候鳥調查是鳥類生態學研究和保護管理的基礎，隨著科技發展，雷達、無人機、衛星跟蹤等新技術的廣泛應用于候鳥調查研究，雖然一定程度的彌補傳統調查方法的不足，但如何對大范圍環境下，快速對候鳥種類，數量做到精確識別的路上，還有很多問題待解決。

在這里我們以“天樞遙感智能視覺平臺為例”介紹“AI和無人機照片”結合進行候鳥計數調查的基本能力的測試。

測試數據情況

4張無人機拍攝的鳥群活動區域圖片，將其依次命名為bird1、bird2、bird3、bird4：

作業路線

樣本集制作

1、鳥種分類

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

2、樣本標注

將4張圖片上傳至天樞-遙感智能視覺平臺，利用平臺標注工具對圖片中鳥類開始標注。

3、訓練集、測試集劃分

將樣本集中的4張圖片劃分訓練集和測試集，其中bird2、bird4用作訓練集，bird1、bird3用作測試集。

注：訓練集用于模型訓練，測試集用于檢驗訓完的模型效果。

模型訓練

利用天樞平臺中的模型訓練—目標識別算法模塊，配置訓練參數，提交訓練任務。

模型測試

模型訓練完成之后，利用天樞平臺的遙感解譯功能，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、精度統計

注：準確率=模型正確識別出的鳥數量/模型識別出的鳥總數量   （包括鳥位置的正確性）

召回率=模型正確識別出的鳥數量/人工標注的鳥總數量   （包括鳥位置的正確性）

說明：部分鳥的類別由于數量稀少，故結果占比較大，導致分數較低。

3、成果截圖

bird1測試集成果截圖：

bird3測試集成果截圖：

4、后續改進計劃

（1）當前圖片分辨率偏低，人工做樣本標注時，無法清晰的區分更多鳥的種類或狀態。如對分類規則的邊界不清晰不明確，則訓練出的模型效果難以保證。后續可以通過增加無人機拍攝照片的分辨率來豐富其它鳥類別的識別，提高樣本標注質量和模型精度。

（2）當前各類別樣本數量不均衡，一定程度上會影響模型的訓練結果。后續可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和精度。

5、總結

本次測試，通過天樞-遙感智能視覺平臺模型自訓練能力， 1人1天時間，完成從樣本的清洗、標注到模型的訓練、測試和發布的全流程工作。經分析，利用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，不分類的條件下準召率均能達到94%以上，分4類的條件下各類別的平均準確率也能夠達到90%。因此，本次測試能夠證明利用基于AI的天樞平臺可大幅度提高自然保護區鳥類監測識別的生產效率和識別精度。

————————————————————————————

為何要數候鳥？這是保護候鳥及其棲息地的重要依據。一來鳥類數量與其瀕危狀態評估相關，二來鳥類擁有強大飛行能力，可以快速、主動選擇高質量、低風險的生活環境，通過統計候鳥種類、數量可以反映某一區域環境質量變化，在這過程中從業者的目的不變，方式上我們愿意提出更好的技術上，降低這個過程中的重復工作。

本文引用：

【候鳥成群飛，數量如何計 — 中國科學院】

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