利用卫星与AI在异质地形中统计大象：野生动物丰度调查的分析框架

《Ecological Solutions and Evidence》：Counting elephants from space: An analytic framework for wildlife abundance surveys in heterogeneous terrain using satellites and AI

　　

物种种群规模（丰度）的估算通常通过航空调查获得，尤其是对于非洲草原象（Loxodonta africana）。然而，航空调查成本高昂且后勤要求高，这往往导致调查频率较低（例如大象的调查间隔为4年）。人们越来越关注使用高分辨率卫星影像和AI检测器作为替代方案，但其在实际调查环境（如异质植被地形）中的操作可行性和偏差在很大程度上仍未得到探索。 研究人员开发了一个用于异质植被地形中操作性丰度调查的分析框架，并将其应用于博茨瓦纳大象的案例研究。研究展示了操作性调查的关键阶段，包括在全国尺度上确定调查设计约束；训练AI大象检测器（验证集F2=0.89，测试集F2=0.63）；在博茨瓦纳进行首次同步卫星与航空野生动物计数以进行地面实况验证；以及探索明确考虑树冠导致的可用性偏差的偏差校正建模。 将卫星的统计特性与现有的国家大象航空调查进行比较，研究表明，虽然卫星提供了重要的操作优势，包括无需许可的成像和快速的空间覆盖，但它们尚不能直接替代所有航空调查。特别是，卫星丰度估算对植被遮挡动物所需的校正高度敏感，并且与30 cm图像分辨率下的检测相关的不确定性增加。 实际意义：在异质地形中利用卫星调查识别大象具有潜力。在现有技术限制下，当前最优策略可能是将此类数据作为补充工具，与航空调查相结合，而非立即独立替代。这是由于对偏差校正模型的依赖以及30 cm卫星分辨率下检测带来的额外不确定性。发展基于卫星的方法论的三项务实建议包括：（1）开发公认的偏差校正方法，利用GPS项圈数据等额外可用数据解决植被遮挡个体的问题；（2）量化30 cm分辨率下物种误分类率；（3）通过模拟研究测试将卫星和航空调查估算整合到综合建模框架中，是否能实现种群趋势变化的更早检测。

论文解读文章

一、研究背景与问题提出

物种种群规模（丰度）的准确估算对于保护管理者和政策制定者制定有效的保护措施至关重要。对于许多物种，尤其是非洲草原象（Loxodonta africana），丰度估算通常依赖低空飞行的航空调查，由人类观察员进行检测。然而，航空调查耗时费力、需要许可审批、低空飞行固有风险高，且规划时间和成本随调查规模增加而显著上升。相比之下，卫星能够快速高效地对大面积区域成像且无需许可，以前所未有的尺度提供遥感能力。这引发了卫星能否补充甚至替代航空调查进行丰度估算的问题。

目前，利用高分辨率卫星影像（空间分辨率30–60 cm）进行野生动物监测日益普及，但现有研究中有88%集中于植被遮挡极少的开阔景观，如海洋环境、偏远岛屿和极地地区。对于存在遮挡性树冠的异质环境（如稀树草原）的研究相对较少。此外，高分辨率卫星影像人工扫描耗时巨大，自动化算法检测成为必要。然而，卫星调查在真实调查环境（如异质植被地形）中的操作可行性和偏差在很大程度上仍未得到充分探索。因此，本研究旨在开发一个适用于异质植被地形的操作性卫星调查分析框架，并以博茨瓦纳的大象种群为案例进行可行性验证。

二、研究内容与主要结论

研究人员提出了一个广义的AI卫星调查分析框架，涵盖设计、数据准备和数据分析三个阶段，并将其应用于博茨瓦纳北部Ngwasha研究地点的大象丰度调查案例。该研究地点位于非洲草原象的最大种群栖息地，地形高度异质，包括奥卡万戈三角洲湿地和乔贝国家公园的莫帕尼森林等多样化生境。

通过卫星调查设计与现有航空调查的对比分析，研究发现单次过境成像较大分层区域存在约束：以Ngwasha North（NGWN）分层为例，单次过境任务化所需最小入射角约为特定值，意味着58%的更宽分层需要更陡的入射角才能完整捕获，接近野生动物成像的角度限制。因此，对于这些较宽分层，需要在短时间内获取多次单次过境图像以实现近似单次过境覆盖。

研究人员利用Airbus Pleiades Neo（PN）卫星影像构建了AI大象检测器，采用YOLO11模型架构，测试了RGB与多光谱（MS）两种光谱组合以及两种数据集划分方式（完全随机划分D1和留一测试图像划分D2）。结果显示，RGB基线模型在D1划分下验证集和测试集表现一致（F₂=0.73；F₂=0.75），而在D2划分下验证集得分最高但测试集得分显著降低（F₂=0.89；F₂=0.63）。多光谱波段的加入并未显著提升检测性能，D1划分下平均F₂提升6.3%，D2划分下反而小幅下降1.8%。所有模型在紧密聚集的象群、与背景对比度低的个体以及将岩石误认为小象的情况下表现困难。

