大规模的沿海海洋野生动物监测与空中图像

科学领域:

• 海洋生物学 海洋生物学
• 野生动物保护 野生动物保护
• 深度学习应用程序深度学习应用程序

背景情况:

• 有效监测沿海海洋野生动物对于生物多样性保护和环境管理至关重要.
• 传统的现场测量广泛海洋息地的方法往往在后勤上具有挑战性.
• 需要先进的技术来提高野生动物监测的效率和准确性.

研究的目的:

• 调查使用航空图像和深度学习用于自动检测,分类和列举海洋-沿海物种.
• 开发和训练一个深度学习模型,以准确地测量海洋哺乳动物的种群指标.
• 评估新出现的威胁对海洋野生动物种群的影响.

主要方法:

• 一组由南方海象海 (Mirounga leonina) 和南美海狮 (Otaria flavescens) 的高分辨率空中图像组成的数据集进行了策划和注释.
• 在这个数据集上开发和训练了一个深度学习框架,用于自动识别和分类动物.
• 模型的性能使用F1评分进行评估,达到0.7和0.9.9之间.

主要成果:

• 开发的深度学习模型成功地自动检测和分类了南方海象海和南美海狮.
• 该模型获得了高的F1分数,表明在人口计数中可靠的性能.
• 该方法为2023年H5N1禽流感疫情对这些物种的影响提供了关键数据.

结论:

• 空中影像与深度学习相结合,为监测沿海海洋野生动物种群提供了一种高效准确的方法.
• 从这种方法获得的自动化人口指标支持生态动态分析和保护工作.
• 这项技术对于了解和应对影响海洋生态系统的新兴威胁是有价值的.