基于双模型融合的大熊猫头部图像分割

在大熊猫(Ailuropoda melanoleuca)的迁地保护和种群饲养管理中,及时、快速地进行个体识别和行为监测,对其健康管理具有至关重要的作用。圈养大熊猫健康状况通常由专门的饲养人员肉眼观测,人力成本高、效率低并且缺乏时效性。基于图像的动物个体识别与行为分析技术效率高、时间成本低,已经成为新的监测发展趋势。已有研究提出,通过大熊猫面部图像的检测和分析,可实现个体识别和行为分类。但该方法依然存在检测精度不足导致识别准确率难以提升的问题。本文提出一种基于YOLOv3和Mask R-CNN的双模型融合方法,实现了大熊猫头部图像分割和精准检测。包含3个部分：YOLOv3完成头部检测,Mask R-CNN完成大熊猫轮廓分割,然后将两个模型的输出进行交并比融合。结果显示,头部检测准确率为82.6%,大熊猫轮廓分割准确率为95.2%,总体头部轮廓分割准确率为87.1%。该方法对大熊猫头部图像的识别率和分割准确率高,为大熊猫的个体识别、性别分类提供了帮助,为行为分析提供了技术参考。     

基于红外相机技术对亚洲象个体识别和种群数量的评估

以云南西双版纳国家级自然保护区尚勇子保护区内亚洲象种群为研究对象,通过自动红外照相技术,估算了该地区亚洲象的最小种群数量。本研究于2016年1月,在研究区域内共布设了27个相机位点,野外安放时间为4个月。调查期间,每台相机的有效捕获日为9-52d不等（均值为24d）,红外相机有效捕获日621d,拍摄到亚洲象照片共1944张。通过红外相机照片开展个体识别,最终估算出尚勇保护区内亚洲象的最小种群数量为69头（其中成年象38头,亚成象15头,幼象16头）。拍到7头活动于中国-老挝边境区域的跨境象群。本文探讨利用红外相机拍摄的亚洲象照片进行个体识别的方法,指出与常规调查方法相比较的优势和不足,作为快速、实时有效的种群评估方法的价值。研究结果丰富了保护区内亚洲象种群数据库,为研究、制定和开展亚洲象保护行动提供重要支撑。     

四川老河沟保护地2011-2015年野生动物红外相机监测数据集

红外相机技术目前已成为调查、记录陆生大中型兽类和地栖鸟类的最有效方法之一, 为自然保护地的生物多样性编目、野生动物本底调查提供了可靠的数据基础。老河沟保护地位于四川省平武县, 地处岷山山脉中段, 面积110 km², 是大熊猫(Ailuropoda melanoleuca)、川金丝猴(Rhinopithecus roxellana)、红喉雉鹑(Tetraophasis obscurus)等珍稀濒危野生动物的自然栖息地。本文汇总、整理了老河沟保护地2011-2015年的红外相机监测记录, 提供了完整的红外相机监测数据集。数据集包括红外相机有效位点130个, 海拔跨度1,317-3,265 m, 总有效相机工作日10,185 d。红外相机拍摄记录159,694条, 其中兽类记录91,839条, 独立有效照片3,017张, 包括分属5目15科的野生兽类28种; 鸟类记录37,775条, 独立有效照片1,311张, 包括分属7目19科的野生鸟类60种; 两栖类记录8条, 独立有效照片2张, 包括1目1科1种; 家畜记录47条, 独立有效照片5张。     

大熊猫DNA指纹在野生种群数量调查中的应用

本文用荧光素标记ＬＺＦ－１基因指纹探针,以四川省冕宁县冶勒野外大熊猫的脱落被毛及尽量新鲜的粪便作样品,进行了ＤＮＡ指纹检测。１．在相同或不同时间、巢域采集的粪便与被毛样品,显现出相同或不同的ＤＮＡ指纹图谱,达到个体认定的目的．表明了大熊猫野外脱落被毛和粪便,能作为ＤＮＡ指纹分析材料,进行野生种群数量调查．２．根据检测６个被毛和９个粪便样品的结果,认定该生境中有７只大熊猫个体,纠正了有８只和８±２只的记载．３．应用ＤＮＡ指纹技术及微机个体识别进行大熊猫野外数量调查,准确可靠,节省人力、物力和财力,能获得大熊猫在野外的真实个体数量。     

