《Remote Sensing in Ecology and Conservation》：Accounting for animal movement during aerial imaging surveys
编辑推荐：
为解决航空影像调查中动物因飞机移动而产生反应，导致种群数量估算存在偏差的问题，研究人员利用空间重叠的影像对，开展了一项评估计数误差与平台偏差的研究。通过分析美国新墨西哥州越冬水鸟的无人机影像，发现不同鸟类对旋翼与固定翼无人机的反应存在差异，其中鹤类与雁类的总体计数减少，而鸭类略有增加。该方法为量化评估动物对航空器的反应、提高丰度估算的可信度提供了新工具。
在野生动物监测领域，传统的观察员空中调查方法正逐渐被一种更先进、更高效的“远程感知/机器学习”(Remote Sensing/Machine Learning, RS/ML)工作流所补充。这种结合了航空成像与自动化图像处理的技术，被视为未来野生动物管理的有力工具。然而，技术的进步也带来了新的挑战。在利用飞机（特别是无人机）进行低空影像采集时，一个长期被关注但难以精确量化的问题是：飞机自身的出现和移动，是否会惊吓动物，从而导致它们逃离或移动？这种反应如果存在，就会在调查中造成双重计数（同一动物在不同时间点被拍到两次）或漏计数（动物在拍照前离开），最终导致对种群数量的估算产生系统性偏差，科学家们称之为“平台偏差”(platform bias)。
这个问题的重要性不言而喻。如果无法精确评估和校正这种偏差，那么无论后续的自动计数算法多么先进，得出的种群数量数据都可能偏离真实情况，进而误导保护决策。更复杂的是，不同的飞机平台（如旋翼无人机和固定翼飞机）、不同的物种，甚至同种动物在不同情境下的反应都可能不同，这使得量化平台偏差成为一项复杂的挑战。尽管已有研究关注动物行为反应，但很少有方法能精确量化这种移动对最终计数结果造成的影响，并判断其是否具有方向性（即是否是系统性偏差）。
在这一背景下，一篇发表在生态与保护遥感学领域的期刊《Remote Sensing in Ecology and Conservation》上的研究，提出了一种巧妙而新颖的解决方案。该研究由Rowan L. Converse等人领导，其核心思想是“化问题为机遇”。通常，在航空影像调查中，为了确保全面覆盖，影像之间会设计一定的空间重叠区域，这本来可能导致重复计数，是需要解决的问题。然而，这篇研究却反其道而行之，将这些空间重叠的影像对（包括同一航线上前后相邻的影像，以及相邻航线上空间重叠的影像）视为宝贵的时间“快照”。通过比较这些重叠区域内，不同时间点动物的数量和相对位置变化，研究人员能够直接测量计数误差，并分析动物移动的方向是否与飞机的移动轨迹存在关联，从而检测平台偏差的存在。
这项研究的关键方法主要包括：首先，利用卷积神经网络(CNN)对无人机采集的越冬水鸟（鸭、雁、鹤）影像进行自动识别、检测和分类。接着，通过摄影测量技术（结构运动/多视角立体视觉，SfM-MVS）和专门的“地理投射”(Geograypher)工具，将影像中的动物检测框地理坐标化，并精确计算每对重叠影像的公共区域。在分析层面，研究人员采用了两种核心评估：1. 计数误差评估：对重叠区域在时间点1(T1)和时间点2(T2)的动物数量进行比较，通过非参数统计（威尔科克森符号秩检验）判断差异是否显著，并计算总体计数的百分比差异。2. 平台偏差评估：计算T1和T2时刻重叠区域内所有动物位置的地理中位数，得到代表该群体“中心”移动的向量。然后，将所有调查的移动向量归一化到与无人机航向相关的统一坐标系中，最后应用圆统计(circular statistics)中的瑞利检验(Rayleigh's test)来判断这些移动方向是否在特定方向上存在显著聚集（即方向性偏差），而非随机分布。
研究结果揭示了一幅细致而有趣的图景。在计数误差方面，总体误差相对较低，但不同鸟类和不同无人机平台间存在差异。具体来看：
- •
鸭类：在两个平台（旋翼和固定翼）的调查中，总体计数显示出轻微但显著的净增加（约+2.5%），尤其是在固定翼无人机调查的相邻航线间，这表明鸭类可能被无人机“推着”在调查区域内移动。
- •
雁类和鹤类：总体计数则显示出净减少。特别是在相邻航线间的比较中，鹤类的总体计数下降了约-9.9%，雁类下降了约-9.5%，表明它们倾向于移出成像区域。
在动物移动方向性偏差方面，研究也发现了平台和物种特异性模式：
- •
旋翼无人机（DJI Mavic 2 Pro）引发了更多具有方向性偏差的动物移动，尤其是在相邻航线间对雁类和鹤类的影响最为显著。
- •
相比之下，固定翼无人机（Wingtra One Gen II）引发的方向性偏差较少，但对于鸭类在相邻航线间的移动仍检测到了方向性模式。
在动物“到达”与“离开”事件方面，当重叠区域在某一时间点完全没有动物时，通过二项式检验发现，鸭类更倾向于“到达”（即从无到有），而鹤类则更倾向于“离开”（即从有到无），这从另一个侧面印证了它们的移动模式差异。
综合以上结果，研究得出了明确结论。首先，该方法成功证明，利用空间重叠影像对来定量评估航空调查中的计数误差和检测平台偏差是可行且有效的。其次，研究发现，尽管存在动物移动，但在该研究情境下，由此产生的水鸟计数总体偏差相对较小（通常在几个百分点以内），这对于大多数管理应用来说是可以接受的，甚至优于传统观察员调查中可能出现的更大误差。更为重要的是，研究揭示了物种特异性反应：鹤类似乎对无人机存在最为敏感，倾向于回避；鸭类的反应则不同，可能被轻微“推动”；而雁类的反应则介于两者之间。此外，平台类型是重要因素，旋翼无人机比固定翼无人机引发了更明显的方向性行为反应。
在讨论中，作者强调了该方法的重要意义和适用边界。这项研究为野生动物管理者提供了一个可操作的方法学框架，用于在各自的调查情境中评估和报告由动物移动引起的计数偏差，从而增强基于RS/ML工作流的种群数量估算的可信度和科学性。然而，方法也存在局限，例如它依赖于影像间的空间重叠，且无法捕捉那些在首次成像前就完全逃离整个调查区域的动物（如研究中提到的雪雁）。因此，在进行正式调查前，对目标物种进行先导性行为观察测试至关重要，以确保调查方法本身不会吓跑动物，从而保证数据的有效性。
总而言之，这项研究不仅为理解和校正航空野生动物调查中的一个关键误差来源提供了创新工具，也加深了我们对不同鸟类如何应对无人机这一日益普及的调查工具的认识。它将看似麻烦的“影像重叠”转化为洞察动物行为的窗口，推动了野生动物监测技术向着更精准、更可靠的方向迈进。
