高效且准确的移动动物时空种群监测:使用无人机与计算机视觉

《Remote Sensing in Ecology and Conservation》:Efficient and Accurate Spatio-Temporal Population Monitoring of Mobile Animals Using Drones and Computer Vision

【字体: 大 中 小 】 时间:2026年08月02日 来源:Remote Sensing in Ecology and Conservation 5.2

编辑推荐:

  估计种群数量对鱼类和野生动物管理至关重要,但通常耗时且有时不可靠。航空影像结合自动化计算机视觉工具已成为在某些情境下获得稳健丰度估计的高效方式。然而,为了从调查影像中准确估计丰度而不重复计数,当前方法通常依赖人类观察者或需要动物静止的图像拼接,从而限制了可扩展

  
估计种群数量对鱼类和野生动物管理至关重要,但通常耗时且有时不可靠。航空影像结合自动化计算机视觉工具已成为在某些情境下获得稳健丰度估计的高效方式。然而,为了从调查影像中准确估计丰度而不重复计数,当前方法通常依赖人类观察者或需要动物静止的图像拼接,从而限制了可扩展性和适宜的调查条件范围。本研究通过模拟和实地案例研究,展示了两种从航空影像中调查动物种群的计算机视觉方法,当动物被正确检测时,这些方法能够生成无偏计数,无需人类干预,即使动物在调查期间移动。一种方法利用计算出的三维景观信息,将原始调查影像的片段及其相关检测分区为连续无重叠的调查区域镶嵌图。第二种方法结合所有影像的计数,并根据每个调查位置的重叠影像数量对检测进行反向加权。在阿拉斯加产卵鲑鱼的案例研究中,两种自动化方法产生的计数平均绝对百分比误差(MAPE)均低于12%,最佳方法达到5.5%的MAPE。这与人类观察者作为长期野外监测工作一部分的地面计数结果(MAPE:9.4%)相似,并远优于现有的正射影像计数方法(MAPE:44.4%)。该方法还生成每个个体的精细尺度位置,提供了系统的新生态学描述。这种调查高移动性动物的方法直接适用于多种群和物种的航空调查。其对动物移动的鲁棒性以及易于从无伪影的原始调查影像(而非正射影像)中整合检测的能力,将使研究人员和资源管理者能够监测更广泛的动物种群,同时以比当前方法更高的频率收集更详细的生态信息。
### 论文解读:基于无人机与计算机视觉的移动动物时空种群监测新方法

**研究背景与科学问题**

种群评估是受人类利用物种可持续管理的基石,也是生态研究的核心。然而,评估结果的可靠性取决于丰度估计方法的可用性和部署成本。传统方法中,不确定性来源包括调查区域覆盖度和目标动物被准确检测的概率。高昂的硬件和时间成本限制了调查的时空范围,尤其对于高动态或迁徙种群,需要扩大采样才能准确量化丰度模式。无人机(Unoccupied Aircraft Systems, UAS)已成为经济高效的野生动物监测工具,但现有方法将原始影像中的动物检测转化为最终种群估计时面临重大挑战:为覆盖完整环境,通常需要多张重叠影像,但可能重复计数或遗漏动物,导致偏差。当前方法通过引入人类观察者防止重复计数(耗时且可扩展性差)或基于正射影像(Orthomosaic)计数(仅当动物静止时有效,移动动物会因拼接算法产生伪影,如“鬼影”,导致计数偏差且需每次调查进行标记-重捕校准)。因此,开发一种无需人工干预、能处理影像重叠并校正动物移动导致重复计数的通用无偏方法,是紧迫的研究需求。

**研究内容与意义**

研究人员在《Remote Sensing in Ecology and Conservation》发表的论文中,提出了两种新方法,通过将原始影像中的动物检测与影像重叠数据显式结合,来生成移动(或静止)动物的种群丰度估计。首先,通过模拟不同移动类型、速度、种群大小和环境的场景,证明在完美检测条件下,新方法能产生无偏估计且可量化不确定性。其次,以阿拉斯加布里斯托尔湾流域产卵场成年红鲑(*Oncorhynchus nerka*)为案例,将新方法与地面人类观察者计数及两种正射影像计数方法对比。结果表明,两种自动化方法(分数法和Voronoi法)的计数精度与地面计数相当(平均绝对百分比误差MAPE < 12%),远优于正射影像计数(MAPE 44.4%)。该方法还能生成个体精细尺度位置,提供系统的新生态学描述。该研究填补了航空调查中动物移动导致偏差的关键空白,使研究人员能以更高频率和更详细生态信息监测更广泛的动物种群。

