指标会掩盖此问题。与先前UAV鸟检测相比，该研究表现相当或更高，尽管活死区分更难。陆地死鹤困难源于样本稀缺、尸体异质性、与土壤岩石植被相似，以及疫情中死亡分布栖息地特异：陆地死亡零散，水中尸体积累。过采样、欠采样和FL未改善，说明需更代表性数据。联合训练和迁移学习是主要改进驱动，混合背景可能起正则化作用。操作流程包括增强筛选、mosaic、修改SAHI和WBF，支持热点识别和尸体清除优先级。局限包括GSD约2.5 cm/pixel接近检测下限，陆地尸体样本少，无同期原位确认，专家标注一致高但无法排除系统歧义。未来方向包括热成像、时间监测、地面验证和硬负样本挖掘。
结论翻译：该研究展示了UAV深度学习在禽流感暴发期间自动检测活体和死亡灰鹤的潜力与当前局限。使用高分辨率UAV影像和基于YOLOv8的检测框架，活体灰鹤在水生和陆生栖息地均可被可靠检测。死亡灰鹤在水体中检测准确率高，而在陆地取食区检测仍具较大挑战。除检测性能外，该研究提供了一个针对野生动物疾病监测的框架，其中UAV影像与深度学习可支持疫情期间死亡模式的快速空间评估和计数。在此背景下，检测死亡灰鹤、估计尸体丰度和识别死亡集中区域的能力构成重要的环境管理贡献，可帮助指导管理行动、优先清除尸体并支持对潜在疫情热点的早期干预。研究人员的结果表明，陆地性能有限不能仅由类别不平衡解释。通过过采样和欠采样缓解前景-前景不平衡未产生可测量改善，使用FL处理前景-背景不平衡同样未提高性能。此外，收敛分析提示少数类可能未完全收敛，表明有限数据代表性发挥关键作用。通过混合栖息地训练和从大型多样鸟类数据集迁移学习，显著改善了泛化，尤其是少数类。定量和定性分析共同表明，类别不平衡本身不能完全解释陆地死亡灰鹤性能下降；样本可用性有限、尸体异质性、背景相似性和标注不确定性可能共同导致观察到的困难，但其相对贡献无法在当前数据集中分离。因此，该研究的关键贡献不仅是开发自动检测模型，还在于识别真实疫情条件下限制可靠死亡检测的生态和视觉条件，这对于界定何时可信任UAV监测用于操作决策以及何时需要额外现场验证至关重要。进一步改进可能主要依赖陆地环境中死亡鸟类代表性图像的增加和空间分辨率提高，例如通过更低高度UAV飞行或更高分辨率传感器，以及对挑战性案例的原位验证。以数据为中心的策略，如通过原位验证指导的硬负样本挖掘，可能进一步提高性能，但最有效时可能需要与改进的数据质量、多样性及中间尸体状态代表性相结合。总体而言，该研究强调UAV深度学习作为流行病野生动物监测的实用决策支持工具的价值，特别是在H5N1疫情响应中快速制图死亡热点和支持尸体清除行动，同时表明其操作可靠性将取决于靶向数据收集、改进空间细节以及现场条件下模糊尸体状态的验证。