利用自动照相术获得天山雪豹拍摄率与个体数量

采用红外线自动照相机记录雪豹的活动和个体数量,这在国内尚属首次。野外调查开始于2005年10月18日,至12月27日结束。累计野外工作71d,共布设36台红外照相机,约2094个照相日,50256h,收回胶卷71个。在新疆天山托木尔峰自然保护区内5个峡谷的16个地点成功拍摄到清晰雪豹照片约32张,平均拍摄率或“捕获率”达1.53%。根据照片个体斑纹分析和“雪后痕迹调查”(SignSurveyAfterSnowing)的信息,确定在250km2范围内有5-8只雪豹活动,个体的日活动距离3-10km/d,其最低分布密度为2.0-3.2只/100km2。还拍摄到其它野生动物照片22张,如北山羊、野猪、草兔、石鸡、赤狐等。另外,还调查样线20条,搜集粪样和毛发样品计31个。     

自动感应照相系统在大熊猫以及同域分布的野生动物研究中的应用

鉴于野生大熊猫种群的濒危现状,已经不允许对其生境进行破坏性或干扰其行为活动较多的调查活动。例如,野生大熊猫个体数量稀少、其栖息地地形复杂或植被茂密,野外直接观察和调查野生大熊猫极为困难。自动感应照相系统是一种非损伤性野生动物调查工具,在很大程度上弥补了传统调查方法的不足,为野生动物的调查和研究提供了新的有效途径。本研究利用自行研究和开发的自动感应照相系统,获得了野生大熊猫及与其同域分布的其它物种的重要生态信息,显示了自动感应照相系统在物种鉴定、区系调查、个体识别、种群监测、性别确定和行为生态学研究等多方面的应用价值[动物学报51(3)：495—500,2005]。     

基于目标检测的东北虎个体自动识别

东北虎个体的自动识别是种群数量评估和制定有效保护策略的重要基础。以东北虎林园和怪坡虎园38 只虎为研究对象,将目标检测方法首次应用到东北虎个体识别研究中,采用多种深度卷积神经网络模型,以实现虎个体的自动识别。首先通过相机在不同角度对 38 只东北虎进行拍摄取样,建立包含13579张图像的虎样本数据集。由于虎的体侧条纹信息不具有对称性,所以运用单次多盒目标检测（Single Shot MultiBox Detector, SSD）方法,对虎的躯干左侧条纹、右侧条纹以及脸部等不同部位图像,进行自动检测并分割提取,极大节省手工截取时间。在检测分割出的左右侧及脸部不同部位图片基础上,运用上、下、左、右平移变换进行数据增强,使图片数目扩大为原来的5 倍。采用LeNet、AlexNet、ZFNet、VGG16、ResNet34共5 种卷积神经网络模型进行个体自动识别。为了提高识别准确率,运用平均值和最大值不同组合方式来优化池化操作,并在全连接层引入概率分别为0.1、0.2、0.3、0.4的丢弃（Dropout）操作防止过拟合。实验表明,目标检测模型耗时较少,截取分割老虎不同部位条纹能达到0.6 s/张,远快于人工截取速度,并且在测试集上准确率能达到97.4%。不同姿态下的目标部位都能正确识别并分割。ResNet34模型的准确率优于其他网络模型,左右侧条纹以及脸部图像识别准确率分别为93.75%、97.01%和 86.28%,右侧条纹识别准确率优于左侧条纹和脸部图像。研究为野生虎自动相机影像的识别提供技术参考。在未来研究中,对东北虎个体影响数据进行扩充,选取更多影像数据进行训练,使网络具有更强的适应性,从而实现更准确的个体识别。     

