- 3 次围观
水鸟是水生和陆地生态系统健康状况的重要指示物，因此，开展有效监测对于追踪种群健康状况并识别潜在衰退原因至关重要。无人机为克服历史上水鸟监测所面临的挑战提供了新的机会，但人工图像分析所需的专业知识与时间构成了一个主要瓶颈。近年来，基于深度学习的目标检测技术取得了进展，使得在复杂生态影像中快速、自动检测目标成为可能，尽管其应用在很大程度上仍局限于单一物种群落，而且实践者缺乏关于不同自动化水平下标注时间与准确性的定量比较。我们系统比较了2025年得克萨斯州马塔哥达湾切斯特岛一个混合物种群落中四种水鸟监测方法，所使用的调查区域完全一致：(1) 传统地面计数，(2) 基于无人机影像的人工计数，(3) 使用目标检测器预标注并结合人工核验的计算机辅助计数（Human+ML），以及 (4) 使用目标检测器标注的全自动计数（ML-only）。我们基于2021年切斯特岛的人工标注影像训练了一个YOLOv10目标检测模型，并将其应用于2025年的影像。人工无人机标注检测到6,530只鸟，用时40.5小时，并作为主要参考标准。Human+ML检测到5,826只鸟（为人工计数的89%），用时7.7小时，标注时间减少了81%。ML-only检测到5,679只鸟（为人工计数的87%），用时约46分钟，时间减少了98%。地面计数记录到5,868只鸟（为人工计数的90%）。检测在不同物种间表现出良好的泛化能力，而分类结果则在很大程度上依赖于训练数据及形态学可辨识性。Human+ML工作流程成为一种实用的折中方案，为实践者根据监测目标评估部分自动化与完全自动化策略提供了实证数据。
用于水鸟群落监测的机器学习工具应用可提升精确性与时间效率 | bioRxiv
跳转至主要内容 首页 关于 提交 提醒 / RSS 搜索此关键词 高级搜索 最新结果
用于水鸟群落监测的机器学习工具应用可提升精确性与时间效率
查看 ORCID 主页 Anna C Vallery ， 查看 ORCID 主页 Krish Kabra ， 查看 ORCID 主页 Richard Gibbons ， Hank Arnold ， Nicholas Minnich ， 查看 ORCID 主页 Arko Barman
doi： https://doi.org/10.64898/2026.07.01.735369
Anna C Vallery 1 美国国家奥杜邦学会； 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 保留所有权利。未经许可不得转载使用。
返回顶部 上一页 下一页
发表于 2026 年 7 月 2 日。
下载 PDF 补充材料 电子邮件
感谢您有兴趣帮助传播 bioRxiv 的信息。
您的电子邮件 * 您的姓名 * 发送至 * 请输入多个地址，每行一个，或以逗号分隔。
您将通过电子邮件发送以下内容
用于水鸟群落监测的机器学习工具应用可提升精确性与时间效率
邮件主题
（您的姓名）已从 bioRxiv 向您转发一个页面
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人类访客，并防止自动垃圾信息提交。
分享
用于水鸟群落监测的机器学习工具应用可提升精确性与时间效率
Anna C Vallery ， Krish Kabra ， Richard Gibbons ， Hank Arnold ， Nicholas Minnich ， Arko Barman
bioRxiv 2026.07.01.735369； doi： https://doi.org/10.64898/2026.07.01.735369
分享本文： 复制
引文工具
用于水鸟群落监测的机器学习工具应用可提升精确性与时间效率
Anna C Vallery ， Krish Kabra ， Richard Gibbons ， Hank Arnold ， Nicholas Minnich ， Arko Barman
bioRxiv 2026.07.01.735369； doi： https://doi.org/10.64898/2026.07.01.735369
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.01.735369v1?rss=1
🏷️ 水鸟监测 无人机影像 深度学习目标检测 生态监测 繁殖群落 YOLOv10