**主要技术方法**

研究人员采用以下关键技术方法:(1)**无人机影像采集与结构运动处理(Structure from Motion, SfM)**:使用DJI Mavic 3 Pro无人机按“草坪修剪”模式飞行,获取高重叠率(>75%)影像,利用Pix4D软件生成三维点云、二维正射影像和数字表面模型(Digital Surface Model, DSM),并获取每张原始影像的相机位置和朝向。(2)**动物检测**:在原始影像中,使用经微调的卷积神经网络(Convolutional Neural Network, CNN)自动检测个体,以检测框中心作为位置。(3)**两种计数方法**:**分数法(Fractional Method)**:将所有检测归一化,每个检测按该位置被多少张影像记录的比例贡献(如被20张影像覆盖则贡献1/20个计数)。**Voronoi法(Voronoi Method)**:基于影像中心点投影到景观的Voronoi镶嵌(Voronoi tessellation),将每个景观位置分配给唯一一张原始影像,仅在该影像的Voronoi单元内计数。(4)**不确定性量化**:开发仿真工具模拟动物移动(随机游走、相关随机游走、局部随机游走)与无人机飞行轨迹的交互,量化动物移动导致的计数不确定性;并设计图形用户界面(Graphical User Interface, GUI)允许人类校正检测错误,且仅需查看每张影像中Voronoi单元内的子区域(约12.1%像素),提高效率。案例研究样本来源于阿拉斯加西南部伊利阿姆纳湖东端的五个浅水泉源池塘,该区域为长期监测红鲑产卵、棕熊捕食和种群结构的地点。

**研究结果**

**3.1 模拟性能**:分数法和Voronoi法均产生无偏或近乎无偏的估计。所有模拟条件下,分数法平均百分比差异为0.03%(95%置信区间:[-0.01%, 0.06%]),Voronoi法为0.12%(95% CI: [-0.01%, 0.24%])。计数误差的标准差随动物速度增加而增大,随种群规模增大而减小,移动类型影响有限。Voronoi法方差略大于分数法。当动物静止时,两种方法几乎无不确定性(标准偏差<0.0018)。

**3.2 案例研究性能**:经GUI人机校正后的Voronoi计数(结合移动模拟的95%置信区间)作为基线。使用Voronoi法仅需审查全部影像像素的12.1%,使人类验证效率提高近10倍。计数不确定性随种群规模增大呈幂律指数衰减,且估计的日变化幅度大于不确定性范围。例如,Grass Pond在8月7日至8日鱼数从0增至128尾,Trail Pond在8月14日至15日增加172尾,这些快速变化无法被约7天一次的地面徒步调查捕捉。此外,鱼在池塘内呈非均匀空间分布。

**3.3 计数方法比较**:以人机校正Voronoi计数为基线,自动化Voronoi法(MAPE 5.6%)、分数法(11.7%)和地面徒步计数(9.4%)均表现良好,R2分别为0.999、0.996和0.978。而正射影像计数仅计数清晰鱼时MAPE为44.4%,包括鬼影鱼时达91.1%,R2仅为0.774和0.334。

**讨论与结论**

**讨论**:两种方法各有优势——分数法对动物移动的方差更小,但需整张影像的准确检测;Voronoi法方差略大,但仅依赖影像中心区域,适合检测边缘精度下降或需人工审核的场景。方法设计为可直接用于未来及既往航空调查,所需影像与标准正射影像调查相同。软件开源,仅需Pix4D等标准SfM流程输出即可使用,适合编程经验有限的团队。方法无需额外野外工作,可实现每日多次调查,提高时空监测频率。但动物检测遗漏或错误仍是挑战,GUI可辅助校正。此外,无人机引起的动物响应、大尺度空间覆盖限制(如视线法规)和现场访问需求等固有局限仍需注意。

**研究结论**:本研究证明了两种从航空影像中生成移动动物丰度估计的新方法,它们能控制动物移动的影响,比现有方法更准确高效。当动物被正确检测时,方法产生无偏种群估计,使研究人员能够通过重复调查进一步降低不确定性。对于快速变化的种群(如迁徙鲑鱼),增加时间监测频率可揭示更精确的移动动态及驱动因素。该方法易于部署,仅需一名操作员和消费级无人机,可扩展监测更大空间范围和更多栖息地,并赋能当地利益相关者建立监测项目。降此之外,方法的精细位置数据还能提供超越种群大小的生态见解,如鱼类产卵地选择的社会因素。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号