|本期目录/Table of Contents|

[1]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247-255.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):247-255.
点击复制

基于深度学习的大型食草动物种群监测方法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第48卷
期数:
2020年第20期
页码:
247-255
栏目:
农业工程与信息技术
出版日期:
2020-10-20

文章信息/Info

Title:
Monitoring method of large herbivore population based on deep learning
作者:
罗巍1; 2; 陈曙东3; 王福涛4; 朱金峰4; 刘文亮4
1.北华航天工业学院，河北廊坊 065000； 2.河北省航天遥感信息处理与应用协同创新中心，河北廊坊 065000；
3.中国科学院微电子研究所智能制造电子研发中心，北京 100029；
4.中国科学院遥感与数字地球研究所人居环境遥感应用技术研究室，北京 100101
Author(s):
Luo Wei; et al
关键词:
大型食草动物; 无人机遥感; 深度学习; 目标检测; 种群分布; 种群密度
Keywords:
-
分类号:
S127
DOI:
-
文献标志码:
A
摘要:
借助无人机遥感手段对分布在青海省玛多县的大型食草动物进行监测。监测对象包括家养藏羊、家养牦牛、马3种家养食草动物和藏原羚、藏野驴、岩羊3种野生食草动物。运用深度学习模型mask r-cnn对航拍影像中的各类大型食草动物进行检测和定位，得到的召回率、正确率、漏识别率均值分别为89%、98.4%、10.8%。通过提取Mask R-CNN检测过程中生成的掩膜获取动物的轮廓矢量，进而可以估算出各类大型食草动物的种群数量和分布信息。通过与青海省草原总站提供的家畜存栏信息对比，两者的差值百分比分别为家养藏羊7.5%，家养牦牛为8.8%，马为2.8%。
Abstract:
-

参考文献/References:

［1］Dominique C，Christopher D，Francis C M . An approach for using off-the-shelf object-based image analysis software to detect and count birds in large volumes of aerial imagery［J］. Avian Conservation and Ecology，2018，13(1)：15.
［2］Descamps S，Bechet A，Descombes X，et al. An automatic counter for aerial images of aggregations of large birds［J］. Bird Study，2011，58(3)：302-308.
［3］Geoff G B，Michael S，Rasmus D N，et al. Remote sensing image data and automated analysis to describe marine bird distributions and abundances［J］. Ecological Informatics，2013，14：2-8.
［4］Rey N，Volpi M，Joost S，et al. Detecting animals in African Savanna with UAVs and the crowds［J］. Remote Sensing of Environment，2017，200：341-351.
［5］Fretwell P T，Scofield P，Phillips R A . Using super‐high resolution satellite imagery to census threatened albatrosses［J］. Ibis，2017，159(3)：481-490.
［6］Hollings T，Burgman M，van Andel M，et al. How do you find the green sheep？ A critical review of the use of remotely sensed imagery to detect and count animals［J］. Methods in Ecology & Evolution，2018，9(4)：881-892.
［7］Christiansen P M，Steen K A，Rgensen R N，et al. Automated detection and recognition of wildlife using thermal cameras［J］. Sensors，2014，14(8)：13778-13793.
［8］Liu C C，Chen Y H，Wen H L . Supporting the annual international black-faced spoonbill census with a low-cost unmanned aerial vehicle［J］. Ecological Informatics，2015，30：170-178.
［9］Seymour A C，Dale J，Hammill M，et al. Automated detection and enumeration of marine wildlife using unmanned aircraft systems (UAS) and thermal imagery［J］. Entific Reports，2017，7(1)：45127.
［10］Ripple L W J . Automated wildlife counts from remotely sensed imagery［J］. Wildlife Society Bulletin，2003，31(2)：362-371.
［11］Luis G，Glen M，Eduard P，et al. Unmanned aerial vehicles (UAVs) and artificial intelligence revolutionizing wildlife monitoring and conservation［J］. Sensors，2016，16(1)：97.
［12］Fretwell P T，Staniland I J，Forcada J. Whales from space：countingsouthern right whales by satellite［J］. PLoS One，2014，9(2)：e88655.
［13］Yang Z，Wang T，Skidmore A K，et al. Spotting east African mammals in open savannah from space［J］. PLoS One，2014，9(12)：16.
［14］Terletzky P，Ramsey R D. A semi-automated single day image differencing technique to identify animals in aerial imagery［J］. Plos One，2014，9(1)：e85239.
［15］Longmore S N，Collins R P，Pfeifer S，et al. Adapting astronomical source detection software to help detect animals in thermal images obtained by unmanned aerial systems［J］. International Journal of Remote Sensing，2017，38(8/9/10)：2623-2638.
［16］Olivares-Mendez M，Fu C H，Ludivig P，et al. Towards an autonomous vision-basedunmanned aerial system against wildlife poachers［J］. Sensors 2015，15(12)：31362-31391.
［17］Torney C J，Dobson A P，Borner F，et al. Assessing rotation-invariant feature classification for automated wildebeest population Counts［J］. PLoS One，2016，11(5)：e0156342.
［18］Xue Y F，Wang T J，Skidmore A K. Automatic counting of large mammalsfrom very high resolution panchromatic satellite imagery［J］. Remote Sensing，2017，9(9)：1-16.
［19］Lecun Y，Bengio Y，Hinton G E. Deep learning［J］. Nature，2015，521(7553)：436-444.
［20］Reichstein M，Camps valls G，Stevens B，et al. Deep learning and process understanding for data-driven Earth system science［J］. Nature，2019，566(7743)：195-204.
［21］Waldrop M M . News feature：what are the limits of deep learning？［J］. Proceedings of the National Academy of Sciences，2019，116(4)：1074-1077.
［22］Zhu X X，Tuia D，Mou L，et al. Deep learning in remote sensing：a comprehensive review and list of resources［J］. IEEE Geoence & Remote Sensing Magazine，2018，5(4)：8-36.
［23］Benjamin K，Diego M，Devis T. Detecting mammals in UAV images：best practices to address a substantially imbalanced dataset with deep learning［J］. Remote Sensing of Environment，2018，216：139-153.
［24］Norouzzadeh M S，Nguyen A，Kosmala M，et al. Automatically identifying，counting，and describing wild animals in camera-trap images with deep learning［J］. Proceedings of the National Academy of Sciences of the United States of America，2018，115(25)：5716-5725.
［25］邵全琴，樊江文. 三江源区生态系统综合监测与评估［M］. 北京：科学出版社，2012.
［26］罗巍，王东亮，夏列钢，等. 一种基于深度学习的林业资源调查方法［J］. 林业科技通讯，2020(8)：17-22.

相似文献/References:

[1]刘伟,赵庆展,汪传建,等.基于最小二乘支持向量机的无人机遥感影像分类[J].江苏农业科学,2017,45(09):187.
　Liu Wei,et al.Remote sensing image classification of UAV based on least squares support vector machine[J].Jiangsu Agricultural Sciences,2017,45(20):187.

备注/Memo

备注/Memo:
收稿日期：2019-12-03
基金项目：国家重点研发计划(编号：2017YFC0506501)；国家自然科学基金面上项目(编号：41571504)。
作者简介：罗巍(1982—)，男，甘肃兰州人，博士，讲师，主要从事地理信息系统、计算机视觉领域研究。Tel：(0316)2395892；E-mail：63424962@qq.com。
更新日期/Last Update: 2020-11-09