移动飞行器中的人类观察者大约每10头大象就会遗漏1头。算法不会疲劳。
野生动物种群调查是生态保护的基础。从反盗猎巡逻路线到栖息地保护预算,每一个管理决策都取决于了解有多少动物存在。几十年来,标准方法一直相同:低空飞越地形,数你所见。问题在于,移动飞行器中人类的眼睛并不擅长这项工作。
传统航空调查及其局限性
传统的野生动物调查是这样进行的:训练有素的观察者从低空飞行的航空器(通常距地面60至100米)探出身体,计数两侧固定条带区域内的动物。他们用纸笔或录音机记录物种、群体大小和位置,通常连续工作6至8小时。
问题已被充分记录。观察者疲劳在第一个小时后开始出现,准确度稳步下降。不同观察者对同一样线的计数,常规性地产生10至30%的差异。阴影中、灌木后面或斑驳树林中的动物经常被遗漏。天气、气流颠簸和飞行高度都会引入额外的变异。飞行本身既昂贵又危险:低空调查飞行是保护工作中风险最高的活动之一。
AI如何改变计数方式
AI辅助航空调查从根本上改变了工作流程。航空器(或无人机)不再依赖人类观察者实时发现和计数动物,而是拍摄整个调查区域的高分辨率照片。回到地面后,检测模型扫描每张图像并标记发现的每只动物。
检测模型(通常是RetinaNet等卷积神经网络)在一次处理中完成图像分析。它通过形状、大小和与背景的对比来识别动物,然后在每个检测结果上放置带有置信度分数的标记。人工审核员检查标记的图像和边缘案例,但大量计数工作自动完成。
瓦赫宁根大学动物种群研究发表的成果显示,RetinaNet检测到了95%的大象、91%的长颈鹿和90%的斑马,同时正确识别出人类标注者完全遗漏的2.8至4.0%的额外动物。模型每个真阳性仅产生1.6至5.0个假阳性。
Frontiers in Conservation Science的研究发现,与手动方法相比,AI辅助方法可将种群估计标准误差降低31至67%,在同等成本下有可能将采样工作量增加160至1,050%。这意味着用同样的预算可以更频繁地调查更大的区域。
哪些物种最适合
并非所有物种都同样适合AI从空中计数。最佳结果来自体型大、颜色鲜明、栖息在开阔地带的动物。
大象、牛、斑马和角马是理想的对象。它们体型大,容易检测,开阔的草原提供了强烈的对比。
火烈鸟、企鹅和海鸟群落以密集、显眼的群体栖息在开阔地面。AI擅长在单张图像中计数数千个个体。
海豹、海狮和海象上岸后在海岸线上清晰可见。热成像增加了第二个检测通道。
牧场主和野生动物管理者对开阔牧场上的牛、马和驯鹿使用相同的技术。
可审计性优势
基于照片调查最被低估的优势之一是永久性。传统观察者计数只是剪贴板上的一个数字。飞行结束后无法重新检查、质疑或改进。
照片是永久的证据。AI调查中拍摄的每张图像都可以存档、由不同的审核者重新检查,并在数年后用改进的算法重新处理。如果新模型比去年的准确5%,你可以在去年的图像上重新运行它,无需再次飞行就能获得更好的历史估计值。
这创建了一个随时间推移不断改进的增长数据集。Wild Me等保护组织已经建立了开源平台(如Scout),让全球研究人员可以贡献和重新分析航空图像。照片本身成为科学记录,而不是由此得出的计数。
AI计数仍然困难的领域
AI航空计数功能强大但并非万能。若干条件仍然确实很有挑战。
- 茂密植被 - 厚密树冠下的动物对标准相机不可见。森林象和灵长类动物的空中调查仍然困难。
- 夜行性物种 - 仅在夜间活动的动物需要热成像或红外成像,其空间分辨率低于白天的RGB相机。
- 水下水生动物 - 海豚或鱼类等水下海洋物种无法通过航空照片可靠检测。
- 小型或伪装物种 - 像干草上的野兔这样融入环境的动物,将检测模型推向极限。
- 极端天气 - 云层、雨和强风会降低图像质量,并可能完全停止无人机和航空器的运营。
AI野生动物计数入门
- 选择平台- 消费级无人机(DJI Mavic或类似型号)适合小区域;有人驾驶飞机或固定翼无人机覆盖更大的保护区。
- 规划飞行网格- 使用自动航点导航确保一致的高度和带有图像重叠的完整区域覆盖。
- 在合适时间拍摄- 清晨或傍晚的光线减少强烈阴影。避免动物寻找遮阴的正午时段。
- 使用检测模型处理- 将图像上传到AI计数平台。开源选项包括Wild Me的Scout,专门用于野生动物检测。
- 审核标记的检测结果- 手动检查低置信度标记和边缘案例。这种混合方法最大限度地提高准确性。
- 存档所有内容- 将原始图像与计数数据一起存储。未来的算法将从今天的照片中提取更多价值。
结论
野生动物保护依赖准确的种群数据,而几十年来可用的最佳工具是嘈杂飞机中疲惫的观察者。AI驱动的航空计数不会取代保护工作中的人类专业知识,但它消除了手动计数这一瓶颈。
下次保护区需要种群估计时,最准确的答案将来自相机而非剪贴板。与剪贴板不同,照片在十年后仍然有用。