导读

超高分辨率卫星图像已成功用于在目标动物与周围环境形成强烈对比的开放、同质景观中检测和计数许多野生动物物种。但目前尚无研究使用超高分辨率卫星图像和深度学习在复杂的异构环境中检测到动物。本研究使用–年WorldView-3/4卫星数据和卷积神经网络(CNN)模型自动检测和计数南非林地大草原生态系统中的非洲象。另外，本文将该模型应用于肯尼亚高分辨率的卫星图像(GeoEye-1)，以测试该算法是否可以推广到训练区域以外的大象种群。结果表明，CNN的精度可与人工检测精度相近。本研究证明了高分辨卫星遥感和深度学习技术用于检测和计数异质景观中的非洲象的可行性，展示了高分辨率卫星图像作为野生动植物调查技术的潜在价值。

▉原文信息

▉正文

卫星遥感技术已成为一种新的监测野生动植物的监测技术。它已被用来成功地识别开放的同质的景观中的几种野生生物物种。这种技术可以在短时间内覆盖较大的空间范围，从而可以在很短的间隔内进行重复调查和重新评估。但是，在物种的像素和自然背景环境相似的情况下，很难进行准确的区分。为解决此问题，本研究在开放的均质热带稀树草原栖息地与封闭的异质林地和灌木丛中对南非的阿多大象国家公园非洲象种群进行检测(图1)，探究超高分辨率卫星图像通过深度学习在异质环境中检测野生动植物的可行性。

本文首先在worldview3/4影像中标记出头大象作为训练数据集，验证数据集包含头非洲象，另将其他含有头非洲象的影像数据作为测试数据集。由于神经网络权重优化采用随机梯度下降算法，训练过程是随机的，因此运行四次CNN以探索算法输出相对于随机训练过程的稳定性。最后采用F2分数和召回率来评估模型精度，并将CNN算法结果与人工检测结果进行对比。

图1.南非阿多大象国家公园的空间分布，WorldView-3影像中,1）在Hapoor大坝周围的开放同质区域中，2）在异质林地和灌木丛区域中

1.CNN算法在验证数据集中的F2分数基本上达到0.7及以上，四种CNN模型均在前次迭代中收敛。

图2.在验证数据集中四个模型中的F2分数，所有模型在前0次迭代时收敛

2.CNN算法在均质和异质环境中的F2总体得分均为0.7，在非均质区域中，CNN的F2得分为0.78，而在均质区域中则为0.73。人工标注的F2得分中位数为0.78，在同质地区的表现更好(F2得分0.80)，而在异质地区F2得分为0.。标注这些结果表明，CNN算法精度与人工检测精度相近（图3）。

图3.4种CNN算法在均质和异质环境中F2得分

3.为了测试训练后的CNN模型在研究区域以外的非洲象种群上的适用性，本文在没有进行进一步训练的情况下，对肯尼亚马赛马拉的一个已知大象种群进行检测(图4)。在该影像中CNN算法检测到18头非洲象(共32头非洲象)，F2分数为0.7。

图4.Geoeye-1卫星影像中肯尼亚地区非洲象检测结果，左侧为原始图像，右侧为CNN检测结果(绿框)和地面真实结果(红框）

本研究表明了遥感检测技术在非洲象识别上的适用性，并首次证明了超高分辨率影像和深度学习方法在非均质和同质背景下自动识别非洲象的可行性。此外，在肯尼亚象群的检测结果表明在无训练样本的情况下，该方法仍可获得较高的检测精度。因此，更广泛地讲，本研究方法可以进一步改进用于检测小物种种群。随着图像分辨率的提高和成本的下降，未来将不可避免地使用高分辨率卫星图像作为野生动植物调查工具。随着卫星图像测量功能的扩展，开发自动检测工具以允许大规模应用具有很高的实用价值。

刘晓娟

华东师范大学，博士研究生

研究方向：土地利用变化与生物多样性保护