在推动生态保护和可持续发展的进程中，科技正发挥着越来越重要的作用。麻省理工学院（MIT）电气工程与计算机科学系领导的一项研究，利用计算机视觉和机器学习技术，为鲑鱼种群管理带来革命性的变化。这一项目不仅展示了人工智能在生态保护中的应用潜力，也为全球范围内的生物多样性监测提供了新的思路。
鲑鱼在太平洋西北部的生态系统中扮演着关键角色。它们每年都会进行大规模的迁徙，从淡水溪流孵化，到海洋中成熟，再到返回出生地繁殖后代。这一过程不仅维持了鲑鱼自身的繁衍，还为河流和海洋生态系统带来了丰富的营养物质，支持了众多生物的生存。此外，鲑鱼在当地经济和文化中也具有重要意义，是许多原住民社区的重要食物来源和文化象征。
图源: Pixabay/CC0 Public Domain
然而，人类活动、过度捕捞、水电开发、栖息地丧失和气候变化等因素，对鲑鱼种群造成了严重影响。为了保护生态系统、支持渔业经济和尊重文化传统，准确监测和管理鲑鱼种群变得至关重要。传统的监测方法依赖人工计数或水下声纳系统，这些方法不仅效率低下，而且劳动强度大，难以满足现代生态保护的需求。
MIT的创新解决方案
该研究项目旨在通过先进的计算机视觉技术，自动化鲑鱼种群的监测过程。项目团队通过在不同河流部署声纳相机，收集了大量的视频数据，并利用这些数据训练计算机视觉系统，使其能够自动检测和计数迁徙的鲑鱼。
该系统的算法能够实时定位鱼群，绘制边界框，并跟踪其运动轨迹。如果一条鱼从屏幕的一侧进入并从另一侧离开，则被计为向上游迁徙。在已经创建了训练数据的河流中，该系统的计数误差仅为3%到5%，远低于团队和利益相关者设定的不超过10%的目标。
虽然该系统在初始阶段取得了不错的成果，但在新的河流环境中部署该系统时，仍然面临诸多挑战。河流的河床特征、水的清澈度和光照条件等因素，都会影响声纳相机捕捉到的鲑鱼影像，进而给计算机模型的识别带来干扰。为了解决这一问题，研究团队开发了一种自动适应算法。借助这一算法，系统能够自动调整自身，以适应新的环境条件，从而精准地计数迁徙中的鲑鱼。在实际测试中，自动适应算法显著降低了计数误差，将其控制在10%到15%的范围内，这极大地增强了系统的可扩展性和实用性。
实时管理的“Fishbox”
为了进一步提高监测效率，研究团队开发了一种名为“Fishbox”的便携式计算机。这种小型、轻便的计算机配备了优化的软件，可以直接插入渔业管理人员现有的笔记本电脑和声纳相机中，无需互联网连接即可运行鲑鱼计数模型。这使得管理人员能够实时做出决策，支持更快速、更有效的鲑鱼种群管理。
随着项目的持续推进，研究团队将继续优化计算机视觉系统，与包括原住民社区和渔业管理者在内的多样化利益相关者合作，推动鲑鱼监测和管理的效率和准确性提升。
本文仅代表资讯，供读者参考，不代表平台观点。
编译 | Sara
审核 | Daisy
排版 | 绿叶
【参考资料】
https://news.mit.edu/2025/streamlining-data-collection-improved-salmon-population-management-0206
https://app.daily.dev/posts/streamlining-data-collection-for-improved-salmon-population-management-jcbvvoavw返回搜狐，查看更多
