深度学习可以提取野生动物摄像机的气象附带捕获

科学领域:

• 生态生态学 生态生态学
• 计算机科学 计算机科学
• 环境科学 环境科学

背景情况:

• 微气候变化显著影响生物多样性,但研究往往只关注温度,忽视其他关键气象因素.
• 遥控摄像头和深度学习为生态监测提供了强大的工具,但它们的应用仅限于识别活体.

研究的目的:

• 开发和验证一种能够从野生动物摄像头图像中提取微气象数据 (阳光,冰,雪,阴云) 的深度学习模型.
• 展示图像衍生气象数据在生态研究中的实用性,特别是了解气候变化对生物多样性的影响.

主要方法:

• 从南非和瑞士阿尔卑斯山的49个野生动物摄像头创建了一个微观气象条件的注释数据集.
• 集成深度学习模型被训练来分类天气条件,在未见的数据上实现高精度.
• 该模型的性能在一个新的位置 (斯瓦尔巴德,挪威) 进一步评估,并与基准计算机视觉模型进行了比较.

主要成果:

• 集体深度学习模型在测试摄像头上实现了91.7%的准确性,在基于共识的分类中提高到96%.
• 在斯瓦尔巴德,该模型达到79.3%的准确性 (93.9%的共识),超过了基准模型.
• 数百万张图像的分析揭示了季节性天气模式和特定地点的每日阳光/阴影变化,影响温度周期.

结论:

• 对野生动物图像应用的深度学习为获得生态相关的微气象数据提供了一种新且有效的方法.
• 这种方法增强了我们对微气候如何影响生物多样性的理解,并且可以与实验发现 (例如,对雪的变暖效应) 和生物观测 (例如,大黄蜂食) 相结合.
• 该方法提供了来自全球野生动物摄像机网络的新见解,同步生物和气象记录.