候鳥調查是鳥類生态學(xué)研究和保護管理(lǐ)的基礎，随着科(kē)技(jì )發展，雷達、無人機、衛星跟蹤等新(xīn)技(jì )術的廣泛應用(yòng)于候鳥調查研究，雖然一定程度的彌補傳統調查方法的不足，但如何對大範圍環境下，快速對候鳥種類，數量做到精(jīng)确識别的路上，還有(yǒu)很(hěn)多(duō)問題待解決。

在這裏我們以“天樞遙感智能(néng)視覺平台為(wèi)例”介紹“AI和無人機照片”結合進行候鳥計數調查的基本能(néng)力的測試。

測試數據情況

4張無人機拍攝的鳥群活動區(qū)域圖片，将其依次命名(míng)為(wèi)bird1、bird2、bird3、bird4：

作(zuò)業路線(xiàn)

樣本集制作(zuò)

1、鳥種分(fēn)類

因圖片分(fēn)辨率較低，且測試人員缺少動物(wù)保護相關專業經驗，故僅對圖片中(zhōng)涉及到的鳥類根據自定義規則劃分(fēn)成以下4類：

2、樣本标注

将4張圖片上傳至天樞-遙感智能(néng)視覺平台，利用(yòng)平台标注工(gōng)具(jù)對圖片中(zhōng)鳥類開始标注。

3、訓練集、測試集劃分(fēn)

将樣本集中(zhōng)的4張圖片劃分(fēn)訓練集和測試集，其中(zhōng)bird2、bird4用(yòng)作(zuò)訓練集，bird1、bird3用(yòng)作(zuò)測試集。

注：訓練集用(yòng)于模型訓練，測試集用(yòng)于檢驗訓完的模型效果。

模型訓練

利用(yòng)天樞平台中(zhōng)的模型訓練—目标識别算法模塊，配置訓練參數，提交訓練任務(wù)。

模型測試

模型訓練完成之後，利用(yòng)天樞平台的遙感解譯功能(néng)，對bird1、bird3兩組測試集進行解譯，得出結果如下：

bird1測試集結果

bird3測試集結果

2、精(jīng)度統計

注：準确率=模型正确識别出的鳥數量/模型識别出的鳥總數量   （包括鳥位置的正确性）

召回率=模型正确識别出的鳥數量/人工(gōng)标注的鳥總數量   （包括鳥位置的正确性）

說明：部分(fēn)鳥的類别由于數量稀少，故結果占比較大，導緻分(fēn)數較低。

3、成果截圖

bird1測試集成果截圖：

bird3測試集成果截圖：

4、後續改進計劃

（1）當前圖片分(fēn)辨率偏低，人工(gōng)做樣本标注時，無法清晰的區(qū)分(fēn)更多(duō)鳥的種類或狀态。如對分(fēn)類規則的邊界不清晰不明确，則訓練出的模型效果難以保證。後續可(kě)以通過增加無人機拍攝照片的分(fēn)辨率來豐富其它鳥類别的識别，提高樣本标注質(zhì)量和模型精(jīng)度。

（2）當前各類别樣本數量不均衡，一定程度上會影響模型的訓練結果。後續可(kě)通過增加不同場景下各種鳥類的樣本，進一步增強模型的泛化性能(néng)和精(jīng)度。

5、總結

本次測試，通過天樞-遙感智能(néng)視覺平台模型自訓練能(néng)力， 1人1天時間，完成從樣本的清洗、标注到模型的訓練、測試和發布的全流程工(gōng)作(zuò)。經分(fēn)析，利用(yòng)2組訓練集訓出的模型在另兩組測試集上的表現綜合來看效果良好，不分(fēn)類的條件下準召率均能(néng)達到94%以上，分(fēn)4類的條件下各類别的平均準确率也能(néng)夠達到90%。因此，本次測試能(néng)夠證明利用(yòng)基于AI的天樞平台可(kě)大幅度提高自然保護區(qū)鳥類監測識别的生産(chǎn)效率和識别精(jīng)度。

————————————————————————————

為(wèi)何要數候鳥？這是保護候鳥及其栖息地的重要依據。一來鳥類數量與其瀕危狀态評估相關，二來鳥類擁有(yǒu)強大飛行能(néng)力，可(kě)以快速、主動選擇高質(zhì)量、低風險的生活環境，通過統計候鳥種類、數量可(kě)以反映某一區(qū)域環境質(zhì)量變化，在這過程中(zhōng)從業者的目的不變，方式上我們願意提出更好的技(jì )術上，降低這個過程中(zhōng)的重複工(gōng)作(zuò)。

本文(wén)引用(yòng)：

【候鳥成群飛，數量如何計 — 中(zhōng)國(guó)科(kē)學(xué)院】

http://www.cas.ac.cn/kx/kpwz/202201/t20220113_4822056.shtml