在移動的飛機中,人類觀察者大約每10頭大象就會漏掉1頭。演算法不會疲勞。
野生動物族群調查是保育的基石。每一個管理決策,從反盜獵巡邏路線到棲地保護預算,都取決於知道有多少動物在那裡。幾十年來,標準方法一直相同:低空飛越地景,計數你看到的。問題是,在移動飛機中的人眼並不太擅長這項工作。
傳統空中調查及其局限
傳統的野生動物調查是這樣進行的:受過訓練的觀察者從低飛的飛機(通常離地60到100公尺)探出身,計算兩側指定條帶內的動物。他們在紙上或用錄音機記錄物種、群體大小和位置,通常一次連續工作6到8小時。
問題已被充分記錄。觀察者疲勞在第一個小時後開始出現,準確度穩定下降。不同觀察者計數同一條樣線,通常產生相差10%到30%的計數。陰影中、灌木後面或斑駁林地中的動物經常被遺漏。天氣、亂流和高度都帶來額外的變異性。而且飛行本身既昂貴又危險:低空調查飛行是保育中風險最高的活動之一。
AI如何改變計數
AI輔助的空中調查翻轉了工作流程。飛機(或無人機)不再依賴人類觀察者即時發現和計數動物,而是拍攝整個調查區域的高解析度照片。回到地面後,偵測模型掃描每張影像並標記它找到的每隻動物。
偵測模型,通常是像RetinaNet這樣的卷積神經網路,在單次通過中處理影像。它通過形狀、大小和與背景的對比度來識別動物,然後在每個偵測上放置帶有信心分數的標記。人類審核者檢查標記的影像和邊緣案例,但大量計數是自動處理的。
瓦赫寧恩大學的動物族群研究發表的研究發現,與專家人工標註相比,RetinaNet偵測到了95%的大象、91%的長頸鹿和90%的斑馬,同時正確識別了人類標註者完全遺漏的額外2.8%到4.0%的動物。模型每個真正陽性僅產生1.6到5.0個假陽性。
Frontiers in Conservation Science的一項研究發現,與人工方法相比,AI輔助方法可將族群估計的標準誤差降低31%到67%,在同等成本下有潛力將取樣工作量增加160%到1,050%。這意味著用相同的預算,調查更多區域,更頻繁地進行。
哪些物種效果最好
並非每個物種都同樣容易讓AI從空中計數。最佳結果來自體型大、顏色鮮明且棲息在開闊環境中的動物。
大象、牛、斑馬和牛羚是理想對象。牠們的體型使偵測變得容易,開闊的草原提供強烈的對比度。
紅鶴、企鵝和海鳥群落以密集、可見的群體棲息在開闊地面上。AI擅長在單張影像中計數數千隻個體。
海豹、海獅和海象在海岸線上休息時從上方清晰可見。熱成像增加了第二個偵測通道。
牧場主和野生動物管理者對開闊牧地上的牛、馬和馴鹿使用相同的技術。
可稽核性優勢
照片調查最被低估的好處之一是永久性。傳統的觀察者計數只是剪貼板上的一個數字。飛行結束後無法重新檢查、質疑或改進。
照片是永久的證據。AI調查期間拍攝的每張影像都可以存檔,由不同的審核者重新檢查,並在多年後用改進的演算法重新處理。如果新模型比去年的準確5%,你可以在去年的影像上重新運行,得到更好的歷史估計,而無需再次飛行。
這創造了一個隨時間改進的不斷增長的資料集。像Wild Me這樣的保育組織已建立開源平台(如Scout),讓全球的研究者可以貢獻和重新分析空拍影像。照片本身成為科學記錄,而不是從中衍生的計數。
AI計數仍面臨的困難
AI空中計數功能強大但並非通用。幾種條件仍然確實困難。
- 茂密植被 - 厚重樹冠下的動物對標準相機不可見。森林大象和靈長類動物仍難以從空中調查。
- 夜行性物種 - 僅在夜間活動的生物需要熱成像或紅外線成像,其空間解析度低於日間RGB相機。
- 水面下的水生動物 - 水下的海洋物種,如海豚或魚類,無法從空拍照片中可靠偵測。
- 小型或偽裝物種 - 與周圍環境融為一體的動物,如乾草上的野兔,將偵測模型推向極限。
- 極端天氣 - 雲層、降雨和強風會降低影像品質,甚至可能完全停止無人機和飛機作業。
開始使用AI野生動物計數
- 選擇你的平台- 消費級無人機(DJI Mavic或類似機型)適用於小區域;有人駕駛飛機或固定翼無人機覆蓋更大的保護區。
- 規劃飛行網格- 使用自動航點導航確保一致的高度和完整的區域覆蓋與影像重疊。
- 在正確的時間拍攝- 清晨或傍晚的光線減少強烈陰影。避免正午時動物會尋找陰涼處。
- 用偵測模型處理- 將影像上傳到AI計數平台。開源選項包括Wild Me的Scout,專門用於野生動物偵測。
- 審核標記的偵測- 手動檢查低信心標記和邊緣案例。這種混合方法可最大化準確度。
- 存檔所有內容- 將原始影像與計數資料一起儲存。未來的演算法將從今天的照片中提取更多價值。
總結
野生動物保育依賴準確的族群資料,幾十年來最好的可用工具是嘈雜飛機中的疲憊觀察者。AI驅動的空中計數不會取代保育中的人類專業知識,但它從方程式中消除了人工計數的瓶頸。
下次保護區需要族群估計時,最準確的答案將來自相機,而不是剪貼板。而且與剪貼板不同,這些照片在十年後仍然有用。