研究实施了首次博茨瓦纳同步卫星与航空大象计数验证。在交叉区域内，航空计数记录到特定数量的大象，而卫星影像中识别出较少的大象，卫星计数比航空计数少128头，低估15.7%。这是文献中首次证明博茨瓦纳（非洲稀树草原象的分布中心）的大象可通过卫星检测，并首次为更大尺度的卫星检测提供大象相关地面实况验证。

在偏差校正建模方面，研究人员采用蒙特卡洛方法估计各土地覆盖类别的树冠覆盖率，发现被归类为“开阔”或“稀疏”的5个植被类别中有4个的树冠覆盖率在11%–47%之间，其中“稀疏森林/林地”类别最高（47%）。整体不可用地形平均比例为特定值。应用均匀密度假设的校正模型后，总丰度估算值比地面实况高估13.8%，95%置信区间通过非参数自助法计算得出。

三、关键技术方法

研究人员使用了以下主要关键技术方法：基于YOLO11卷积神经网络（CNN）架构的AI目标检测器，采用迁移学习权重，在Google Colab GPU环境（L4 GPU）上训练；Airbus Pleiades Neo（PN）卫星影像，包括30 cm全色波段和1.2 m多光谱波段，经Weighted Brovey（WB）算法进行全色锐化处理；数据集采用两种划分策略（完全随机划分D1和留一测试图像划分D2）；同步卫星与航空计数验证方法，在2022年10月6日进行，航空调查在09:16–10:40中非时间（CAT）以特定高度和特定间距的样带进行；蒙特卡洛像素采样法估算树冠覆盖率；Horvitz-Thompson型估计器用于观测误差和可用性偏差校正；非参数自助法进行不确定性传播。训练数据来自10幅PN档案影像，覆盖博茨瓦纳北部多个大象热点区域，影像选择结合了36头佩戴GPS项圈的雄象追踪数据和土地覆盖分析。

四、研究结果

卫星调查设计：以NGWN航空分层为例，单次过境任务化需要最小入射角约特定值，意味着58%的更宽分层需要更陡入射角才能完整捕获。因此，对于这些较宽分层，需在短时间内获取多次单次过境图像以实现近似单次过境覆盖，以维持封闭种群假设。

自动检测：RGB基线模型在D1划分下验证集和测试集表现一致（F₂=0.73；F₂=0.75），而在D2划分下验证集得分最高但测试集得分显著降低（F₂=0.89；F₂=0.63），性能下降源于测试图像与训练集分布外差异（阴影更长使大象视觉上更大）。多光谱波段未显著提升检测性能。所有模型在紧密聚集象群、植被中低对比度个体以及岩石误检方面表现困难。

同步计数验证：航空计数记录到特定数量的大象（密度为特定值），卫星影像识别出较少的大象（密度为特定值），卫星计数比航空计数少128头，低估15.7%。这是文献中首次证明博茨瓦纳大象可通过卫星检测。

校正建模与不确定性传播：各土地覆盖类别的树冠覆盖率估计显示，“稀疏森林/林地”最高（47%），整体不可用地形平均比例为特定值。应用均匀密度假设校正后，总丰度估算值比地面实况高估13.8%，95%置信区间为特定范围。

五、讨论与结论

讨论部分指出，高分辨率卫星正在革新野生动物种群观测和丰度估算的尺度，但现有研究多集中于开阔均质地形。对于博茨瓦纳大象这类异质植被地形中的物种，开发操作性AI卫星调查需要建立专门的卫星丰度模型，以处理空间变异性、30 cm分辨率下检测的不确定性以及原始卫星观测所需的校正。

研究强调，树冠覆盖导致的可用性偏差是核心挑战，简单均匀密度假设在较大尺度上可能不成立，因为大象密度在空间上变化显著，且其位于树冠下的倾向受时间、温度、干旱状况、水源距离、人为干扰和狩猎威胁等多种因素影响。替代方法包括基于配对验证数据的经验校正模型，或扩展回归模型（如混合效应线性模型和广义加性模型）。

卫星轨道约束方面，博茨瓦纳的卫星星座通常在固定时间（10–11点CAT）过境，这可能不是大象调查的最优时间，因为标准航空调查协议避免在正午前后进行，此时大象倾向于在植被下休息。入射角限制单次过境可成像的宽度，可能导致与现有分层边界不对齐。新型星座（如Vantor Legion）提供每日多次重访，可实现近似单次过境覆盖和最优时间选择。

30 cm分辨率下的开放问题包括幼象和象尸的可检测性以及物种误分类风险。大象与犀牛、河马和大型水牛的区分具有挑战性，在物种共居区域需考虑误分类风险。AI检测器在紧密聚集象群和低对比度个体方面表现不佳，需增加训练实例或采用点标注器等场景化检测方法。

研究结论认为，卫星调查在异质地形中识别大象具有潜力，但在现有技术约束下，当前最优策略是将卫星数据作为航空调查的补充工具而非独立替代。这源于对偏差校正模型的依赖以及30 cm分辨率下检测的额外不确定性。研究提出三项务实建议：（1）开发公认的偏差校正方法，利用GPS项圈数据等解决植被遮挡问题；（2）量化30 cm分辨率下的物种误分类率；（3）通过模拟研究测试卫星与航空调查估算整合到综合建模框架中，以实现种群趋势变化的更早检测。论文发表在《Ecological Solutions and Evidence》。