同域分布的珍稀野生动物对放牧的行为响应策略

保护区内放牧活动对野生动物保护存在负面影响,明确不同物种对放牧干扰的行为响应对制定更有针对性的保护管理政策具有重要意义。使用红外相机研究卧龙自然保护区放牧活动对多种珍稀野生动物的影响,分析放牧激励政策实施前后大熊猫(Ailuropoda melanoleuca)及其同域分布的小熊猫(Ailurus fulgens)、川金丝猴(Rhinopithecus roxellana)、水鹿(Rusa unicolor) 4种珍稀野生动物的照片数、空间分布以及活动模式的变化,探讨这4种动物对放牧的行为响应策略。结果表明:(1)一期(2012—2013),2012年10月实施了禁马政策,同年12月实施放牧(牛羊)激励政策)家畜照片数量很少,4种野生动物照片数相对较多。二期(2014—2015)家畜的照片数显著增加(P0.01),小熊猫(P0.05)与川金丝猴(P0.01)的照片数均显著减少,大熊猫、水鹿的照片数也呈减少趋势;到三期(2016—2017),大熊猫、小熊猫及水鹿3种关注野生动物的照片数基本回升到激励政策实施前的水平,无川金丝猴照片记录。(2)一期,4种野生动物在研究区域有较广的分布;二期,大熊猫、小熊猫的空间分布范围均缩小,无川金丝猴空间分布信息,而家畜、水鹿的空间分布范围有所增加;到三期,大熊猫、小熊猫的空间分布基本恢复到放牧激励政策实施前的区域,无川金丝猴的空间分布信息。(3)放牧激励政策实施前后,大熊猫、小熊猫及川金丝猴活动模式无明显变化,但水鹿的活动更加集中于傍晚,以避开人类与家畜的活动高峰。同域分布的不同的野生动物对人类活动(如放牧)的行为响应策略不同,各保护区在制定相关保护政策时应综合考虑人类干扰对多个物种的影响,增加决策的科学性与合理性。     

浙江德清野化放归朱鹮的繁殖行为

人类干扰影响着野生动物的栖息、生存、繁衍等各个环节。干扰强度不同,对野生动物的负面影响也不同。为了了解不同强度人类干扰对野生动物栖息的影响,2021年1月,在浙江百山祖国家级自然保护区,根据人为干扰综合强度预先设定点位,布设40台红外相机。40个点位被分为4种干扰区,干扰强度从低到高依次为基本无干扰区、干扰轻微区、干扰较轻区和干扰较重区,每区10个点位,监测365 d,共监测14 585相机日。研究表明：(1)拍摄到野生动物独立照片4 256张,其中兽类3 485张,鸟类771张。除啮齿类动物外,拍摄到31种动物,其中兽类14种、鸟类17种,另外有3张因照片不够清晰而未能识别鸟的种类。国家一级重点保护野生动物2种,国家二级重点保护野生动物9种。(2)基本无干扰区、干扰轻微区、干扰较轻区及干扰较重区所拍摄到的野生动物独立照片数量和种类分别为1 798张29种(兽类15种,鸟类14种)、1 308张23种(兽类15种,鸟类8种)、756张19种(兽类12种,鸟类7种)、394张18种(兽类13种,鸟类5种),各区之间的独立照片数量差异极显著(P < 0.01)。随着人类干扰强度的增加,拍摄到的独立照片数量逐渐减少,拍摄到的独立照片数量与人类干扰强度之间存在极显著的负线性关系(P < 0.01)。同时,随着人类干扰强度的增加,拍摄到的野生动物种类也逐渐减少,尤其是鸟类减少幅度更大。(3)国有林内23台相机拍摄到3 163张,计33种(兽类16种、鸟类17种);集体林内17台相机拍摄到1 093张,计22种(其中兽类13种、鸟类9种)。集体林内平均每台红外相机拍摄到的照片数量为国有林的46.75%,差异极显著(P < 0.01),这可能是由于早些年份的林木采伐使栖息地遭受不同程度的破坏,并导致生境片段化,进而影响野生动物栖息。因而,对于野生动物保护来说,栖息地保护是一项相当重要的工作。     

