Deep learning-based monitoring and spatiotemporal analysis of wildlife and human activities using camera trap imagery
Hao Chen · Fang Qiu · Umme Kulsum 等 11 人
用YOLO模型从红外相机图像中检测野生动物与人类，并分析其时空共现格局。
YOLOv5/YOLOv11检测尼泊尔奇旺国家公园相机陷阱图像，结合时空分析框架
YOLOv11s检测最优（mAP50 95.4%），人-犀牛时间间隔短于人-虎，缓冲区共现强度最高。
可将该检测-时空分析框架迁移至农田野生动物监测，评估作物损害风险并优化防护决策。
该研究将YOLOv5/YOLOv11深度学习模型应用于尼泊尔奇旺国家公园红外相机影像，实现野生动物与人类活动的高精度检测及时空共现分析，方法新颖、数据可靠，对农业信息化中的生态监测与遥感应用有参考价值，但属国际案例、非国内三农政策或产业事件，故未达每日精选门槛。
野生动物与人类活动是生态系统的关键组成部分，理解其时空格局对于评估人–野生动物相互作用和指导保护规划至关重要。相机陷阱网络作为陆地遥感系统，能够在精细的时空尺度上持续监测生态过程。本研究将尼泊尔奇旺国家公园（Chitwan National Park, CNP）及其周边区域在白天可见光和夜间红外照明条件下采集的相机陷阱影像整理为一个包含野生动物、人类和家养动物的多类别数据集。为支持野生动物–人类时空格局的生态学解读，本研究训练了基于深度学习的物体检测模型（YOLOv5和YOLOv11），以从影像中提取动物和人类出现记录。所得检测结果被整合到一个时空分析框架中，用以刻画野生动物和人类活动格局、绘制景观尺度上的空间共现分布，并量化人–野生动物配对之间的时间邻近性。在评估的模型中，YOLOv11s取得了最佳检测性能，精确率为95.5%，召回率为92.9%，平均精度均值50（mAP50）为95.4%，表明其在实际场景中具有可靠性能。时空分析揭示，人–犀牛配对的时间滞后短于人–虎配对，并识别出人–野生动物共现的明显空间梯度，其中缓冲区强度最高，其次为廊道林和CNP。这些结果表明，将自动检测与时空分析相结合，可将相机陷阱数据转化为用于可扩展监测的生态信息。所提出的框架识别了人–野生动物时空邻近性较高的区域，有助于优先开展针对性监测和景观管理。