基于深度学习的红外相机动物影像人工智能识别:以东北虎豹国家公园为例

为解决大量红外相机监测影像数据量庞大、亟待快速和自动识别的问题,本研究以东北虎豹国家公园为例,应用卷积神经网络,通过深度学习算法对红外相机影像实现物种自动识别。本研究选择8个物种的红外相机视频影像,以50帧率均匀采集成图片格式,每个物种筛选不同角度、不同环境条件的图片,建立图片数据集,包括训练集2 074张,测试集519张。对图片进行目标打框、类别标注,选用darknet框架下的YOLO v3模型进行训练。首先不区分昼(RGB)夜(灰度)图像进行训练,再区分昼夜进行训练,最后分别对昼夜图像利用微调(fine-tune)进行训练。研究初步结果显示,基于YOLO v3模型对自然条件下拍摄的红外相机图像进行物种自动识别能够一定程度减轻人力负担,但其效果还需通过完善数据集进行提升。fine-tune在小数据集时或可作为辅助。模型对8个物种识别的平均精确率达到84.9%~96.0%,且模型收敛。

东北虎豹国家公园东部的野猪生境利用和活动节律初步研究

野猪是世界上分布最广的大型哺乳动物之一,也是东北虎豹国家公园内主要的有蹄类动物,东北虎主要的猎物之一。本文采集了中国虎豹观测网络架设在东北虎豹国家公园东部区域的红外相机完整一年的拍摄数据(2015年5月至2016年4月),通过占域模型和核密度分析获得不同季节的野猪生境利用情况和日活动节律,探究人为因素、环境因素和生物因素对野猪生境利用的影响。结果显示,野猪偏好于针叶林和针阔混交林,在靠近居民点的区域活动增加。不同物种间的相互作用对野猪的生境利用产生不同影响,受捕食者压力野猪倾向于躲避东北虎,但东北豹对野猪占域显示为正向影响。梅花鹿和狍对野猪的影响在不同季节呈现相反,梅花鹿对野猪的占域在冬季呈负向影响,而狍对野猪的占域则在夏季呈负向影响。本研究区域内的野猪夏季有2个活动高峰,冬季有1个活动高峰,在不同季节都倾向于白天和晨昏活动,在日落前达到活动最高峰。本研究揭示东北虎豹国家公园东部区域的野猪生境利用和活动节律是受到植被生境、大型食肉动物以及人类因素等多种因素相互作用长期相适应的结果。

激光雷达技术在动物生态学领域的研究进展

激光雷达(light detection and ranging,LiDAR)作为一门新兴的主动遥感技术,近年来由于在提取和反演森林参数水平上不断提高,被越来越多地应用于动物生态学研究中。本文通过整理和搜集国内外文献,对激光雷达的技术特点及其在森林参数提取和动物生境上的研究进展进行综述,指出当前基于LiDAR的森林参数反演算法主要服务于森林资源调查或林学研究,缺少对动物生态或生理意义相关的参数量化信息。目前该技术在国内的动物生态学方面的应用较少,尚未见文章发表。通过总结国外学者的研究,分别从动物生境选择与三维森林结构的关系、栖息地立体生境制图、生物多样性评估和物种分布模型预测三个方面综述了LiDAR在动物生态学研究中的应用现状。相比传统方法,LiDAR技术提供的高精度三维结构信息,能够显著提高动物生境质量的评估、生物多样性的监测水平和物种分布模型的评价精度,有利于从机理上加深对物种生境选择和集群过程的理解。但目前LiDAR技术的应用主要集中在对已知的生态关系研究,尤其是冠层结构与动物分布的关系,缺少对林下层生活的动物生境质量和生物多样性的监测和评估,同时很多有关动物生存和繁衍与立体生境的关系研究有待从LiDAR数据中进一步挖掘分析。未来应加强对森林林下层三维信息的提取,提高林下层动物生境质量和生物多样性的监测水平,同时建立适用于动物生态和生理意义相关的参数,为动物生境质量和生物多样性的评估提供标准的量化指标。