利用红外相机调查浙江省凤阳山兽类和鸟类多样性

2008年11月至2009年11月,2010年8月至2016年8月期间,采用红外相机调查浙江凤阳山–百山祖国家级自然保护区内凤阳山片区的兽类和鸟类多样性。调查期内共布设98个不同相机位点（45个公里网格）,累计28 256相机日,共拍摄到8 208张有效独立照片,鉴定为18种野生兽类和38种野生鸟类物种,分别隶属5目12科和7目16科;家畜及家禽共5种。红外相机拍摄率最高的前5种野生动物依次为小麂（Muntiacus reevesi）（拍摄率CR=11.15）、白鹇（Lophura nycthemera）（CR=2.63）、黑麂（M. crinifrons）（CR=1.03）、野猪（Sus scrofa）（CR=0.96）、猕猴（Macaca mulatta）（CR=0.59）;国家I级重点保护野生动物2种,国家II级重点保护野生动物有6种;被中国脊椎动物红色名录评估为濒危（EN）、易危（VN）、近危（TN）的物种分别有2、4、9种。调查中记录到倭花鼠（Tamiops maritimus）、凤头鹰（Accipiter trivirgatus）和丘鹬（Scolopax rusticola）等15个物种为凤阳山保护区新记录种,其中斑尾鹃鸠（Macropygia unchall）为浙江省鸟类新记录物种。此外红外相机还拍摄到大量的人类活动照片,表明当地人类活动较为严重,应加强管理。调查结果提供了较为全面的凤阳山保护区兽类和鸟类的本底信息,为后续的保护管理和长期监测提供了数据支持和指导。     

Automatically detecting the wild giant panda using deep learning with context and species distribution model

The giant panda is a flagship species in ecological conservation. The infrared camera trap is an effective tool for monitoring the giant panda. Images captured by infrared camera traps must be accurately recognized before further statistical analyses can be implemented. Previous research has demonstrated that spatiotemporal and positional contextual information and the species distribution model (SDM) can improve image detection accuracy, especially for difficult-to-see images. Difficult-to-see images include those in which individual animals are only partially observed and it is challenging for the model to detect those individuals. By utilizing the attention mechanism, we developed a unique method based on deep learning that incorporates object detection, contextual information, and the SDM to achieve better detection performance in difficult-to-see images. We obtained 1169 images of the wild giant panda and divided them into a training set and a test set in a 4:1 ratio. Model assessment metrics showed that our proposed model achieved an overall performance of 98.1% in mAP_0.5 and 82.9% in recall on difficult-to-see images. Our research demonstrated that the fine-grained multimodal-fusing method applied to monitoring giant pandas in the wild can better detect the difficult-to-see panda images to enhance the wildlife monitoring system.     

A study on giant panda recognition based on images of a large proportion of captive pandas

1. As a highly endangered species, the giant panda (panda) has attracted significant attention in the past decades. Considerable efforts have been put on panda conservation and reproduction, offering the promising outcome of maintaining the population size of pandas. To evaluate the effectiveness of conservation and management strategies, recognizing individual pandas is critical. However, it remains a challenging task because the existing methods, such as traditional tracking method, discrimination method based on footprint identification, and molecular biology method, are invasive, inaccurate, expensive, or challenging to perform. The advances of imaging technologies have led to the wide applications of digital images and videos in panda conservation and management, which makes it possible for individual panda recognition in a noninvasive manner by using image‐based panda face recognition method.
2. In recent years, deep learning has achieved great success in the field of computer vision and pattern recognition. For panda face recognition, a fully automatic deep learning algorithm which consists of a sequence of deep neural networks (DNNs) used for panda face detection, segmentation, alignment, and identity prediction is developed in this study. To develop and evaluate the algorithm, the largest panda image dataset containing 6,441 images from 218 different pandas, which is 39.78% of captive pandas in the world, is established.
3. The algorithm achieved 96.27% accuracy in panda recognition and 100% accuracy in detection.
4. This study shows that panda faces can be used for panda recognition. It enables the use of the cameras installed in their habitat for monitoring their population and behavior. This noninvasive approach is much more cost‐effective than the approaches used in the previous panda surveys.

