Conservação de aves limícolas

Por meio de uma série de medidas científicas, como modificação do microterreno, regulação do nível da água e restauração ecológica de áreas úmidas, pretendemos criar um ambiente de habitat que possa atender às necessidades de várias aves migratórias. Após a conclusão do projeto de restauração, no gerenciamento diário, o local de pouso da maré alta precisa manter uma certa proporção de planícies nuas, áreas de águas rasas, áreas de águas profundas e áreas de vegetação baixa controlada. Controlando manualmente o nível da água para garantir a estabilidade relativa de diferentes áreas de nível de água, controlando a altura das ervas daninhas para manter a área de planícies nuas, a fim de fornecer os habitats de diferentes aves aquáticas migratórias, como aves costeiras, garças, gaivotas, patos etc. Uso de dispositivos não tripulados, como vigilância por vídeo, para auxiliar no monitoramento de comunidades de aves aquáticas, a fim de avaliar os padrões de uso do habitat por essas aves migratórias e, posteriormente, avaliar a qualidade do habitat.

O monitoramento de aves aquáticas é a base das estratégias de proteção e gerenciamento de quase todos os tipos de ecossistemas de áreas úmidas. Com a melhoria contínua da infraestrutura de conservação de zonas úmidas na China, incluindo dispositivos remotos para coletar grandes quantidades de dados acústicos e visuais da vida selvagem, a demanda por tecnologia de filtragem e análise de dados está aumentando. A detecção de objetos com base na aprendizagem profunda tornou-se uma solução fundamental para a análise de big data e foi testada em várias áreas de aplicação. No entanto, essas técnicas de aprendizagem profunda ainda não foram testadas para detectar pequenas aves aquáticas em vídeos de monitoramento em tempo real. Propomos um método de detecção aprimorado que acrescenta cabeças de previsão adicionais, módulos de atenção SimAM e quadros contínuos ao YOLOV7, chamado YOLOv7 Waterbirds, para dispositivos de vigilância por vídeo em tempo real para identificar áreas de atenção e realizar tarefas de monitoramento de aves aquáticas (identificação, contagem e estimativa de densidade). Com base no conjunto de dados de aves aquáticas, o valor da precisão média (mAP) do YOLOv7 Waterbird é de 67,3%, cerca de 5% maior do que o modelo de referência. Além disso, a taxa de recuperação do método aprimorado é de 87,9% (precisão=85%), e a taxa de recuperação para aves aquáticas pequenas (definidas como pixels menores que 40x40) é de 79,1%, indicando que seu desempenho na detecção de objetos pequenos é superior ao método original e a muitos outros algoritmos populares de aprendizagem profunda. Esse algoritmo pode ser usado por departamentos de gerenciamento de áreas protegidas ou outras organizações para usar as câmeras de vigilância existentes para monitoramento de maior precisão de plantas aquáticas, o que, de certa forma, contribui para a conservação da vida selvagem.