基于热成像无人机和人工智能的中型捕食者行为与栖息地利用采样方法的初步发现

《Drones》：Preliminary Findings of a Novel Thermal Drone-Based and AI Approach to Sampling Mesopredator Behaviour and Habitat Use

　　

栖息地选择通常具有活动特异性，因为动物可能根据其觅食、繁殖或穿越栖息地的不同需求而利用不同的环境。夜行性物种的行为研究具有挑战性，且传统方法在适用性上存在局限。在本研究中，研究人员测试了热成像无人机与人工智能（AI）相结合的方法，用于对中型捕食者进行焦点动物采样和栖息地利用研究。一架搭载热成像摄像机的无人机记录了赤狐（Vulpes vulpes）、欧亚獾（Meles meles）和欧亚水獭（Lutra lutra）的运动和行为，同时对其位置进行地理编码。此外，研究人员还测试了一种基于AI的分析方法——LabGym，用于视频记录中的物种和行为检测。在丹麦农业区，研究人员观察到三种中型捕食者之间既存在栖息地分离，也存在空间重叠。与獾和水獭相比，狐狸在行为和栖息地选择上表现出更高的多样性。水獭主要在水体附近被发现，而獾则偏好于树冠覆盖下和草甸中觅食。优化后的LabGym在物种识别中达到了80.4%的平均精度（mAP），并成功以超过80%的准确率分类了四种行为。将热成像无人机与地理定位数据及AI相结合，能够实现对中型捕食者活动的空间制图，为捕食者生态学增添了有价值的见解。

**论文解读：基于热成像无人机和人工智能的中型捕食者行为与栖息地利用采样方法的初步发现**

**研究背景与问题**

同域栖息的中型捕食者的行为生态及其栖息地偏好，对于捕食者种群的保护和管理至关重要。栖息地选择往往具有活动特异性，动物会根据觅食、繁殖或移动等不同行为需求，利用不同的环境类型。这些选择受到生理需求时间变化的影响。传统的行为数据收集方法，如直接观察、野生动物相机和通过项圈发射器的无线电遥测，虽然推动了野生动物生态学的发展，但存在成本高、可能具有侵入性等局限。此外，要获得连续的详细行为评估和个体间相互作用的直接观察，需要近距离监测，这对研究野生夜行性物种尤为困难。观察者或追踪设备的存在可能改变动物的自然行为，从而损害数据完整性。

在丹麦农业区，常见的三种中型捕食者包括赤狐（Vulpes vulpes）、欧亚獾（Meles meles）和欧亚水獭（Lutra lutra）。尽管这些物种在同一环境中共存，但食性需求和种间竞争的差异可能驱动生态位分化和栖息地特化。这些生态压力可能导致空间分离，每种物种偏好不同的栖息地类型以减少资源竞争。以往大多数关于中型捕食者栖息地相关行为的研究依赖于红外野生动物相机和全球定位系统（GPS）追踪。然而，野生动物相机难以评估详细行为，且其初始存在可能因发出的光和声音改变动物行为；GPS追踪虽能提供大规模运动数据，但无法揭示详细行为、个体间相互作用或特定资源利用，且发射器可能影响动物福祉。

近年来，无人机（unmanned aerial vehicle, UAV）越来越多地用于野生动物监测。搭载热成像摄像机的无人机已能可靠区分多种夜行性中型捕食者物种，并可非侵入性地在适当高度（通常距地面60–100 m）运行。然而，人工标注视频行为仍耗时且限制可扩展性。人工智能（AI）正被逐步应用于自动化识别圈养哺乳动物的行为，以减少处理时间并提高一致性。现有研究主要聚焦于检测和计数，缺乏系统收集与空间位置直接关联的个体水平行为数据。本研究首次提出了一种结合焦点动物采样与同步地理编码的方法，用于收集野生中型捕食者的行为数据。

**研究内容与结论**

研究人员旨在开发一种克服传统技术局限的方法，为中型捕食者行为和栖息地利用的大规模数据收集提供工具。具体目标包括：（1）评估搭载热成像摄像机的无人机（DJI Matrice 300 RTK）在识别丹麦农业区中型捕食者特定行为和追踪其运动方面的可用性；（2）呈现狐狸、獾和水獭在丹麦农业区的栖息地偏好和生态位重叠数据；（3）测试经过训练的LabGym模型是否能从热成像无人机记录中准确识别中型捕食者并分类其行为。

研究在丹麦四个地点（Tjerrild Enge、Egholm、Vokslev和Nibe）开展，这些地点主要为农业区，散落着自然栖息地和小片林地。数据采集时间为2023年12月至2025年3月，期间记录了环境温度、风速等气象参数。研究结果表明，热成像无人机的变焦能力足以在60–120 m高度可靠识别三种物种及其行为；人工智能模型在排除水獭后，对狐狸和獾的物种检测平均精度（mAP）达到80.4%，行为分类准确率超过80%。三种物种展现出不同的栖息地利用模式：狐狸使用最广泛的栖息地范围，主要在农业用地（~49%）和草甸（~25%）活动；水獭约72%的时间靠近水体；獾约66%的时间处于树冠覆盖下。行为与栖息地关联分析显示，狐狸的觅食和移动行为与栖息地类型显著关联（p < 0.01），獾的觅食和移动行为与栖息地类型高度显著关联（p < 0.0001），而水獭的行为与栖息地类型无显著关联（p = 0.159），可能与数据量有限有关。