     

基于野外痕迹点和GIS技术定量评估步道对大熊猫活动的影响

道路建设不仅直接导致野生动物死亡,还能对栖息地形成阻碍效应,导致小种群出现或隔离,增加物种灭绝的风险。生态学家在道路对野生动物影响研究中的一个重要进展是道路影响域(road-effectzone)的提出,但影响域既不能反映道路影响的变化性,也难以满足栖息地评估对数据的要求。为此,我们以大熊猫(Ailuropoda melanoleuca)为例来探讨道路影响的定量评估方法。在佛坪和长青保护区内选择了3条步道,获取了步道周边1,042个大熊猫的痕迹点数据,通过GIS计算各痕迹点到步道的距离,统计距离步道每20m内的痕迹点数量,以此作为其活动频率。在距步道每100m处设置检测点,通过非参数检验比较检测点前后活动频率分布的变化,寻找道路对大熊猫活动影响的突变点,确定影响变化的阈值距离和评价标准。研究发现在距离步道1,000m内,随距离的增加,大熊猫活动频率逐渐增大,大熊猫有明显的回避效应;在距步道500m、1,000m处发现活动频率发生了显著变化,为影响的阈值距离。本研究基于痕迹点和阈值距离的评估方法可以反映道路影响连续、渐变的特点,使定量、准确评估其影响成为可能。     

道路影响下野生动物廊道的选址——以大熊猫保护廊道为例

沿道路设置供野生动物迁徙、扩散和连接栖息地的廊道是应对道路干扰最有效的措施,科学选址则是野生动物廊道建设的前提,也是廊道研究的薄弱领域。以大熊猫廊道为例对野生动物廊道选址指标体系、方法和程序进行了探索,将栖息地特征、地形因素、植被可转化性、工程成本作为大熊猫廊道选址指标,基于Arcgis和栖息地格局、海拔、坡度、植被数据,为四川306省道椅子垭口段确定了两处大熊猫廊道位置,并用监测数据证明了所选位置具有较大的可行性和准确性。研究表明栖息地格局是廊道选址的重要基础,应侧重对地形因素的研究。研究为廊道选址方法和流程进行了示范,还对选址指标体系优化、提高选址的科学性进行了探讨,有助于推动野生动物廊道研究从理论探索走向实际应用。     

卧龙自然保护区大熊猫空间利用格局动态变化特征

野生动物在长期的栖息地选择过程中,能判断其生境质量,而趋向于选择既能降低能量消耗,又能获得营养价值和能量净收益较高的有利生境。以往的研究多是从统计学方法或宏观尺度对大熊猫生境进行评价,很少考虑到野生动物自身生物学特性及生境选择过程中的空间利用特征。本研究结合家域模型与景观格局分析技术定量分析大熊猫实际空间利用格局的动态变化特征及其破碎化程度,进而反映不同时期大熊猫生境选择模式及栖息地生境适宜性的动态变化。结果表明：卧龙自然保护区大熊猫在对栖息地的实际利用过程中向更适宜的区域集中,使得高适宜等级区域面积有所增大;而边缘生境区域更容易受到自然灾害和人为因素的干扰,破碎化加剧,需要在保护工作中引起足够的重视。从大熊猫行为模式特征出发,在不同时空尺度上,评估大熊猫对生境选择的空间格局变化特征,丰富了野生动物栖息地适宜性评价的时空尺度选择,为更准确地制定保护区管理政策提供了有效的工具。     

卧龙自然保护区大熊猫生境评价

生物的生境是指生物生活繁衍的场所,由生物与非生物环境构成。近几个世纪以来,物种绝灭的速度加快,生物多样性丧失最重要的原因是生物生境的人为破坏。对保持生物的生境评价,是分析这些物种种群减少,濒危原因的重要手段,还能为制定合理的保护对策提供依据。根据大熊猫生境分布特点提出了大熊猫生境结构理论模型,将影响卧龙大熊猫生境质量的因素分为物理环境因素、生物环境因素和人类活动因素,探讨了生境评价的程序与卧龙大熊猫生境评价准则,运用地理信息系统技术与空间模拟方法分析了卧龙大熊猫生境质量。在人类活动影响下,卧龙自然保护区内适宜大熊猫生存的生境面积有57597.3hm^2,其中最适生境面积为6256.1hm^2,主要分布在海拔2300－2800m的平缓山坡与台地。     

