《Polar Biology》：Streamlining ringed seal (Pusa hispida) abundance estimation through Computer Vision models
编辑推荐：
北极变暖速度远超全球其他地区，其物理环境正在经历深刻转型。在此背景下，监测野生动物种群状况对于追踪气候变化对生物多样性保护、环境管理和自然资源可持续利用的影响至关重要。北极特有海洋哺乳动物的评估尤为重要，因为其海冰栖息地正急剧减少，同时这些动物也是北极人类社区
北极变暖速度远超全球其他地区，其物理环境正在经历深刻转型。在此背景下，监测野生动物种群状况对于追踪气候变化对生物多样性保护、环境管理和自然资源可持续利用的影响至关重要。北极特有海洋哺乳动物的评估尤为重要，因为其海冰栖息地正急剧减少，同时这些动物也是北极人类社区的关键资源。然而，栖息地的偏远性使得监测工作在后勤上极为复杂且成本高昂。本研究开发、测试并验证了一种应用于沿海海冰环境中环斑海豹（Pusa hispida）航空影像的深度学习模型。研究人员在斯瓦尔巴群岛（挪威）西斯匹次卑尔根岛的多个峡湾开展了无人机系统（UAS）调查，并生成了一套带注释的高分辨率数据集，用于训练基于YOLOv8架构的目标检测模型。结果表明该模型效果显著，在其自身测试集上取得了0.89的F1分数和0.90的mAP@0.5。当在更大的外部测试集上评估时，该模型能够在新图像中检测到96%的环斑海豹个体。对模型效能的分析表明，相较于人工后处理图像分析，人类工作量可减少高达99.7%。本研究证明，该模型是一种快速、准确且低成本的工具，可用于UAS调查航拍图像中环斑海豹的自动化监测，并且在针对特定目标物种进行训练后，有望应用于其他与海冰相关的物种。
研究背景与科学问题
北极海冰环境的持续剧烈衰退（Efstathiou et al., 2022; Urbański and Litwicka, 2022; Kim et al., 2023）对依赖海冰完成生命周期的北极特有海洋哺乳动物（AMMs），如环斑海豹（Pusa hispida），构成了严重威胁。环斑海豹是分布最广的北极海洋哺乳动物之一，其对海冰和雪盖巢穴的完全依赖性使其成为对海冰丧失最敏感的物种之一（Smith and Stirling, 1975; Lydersen and Gjertz, 1986; Kovacs et al., 2011）。然而，由于缺乏整个北极范围内多数地区的种群丰度和趋势数据，评估气候变化对该物种的影响一直颇具挑战（Kovacs et al., 2021, 2026）。传统的小型飞机航空调查虽然覆盖面积大，但成本高昂、存在安全风险，且后续图像的人工判读工作极为繁重（Krafft et al., 2006; Johnston et al., 2017）。无人机系统（UAS）提供了一种更安全、成本效益更高的替代方案，但大量航拍图像的处理瓶颈依然存在（Corcoran et al., 2021）。为此，本研究旨在开发一种基于UAS航拍图像的深度学习目标检测模型，为环斑海豹的长期监测提供可靠、高效的自动化分析方法。
研究方法与技术路线
研究人员在挪威斯瓦尔巴群岛西斯匹次卑尔根岛的三个大型峡湾系统（孔斯峡湾、伊斯峡湾和范米延峡湾）于2022至2025年间进行了无人机系统（UAS）航拍调查。主要使用搭载索尼ILCE-6000相机的DeltaQuad Pro #MAP固定翼垂直起降（VTOL）无人机，飞行高度120米，获取高分辨率图像。所有图像在Roboflow平台上由两名经过培训的标注员手动标注，识别依据包括体型、呼吸孔等典型结构以及在海冰上的位置。研究人员构建了一个名为proSeal的数据集，包含830张原始图像（620张阳性、210张阴性），并将其按70%、15%、15%的比例随机划分为训练集、验证集和测试集。图像被裁剪为640×640像素的瓦片，并对阳性瓦片应用了Albumentations库中的数据增强技术，最终训练集包含5,189张阳性瓦片和经下采样后按1:8比例配比的41,512张阴性瓦片。模型基于在MS COCO数据集上预训练的YOLOv8架构进行微调，并在Google Colab平台完成训练。此外，为评估真实场景下的部署性能，研究人员还创建了一个独立的外部测试集——2025年范米延峡湾数据集，包含3,628张高分辨率图像（348,288个瓦片）。
研究结果
模型测试
proSeal模型在其测试集上表现强劲，实现了精度（Precision）为0.94、召回率（Recall）为0.84、F1分数为0.89以及mAP@0.5为0.90的性能指标。这表明模型在正确识别海豹和避免误报方面取得了良好平衡，但边界框定位在更严格的IoU阈值下有所下降。
真实场景部署下的推理性能评估
在优先考虑召回率的设置下（置信度阈值0.001，IoU阈值0.30），proSeal模型在范米延峡湾2025年外部数据集上达到了0.96的召回率，成功检测到96%的海豹个体，但精度较低（0.12），导致FP/TP比率为6.7。当提高置信度阈值至0.01时，召回率略降至0.90，但精度大幅提升至0.45，FP/TP比率降至1.2。在置信度和IoU阈值均为0.50的最严格设定下，模型达到了0.65的召回率、0.97的精度和0.77的F1分数，此时FP/TP比率仅为0.02。在最宽松的设置下，模型将人类工作量减少了99.77%，同时仅遗漏了4%的海豹个体。
讨论与结论
本研究表明，proSeal模型作为环斑海豹监测工具潜力巨大，能够大幅降低人工图像审查工作量（最高达99.77%），将专家精力从全面筛查转向验证候选检测结果，从而加速大规模数据处理并支持长期的种群评估与适应性保护管理。尽管模型在小型、不平衡数据集上训练面临挑战，但通过积极的数据增强策略取得了优异性能，其召回率（96%）优于或等同于大多数同类陆地及海洋哺乳动物航拍监测研究（70%-95%）。与卫星图像相比，无人机（UAS）图像因分辨率更高，更适合海冰环境中的个体检测。然而，模型检测结果不能直接等同于无偏的丰度估计，仍需结合后检测验证程序（如人工复核、校正因子）来应对模型误差和生态来源的不完全检测问题。未来通过扩大训练数据集、采用更高分辨率图像，有望进一步提升模型鲁棒性和泛化能力。
