AI与公民科学融合：基于YOLOv5的小型变温动物监测新范式

《Ecological Informatics》：Integrating AI technologies and citizen science to fast-track small and ectothermic animal monitoring

　　【编辑推荐】针对传统监测方法难以有效追踪小型变温动物的问题，本研究创新性地整合公民科学与AI技术，开发了DeakinCams视频陷阱系统。通过对比Faster R-CNN与YOLOv5算法性能，发现YOLOv5能高效筛除96%空视频并保持89%动物检出率，构建的SAW-IT++数据集包含11,458条标注视频，成功应用于物种占域模型分析，为生态学研究提供了可扩展的自动化监测方案。

　　

在全球生物多样性急剧丧失的背景下，小型变温动物（如爬行动物、两栖动物和节肢动物）因其在生态系统中的关键作用及较高的灭绝风险而备受关注。然而，这类物种的监测长期面临技术瓶颈：传统红外触发相机难以检测体温与环境相近的变温动物，而人工调查又存在效率低、干扰大等局限。更严峻的是，现有研究多聚焦哺乳动物和鸟类，导致变温动物在保护决策中缺乏数据支撑。为突破这些困境，澳大利亚迪肯大学的研究团队开展了一项跨学科探索，将公民科学力量与人工智能技术深度融合，成果发表于生态信息学领域权威期刊《Ecological Informatics》。

研究团队首先研发了专为小型动物优化的DeakinCams视频监测系统。该设备采用持续录像模式，通过背景差分算法触发录制，配合30厘米低角度架设和红外补光，实现了对冷血动物的全天候监测。在7个月部署期内，27台相机在私人保护地收集了超百万条视频，其中大量由土地所有者作为公民科学家参与维护和初步标注。面对海量数据处理挑战，团队系统评估了Faster R-CNN和YOLOv5两种目标检测算法。结果显示，YOLOv5在保持89%动物视频检出率的同时，可过滤96%的空视频，其250帧/秒的处理速度更为实际应用带来显著优势。

关键技术方法涵盖三大核心环节：1）定制化视频采集系统（DeakinCams）的野外部署，依托Land for Wildlife项目的27个私人保护地作为观测站点；2）基于SAW-IT图像数据集训练深度学习模型，采用迁移学习策略优化YOLOv5-small架构；3）通过Zooniverse平台组织公民科学家对算法预筛结果进行协同验证，最终构建包含11,458条视频的SAW-IT++数据集。

3.1. 算法性能比较

YOLOv5在动物筛查任务中展现出更高实用性，其准确率达0.96，精确度与召回率的平衡性优于Faster R-CNN。值得注意的是，算法在动物与环境背景相似（55%）、部分遮挡（36%）等复杂场景下仍保持稳定性能。在物种识别任务中，YOLOv5对183个动物视频的分类正确率达92.8%，其中蜥蜴类因植被干扰产生的误判较多，而蛇类等稀有物种因训练数据不足存在识别盲区。

3.2. SAW-IT++数据集特征

最终数据集涵盖青蛙（28.7%）、鸟类（30.3%）、蜘蛛（16.1%）等8类动物，其中73%的青蛙和全部蝎子仅在夜间被记录，凸显了全天候监测的价值。数据集首次实现了对小型变温动物行为模式的量化捕捉，如大理石壁虎（Christinus marmoratus）的夜行性活动规律。

3.3. 生态学应用验证

通过占域模型（Occupancy models）分析16个物种的监测数据，研究揭示了景观尺度上的生态规律：林蛙（Litoria ewingii/verreauxii）的分布严格受限于距水源100-300米范围；两种小型鸟类（Acanthiza chrysorrhoa、Sericornis frontalis）的占域概率与500米内海岸线长度正相关；食肉性小兽类则偏好枯落层和灌木覆盖的生境。模型还计算出为实现95%检出置信度，多数物种仅需部署<5台相机连续工作1个月，证实了方案的可行性。

研究结论强调，AI与公民科学的协同创新可大幅提升生态监测的时空尺度与效率。YOLOv5算法成功将人工筛查工作量减少1300小时，而土地所有者的深度参与既解决了偏远地区设备维护难题，又增强了公众科学素养。尽管算法在跨区域应用时存在适应性挑战（新环境召回率降至0.47），但通过主动学习（Active Learning）等持续优化策略，这一技术框架有望成为生物多样性保护的标准化工具。该研究为应对全球变化下的物种衰退提供了关键技术支撑，尤其为数据匮乏的变温动物保护开辟了新路径。