微卫星标记在大熊猫研究中的应用进展

大熊猫是我国保护最为成功、研究最为深入的珍稀动物之一,可以为其它珍稀濒危物种的保护研究工作提供参考。20世纪70年代末期借助无线电颈圈,大熊猫的生态学研究工作取得了突破性进展,近20年来微卫星标记和非损伤性遗传取样技术的联合使用,将大熊猫的保护研究工作提升到一个崭新的高度。本文在综合所有已发表大熊猫微卫星标记的基础上,梳理了微卫星标记在圈养大熊猫亲子鉴定与遗传管理,野生大熊猫个体识别与种群数量调查、遗传多样性评估、扩散和种群遗传结构研究中的应用情况,并着重介绍了其中29个重要的微卫星标记。同时指出目前微卫星标记的使用存在标记选择不统一、等位基因读数无统一规程等问题,并对应用前景进行了前瞻。     

秦岭中段野生动物多样性的红外相机监测数据库平台介绍

秦岭地处我国中西部, 生物地理位置重要, 拥有丰富的生物多样性, 有大熊猫(Ailuropoda melanoleuca)、秦岭羚牛(Budorcas bedfordi)、金丝猴(Rhinopithecus roxellana)和朱鹮(Nipponia nippon)等4个秦岭森林旗舰物种, 被称为“秦岭四宝”。利用红外相机技术开展秦岭野生动物的非损伤性监测不仅可以为秦岭山系提供物种名录信息, 还可以为了解秦岭野生动物的行为和活动格局提供科学数据。清华大学环境学院生态团队自2009-2020年在秦岭中段南坡先后实施了7个项目, 对秦岭南坡的4个保护区进行了野生动物监测, 面积达1,113 km ²(26.5 km × 42 km), 红外相机位点数267个, 相机日数152,160天, 共获取红外相机照片855,260张。共鉴定出27种野生兽类和63种野生鸟类, 并应用这些照片数据开展了信息挖掘工作, 对野生动物行为、稀有物种、与生境的关系, 以及人为活动对野生动物的影响等领域进行了研究, 已取得部分成果。在此基础上建立了“秦岭中段野生动物多样性的红外相机监测数据库平台”, 供团队内部及合作者使用。通过10年的监测, 我们提出未来研究建议: (1)对于非常偶见的物种, 还需要更长的时间并在更多样化的生境布设相机, 以获取更多影像数据评估其现状; (2)数据库需要在更大程度和深度上进行信息挖掘, 尤其在种间关系、物种-生境关系、种群动态等方面; (3)对典型大种群数量的物种(如秦岭羚牛和野猪Sus scrofa)及食物链顶端大型捕食动物(如金钱豹Panthera pardus)进行种群动态研究, 为整个秦岭生态系统的健康持续提供科学支撑; (4)利用数据库的数据及今后红外相机监测数据进行野生动物疾病的发生发展监测研究。     

Impact of livestock grazing on biodiversity and giant panda habitat

Livestock grazing occurs in many protected areas for wildlife and has become a threat to wildlife worldwide. Livestock grazing within protected areas causes negative effects to rare wildlife (e.g., giant panda [Ailuropoda melanoleuca]) and their habitat. We used the 2,000-km² Wolong National Nature Reserve, Sichuan Province, southwestern China, to document the effects of livestock on the giant panda and its habitat. We monitored arrow bamboo (Bashania fangiana), wildlife sign (i.e., feces and tracks), and characteristics of plant communities in intact habitat (IH; limited livestock grazing) and disturbed habitat (DH; with grazing disturbance) to assess the effects of livestock grazing and the responses of giant pandas and sympatric species across spatial and temporal scales. Bamboo coverage and the height and basal diameter of bamboo in IH were greater than those in DH, whereas the number of herbaceous species and herbaceous coverage in IH were lower than those in DH. Wildlife signs in IH were greater than those in DH; specifically, giant panda and red panda (Ailurus fulgens) signs were greater, whereas signs of sambar (Rusa unicolor) and tufted deer (Elaphodus cephalophus) in IH were similar to those in DH. Livestock grazing reduced bamboo, which may threaten the long-term survival of the giant panda. Our results have implications for understanding and management of livestock grazing in the Wolong National Nature Reserve and elsewhere. © 2019 The Wildlife Society.