Conservation des oiseaux de rivage

Grâce à une série de mesures scientifiques telles que la modification du microterrain, la régulation du niveau de l'eau et la restauration écologique des zones humides, nous visons à créer un environnement d'habitat qui peut répondre aux besoins de divers oiseaux migrateurs. Après l'achèvement du projet de restauration, la gestion quotidienne du site de perchage à marée haute doit maintenir une certaine proportion de plaines nues, de zones d'eau peu profonde, de zones d'eau profonde et de zones de végétation basse contrôlée. En contrôlant manuellement le niveau de l'eau pour assurer la stabilité relative des différentes zones de niveau d'eau, en contrôlant la hauteur des mauvaises herbes pour maintenir la zone de plaine nue, afin de fournir des habitats à différents oiseaux d'eau migrateurs tels que les oiseaux de rivage, les hérons, les goélands, les canards, etc. L'utilisation de dispositifs sans pilote tels que la surveillance vidéo pour aider à surveiller les communautés d'oiseaux d'eau, afin d'évaluer les schémas d'utilisation de l'habitat par ces oiseaux migrateurs et, par la suite, d'évaluer la qualité de l'habitat.

La surveillance des oiseaux d'eau est à la base des stratégies de protection et de gestion de presque tous les types d'écosystèmes de zones humides. Avec l'amélioration continue de l'infrastructure de conservation des zones humides en Chine, y compris les dispositifs à distance pour la collecte de grandes quantités de données acoustiques et visuelles de la faune, la demande de technologie de filtrage et d'analyse des données augmente. La détection d'objets basée sur l'apprentissage profond est devenue une solution fondamentale pour l'analyse des big data et a été testée dans de nombreux domaines d'application. Cependant, ces techniques d'apprentissage profond n'ont pas encore été testées pour la détection de petits oiseaux d'eau dans les vidéos de surveillance en temps réel. Nous proposons une méthode de détection améliorée qui ajoute des têtes de prédiction supplémentaires, des modules d'attention SimAM et des images continues à YOLOV7, appelée YOLOv7 Waterbirds, pour les dispositifs de surveillance vidéo en temps réel afin d'identifier les zones d'attention et d'effectuer des tâches de surveillance des oiseaux d'eau (identification, comptage et estimation de la densité). Sur la base de l'ensemble de données sur les oiseaux d'eau, la précision moyenne (mAP) de YOLOv7 Waterbird est de 67,3 %, soit environ 5 % de plus que le modèle de référence. En outre, le taux de rappel de la méthode améliorée est de 87,9 % (précision = 85 %), et le taux de rappel pour les petits oiseaux d'eau (définis comme des pixels de moins de 40x40) est de 79,1 %, ce qui indique que ses performances en matière de détection de petits objets sont supérieures à celles de la méthode originale et de nombreux autres algorithmes populaires d'apprentissage profond. Cet algorithme peut être utilisé par les services de gestion des zones protégées ou d'autres organisations pour utiliser les caméras de surveillance existantes en vue d'une surveillance plus précise des plantes aquatiques, ce qui contribue dans une certaine mesure à la conservation de la faune et de la flore.