这项研究的论文发表在《Drones》期刊上。

**主要关键技术方法**

研究人员采用的主要技术方法包括：（1）使用搭载Zenmuse H20N热成像摄像机的DJI Matrice 300 RTK无人机，在60–120 m飞行高度对三种中型捕食者进行非侵入性焦点动物采样，同时利用无人机的精确定位标记功能获取动物GPS坐标，并借助SRT文件将行为与来自丹麦地籍局（Dataforsyningen）的栖息地类型进行地理编码关联；（2）构建基于LabGym的人工智能模型，通过标注2489张狐狸和獾的图像训练物种检测器，并基于六种预先定义的行为类型训练行为分类器，最终在独立视频上验证模型性能；（3）使用卡方检验（χ2 test）和Fisher精确检验分析行为与栖息地类型之间的关联，通过百分比偏差和标准化残差评估栖息地偏好。样本数据来源于丹麦四个农业区地点的实地航拍录像，总时长为狐狸3小时28分31秒、水獭1小时16分5秒、獾52分10秒。

**研究结果**

**3.1 无人机检测物种与行为**：热成像摄像机在60–120 m高度足以可靠识别三种物种及其行为，实现了对自然栖息地中物种行为与相互作用的有效监测。狐狸存在于所有四个地点，水獭和獾分别局限于部分地点。

**3.2 三种中型捕食者的运动模式**：狐狸表现出最多样的移动模式，主要在草甸和农田活动，也观察到与獾沿溪流互动；水獭几乎只出现在水体附近、海岸、沼泽及溪流中；獾在草甸、树冠覆盖附近及线性特征（如田埂或路径）被记录。

**3.3 中型捕食者在不同栖息地的时间分配**：狐狸使用最广泛的栖息地，农业用地约49%；水獭约72%时间靠近水体；獾约66%时间处于树冠覆盖下，并沿路径移动和在草甸及树冠下觅食。各物种展现出明显的栖息地偏好。

**3.4 不同栖息地观察到的主要行为**：狐狸主要进行觅食、移动和警觉行为，觅食表现为在田间捕鼠或尝试（未成功）偷取水獭的鱼；水獭在水体中主要游动觅食，且在小岛上进行休息、社交和气味标记；獾主要在树冠覆盖下、草甸和路径上觅食，移动和警觉行为在三种栖息地均有记录。

**3.5 行为与栖息地的关联**：狐狸觅食在开放干旱区（农田和永久草地）显著高于预期（+8.9%），在湿地区显著低于预期（-16.6%）；移动则相反（开放干旱区-15.2%，湿地区+29.0%）。獾觅食在树冠覆盖区显著高于预期（+28.12%），移动在开放区域显著高于预期（+33.68%）。水獭的行为与栖息地类型无显著关联，但觅食在湿地区略高于预期（+13.00%），在树冠覆盖区吃鱼显著高于预期（+47.20%）。

**3.6 基于AI的物种检测与行为分类**：初始多物种模型（含水獭）在3000次迭代时mAP仅为48.9%（边界框）和46.8%（分割）；移除水獭后，在4000次迭代、帧尺寸1072 px条件下，mAP提升至80.4%（边界框）和76.8%（分割），小物体精度从7.3%提升至超过75%。行为分类模型中，“Rooting”和“Attentive”行为在所有指标上表现优异，“Eat”和“Scent marking”召回率较低，可能与样本量不足有关。处理一段90秒的獾视频在中央处理器（CPU）上耗时24分22秒，但图形处理器（GPU）加速可显著缩短时间。

**讨论与结论**

**讨论部分总结**：本研究突出了热成像无人机技术作为大规模行为和地理监测的有力工具的潜力，应被视为一项探索性的概念验证，空间和时间覆盖有限。尽管数据集相对有限，但结果揭示了三种物种在丹麦农业景观中清晰的生态偏好和功能关联：狐狸栖息地利用最广，水獭和獾分别特化于水生和森林环境。焦点动物采样结合无人机地理定位，实现了行为与栖息地的空间制图，能记录到传统方法难以发现的复杂种内和种间互动（如水獭合作保护鱼类、狐狸跟随獾捡食）。与传统方法（野生动物相机、GPS项圈）相比，无人机在移动性、实时追踪、最小干扰和获取详细行为数据方面具有独特优势。然而，无人机在树冠和水体热特性下存在检测挑战，且电池续航限制（约20分钟）可能中断追踪。AI分析显著减少了手动标注时间（一段90秒视频原需至少180分钟人工处理，现仅需24分钟CPU处理且可同时进行其他任务），但模型性能受数据集大小和平衡性影响（水獭因数据不足被排除），需进一步优化。

**结论翻译**：本研究突出了热成像无人机技术作为中型捕食者大规模行为和生态监测的有力工具的潜力。随着在更广泛地理区域和更长时间跨度（包括季节变化）中的应用，该方法可显著增强我们对人类改造景观中中型捕食者生态学和种间相互作用的理解。自动化工作流程相比手动标注减少了时间，并实现了标准化的行为分析，支持未来在栖息地利用研究和保护规划中的应用。尽管这是一项小规模研究，但结果清晰证明了丹麦农业区狐狸、獾和水獭之间的栖息地分离。这些发现支持了热成像无人机监测在野生动物研究和保护规划中的更广泛适用性。