Conservazione degli uccelli costieri

Attraverso una serie di misure scientifiche come la micro-modifica del terreno, la regolazione del livello dell'acqua e il ripristino ecologico delle zone umide, si mira a creare un habitat in grado di soddisfare le esigenze di diversi uccelli migratori. Dopo il completamento del progetto di restauro, nella gestione quotidiana, il sito di roost dell'alta marea deve mantenere una certa proporzione di piane nude, aree di acqua bassa, aree di acqua profonda e aree a bassa vegetazione controllata. Controllando manualmente il livello dell'acqua per garantire la stabilità relativa delle diverse aree di livello, controllando l'altezza delle erbe infestanti per mantenere l'area delle piane nude, al fine di fornire gli habitat di diversi uccelli acquatici migratori come uccelli di mare, aironi, gabbiani, anatre, ecc. L'utilizzo di dispositivi non presidiati, come la videosorveglianza, per assistere nel monitoraggio delle comunità di uccelli acquatici, al fine di valutare i modelli di utilizzo dell'habitat da parte di questi uccelli migratori e successivamente valutare la qualità dell'habitat.

Il monitoraggio degli uccelli acquatici è alla base delle strategie di protezione e gestione di quasi tutti i tipi di ecosistemi di zone umide. Con il continuo miglioramento delle infrastrutture di conservazione delle zone umide in Cina, compresi i dispositivi remoti per la raccolta di grandi quantità di dati acustici e visivi della fauna selvatica, la domanda di tecnologie di filtraggio e analisi dei dati è in aumento. Il rilevamento degli oggetti basato sul deep learning è diventato una soluzione fondamentale per l'analisi dei big data ed è stato testato in diverse aree applicative. Tuttavia, queste tecniche di apprendimento profondo non sono ancora state testate per il rilevamento di piccoli uccelli acquatici nei video di monitoraggio in tempo reale. Proponiamo un metodo di rilevamento migliorato che aggiunge ulteriori teste di predizione, moduli di attenzione SimAM e fotogrammi continui a YOLOV7, chiamato YOLOv7 Waterbirds, per i dispositivi di videosorveglianza in tempo reale per identificare le aree di attenzione ed eseguire compiti di monitoraggio degli uccelli acquatici (identificazione, conteggio e stima della densità). Sulla base del set di dati degli uccelli acquatici, il valore medio di accuratezza (mAP) di YOLOv7 waterbird è del 67,3%, circa il 5% in più rispetto al modello di riferimento. Inoltre, il tasso di richiamo del metodo migliorato è dell'87,9% (accuratezza=85%) e il tasso di richiamo per gli uccelli acquatici di piccole dimensioni (definiti come pixel inferiori a 40x40) è del 79,1%, il che indica che le sue prestazioni nel rilevamento di oggetti di piccole dimensioni sono superiori al metodo originale e a molti altri popolari algoritmi di deep learning. Questo algoritmo può essere utilizzato dai dipartimenti di gestione delle aree protette o da altre organizzazioni per utilizzare le telecamere di sorveglianza esistenti per un monitoraggio più preciso delle piante acquatiche, contribuendo in qualche modo alla conservazione della fauna selvatica.