利用计算机视觉增强距离抽样的红外相机密度模型参数自动估计

基于相机陷阱估计动物密度的模型需要四个检测参数：运动速度、日活动水平、停留时间（动物在探测区域内停留的持续时间）以及有效探测距离。这些参数传统上依赖于劳动密集型的人工测量和辅助遥测。计算机视觉的最新进展能够提供相机陷阱图像中动物的位置，这些信息已被用于距离抽样。我们将这一方法扩展至从图像中提取全部四个参数，并首次通过自动坐标跟踪获得了基于 AI 的运动速度和停留时间估计。我们还提出了一种新的联合多物种分层距离函数，用于估计特定部署的有效探测距离，同时通过部分池化在物种间借力。我们的流程整合了用于动物检测的 MegaDetector、用于分割的 Segment Anything Model，以及用于单目深度估计的 Dense Prediction Transformers。基于帧级坐标，我们重建了跨突发序列的运动轨迹，采用尺寸偏倚分布校正来估计速度，通过边界框插值计算停留时间，并依据检测时间戳估计活动水平。该联合分层距离函数将探测尺度参数分解为共享的部署层面效应和物种特异性偏移，因此物种效应表示相对于多物种平均水平的偏离，使得数据丰富的物种能够为稀有物种观测较少的探测条件提供信息。由 AI 推断的场景深度作为探测范围的协变量进入模型，从同一流程中提供植被开阔度指标。为应对深度估计带来的位置误差，我们应用了数据质量筛选。我们处理了来自华盛顿州和蒙大拿州山地森林的 181 个部署、共 122,574 帧影像，为 12 个物种生成了无需人工标注的参数估计。自动化速度估计得到的日范围为基于 GPS 遥测的日距离的 2.7 至 4.3 倍，反映了探测区域内遭遇速度与景观尺度位移之间的差异。部署层面的可探测性变异超过物种层面差异 3:1，且场景深度可强烈预测探测范围；平均有效探测距离介于 4.1 至 7.6 m。将这些参数应用于随机遭遇模型（Random Encounter Model）后，在蒙大拿州得到白尾鹿密度估计为 21.4 只/km^2，而随机遭遇停留时间模型（Random Encounter Staying Time model）得到 11.6 只/km^2。该流程可在大规模相机陷阱网络中实现可扩展的密度估计。

本网站正在使用一项安全服务来保护其免受网络攻击。您刚刚执行的操作触发了该安全解决方案。可能触发此拦截的操作有多种，包括提交某个特定单词或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知其您被拦截。请在邮件中说明当该页面出现时您正在执行的操作，并附上位于本页面底部的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.14.732225v1?rss=1

🏷️ 相机陷阱 计算机视觉 距离抽样 动物密度估计 多物种分层模型 随机遭遇模型