在全球生物多样性保护日益受到关注的今天，如何高效、精准监测潮间带濒危物种，已成为生态学与保护生物学面临的重要挑战。近日，中国水产科学研究院南海水产研究所中华鲎保护科研团队在国际生态学与保护遥感权威期刊《Remote Sensing in Ecology and Conservation》（JCR Q1, IF=4.3，Acceptance rate = 16%）上发表了题为“A UAV‐based deep learning pipeline for intertidal macrobenthos monitoring: Behavioral and age classification in Tachypleus tridentatus”的研究论文。该研究首次构建基于无人机与深度学习的潮间带大型底栖动物智能监测技术体系，成功实现对濒危物种中华鲎的个体识别、行为分类与年龄结构推断，为物种保护提供了技术新支撑。该论文由联合培养博士研究生陈晓海与鲍虞圆工程师担任共同第一作者，颉晓勇副研究员为通讯作者。

传统潮间带生物监测依赖人工样方调查，耗时耗力且空间覆盖有限。本研究创新性地将无人机遥感与深度学习目标检测模型相结合，构建了一套从数据采集、模型优化到生态属性解析的完整技术流程，系统性地解决了从“看得见”、“认得准”到“测得精”的潮间带监测的技术难题。主要方法与成果包括：

（1）在目标识别与行为监测方面，研究团队构建了首个无人机幼鲎影像数据集（n=761），并采用卷积自编码器进行无监督姿态聚类，成功将幼鲎区分为“埋藏”与“暴露”两种行为状态，总体分类精度高达96%。

（2）在核心算法优化方面，研究以带旋转框检测头的YOLOv11模型为基底，引入了自主研发的高低频特征融合模块与结构化剪枝策略。优化后的模型在未分类数据上，召回率、mAP@50与mAP@50–95分别提升4.12%、1.74%与1.64%；其中，头部剪枝策略更使模型参数量下降78%，计算量下降45%，实现了精度与效率的平衡。五折交叉验证表明模型训练更稳定，Grad-CAM可视化也证实模型注意力区域与鲎个体轮廓高度贴合。

（3）在生态属性解析方面，研究首次建立了自然状态下潮滩中华鲎幼鲎的“爬行痕宽-前体甲宽”（R²=0.91）高精度回归模型。尤为关键的是，结合以往的与“前体甲宽-龄期”（R²=0.99）模型，推断出的龄期在模型预测、人工标注与实地测量三类数据源间无显著差异，证实了其作为种群年龄结构可靠代理指标的可行性。

此项成果充分展现了“无人机遥感+深度学习”技术在生态监测领域的巨大潜力，标志着潮间带生物监测从传统的人工、离散模式，向自动化、智能化、大范围监测的范式转型。其非接触式数据采集与AI解析模式，既能高效获取重要的生态参数（如行为状态、种群年龄结构），又能最大程度减少对生物的干扰，契合智慧环保与低碳理念。此外，该技术框架具备高度的可迁移性，可提供一套可野外部署、可扩展的潮间带生物智能监测方案，不仅为濒危中华鲎的保护提供技术支撑，也为其他大型底栖动物（如招潮蟹）的种群结构评估、保护区管理成效跟踪及渔业兼捕监测提供了强大的数据化工具，助力潮间带生态系统保护迈向精准化、智能化新阶段。

研究图像摘要

该研究工作获得国家重点研发计划（2024YFD2401401）、广东省自然科学基金（2024A1515012696）、广东省海上风电联合基金（2023A1515240004）等项目的支持。

全文链接：https://doi.org/10.1002/rse2.70036