空天遥感野生动物监测的挑战、进展与展望

眭海刚; 冉文艳; 张浩

doi:10.13203/j.whugis20260361

您当前的位置：

首页 >

文章列表页 >

空天遥感野生动物监测的挑战、进展与展望

摄影测量与遥感 | 更新时间：2026-11-05

- 空天遥感野生动物监测的挑战、进展与展望
- Wildlife Monitoring Using Spaceborne and Airborne Remote Sensing： Challenges， Progress and Perspectives
- 武汉大学学报（信息科学版） 2026年51卷第10期页码：2151-2166
- 作者机构：
  
  1.武汉大学测绘遥感信息工程全国重点实验室，湖北武汉，430079
  2.武汉大学‐咸宁低空经济创新研究院，湖北赤壁，437300
- 作者简介：
  
  眭海刚，博士，教授，主要从事遥感、空中机器人、多传感器集成以及时空大数据分析等相关研究。haigang_sui@263.net
  冉文艳，博士生。Roxanne@whu.edu.cn
- 基金信息：
  
  湖北省技术创新计划(2024BCB103)
- DOI：10.13203/j.whugis20260361
  中图分类号： P237
- 收稿：2026-09-23，
  
  纸质出版：2026-10-05
- 稿件说明：
移动端阅览
眭海刚,冉文艳,张浩.空天遥感野生动物监测的挑战、进展与展望[J].武汉大学学报（信息科学版）,2026,51(10):2151-2166.

SUI Haigang,RAN Wenyan,ZHANG Hao.Wildlife Monitoring Using Spaceborne and Airborne Remote Sensing: Challenges, Progress and Perspectives[J].Geomatics and Information Science of Wuhan University,2026,51(10):2151-2166.
眭海刚,冉文艳,张浩.空天遥感野生动物监测的挑战、进展与展望[J].武汉大学学报（信息科学版）,2026,51(10):2151-2166. DOI：10.13203/j.whugis20260361

SUI Haigang,RAN Wenyan,ZHANG Hao.Wildlife Monitoring Using Spaceborne and Airborne Remote Sensing: Challenges, Progress and Perspectives[J].Geomatics and Information Science of Wuhan University,2026,51(10):2151-2166. DOI：10.13203/j.whugis20260361

摘要

空天遥感凭借广域覆盖、重复观测和低干扰优势，为野生动物长期监测提供了重要手段，但仍面临弱信号与遮挡、时空采样不完备、复杂场景辨识困难和跨时序关联不稳定等挑战。基于1976—2026年相关研究，构建“信号形成-时空观测-智能解译-动态关联-生态推断”证据链，归纳生境表征与间接推断、动物目标直接观测、多源协同与智能解译3类研究范式，辨析观测证据向生态参数转换的关键条件。文献梳理表明，空天遥感野生动物监测领域正向复杂环境智能传感、空天地遥感集群协同感知、多模态一体化智能解译和个体身份识别发展。未来需以遥感、人工智能与生态学为核心，推动时空智能、分子生物学、声学、传感器工程等多学科深度融合，为野生动物长期监测与保护决策提供技术支撑。

Abstract

Spaceborne and airborne remote sensing

with its advantages of wide-area coverage

repeated observations

and low disturbance

provides an important means for long-term wildlife monitoring. However

it still faces challenges including weak target signals and occlusion

incomplete spatiotemporal sampling

difficulties in target discrimination under complex conditions

and unstable cross-temporal association. Based on relevant studies published from 1976 to 2026

an evidence chain of “signal formation‐spatiotemporal observation‐intelligent interpretation‐dynamic association‐ecological inference” is constructed. Three research paradigms are summarized: habitat characterization and indirect inference

direct observation of animal targets

and multi-source collaboration and intelligent interpretation

with emphasis on the key conditions for translating observational evidence into ecological parameters. The literature review indicates that wildlife monitoring using spaceborne and airborne remote sensing is advancing toward intelligent sensing in complex environments

space‐air‐ground remote sensing cluster collaborative observation

integrated multimodal intelligent interpretation

and individual identification. Future research should take remote sensing

artificial intelligence and ecology as the core

and promote in-depth interdisciplinary coupling of spatiotemporal intelligence

molecular biology

acoustics

and sensor engineering

to provide technical support for long-term wildlife monitoring and conservation decision-making.

关键词

Keywords

references

PETTORELLI N ， LAURANCE W F ， O’BRIEN T G ， et al . Satellite Remote Sensing for Applied Ecologists： Opportunities and Challenges ［J］. Journal of Applied Ecology ， 2014 ， 51 （ 4 ）： 839 - 848 .

ZWERTS J A ， STEPHENSON P J ， MAISELS F ， et al . Methods for Wildlife Monitoring in Tropical Forests： Comparing Human Observations， Camera Traps， and Passive Acoustic Sensors ［J］. Conservation Science and Practice ， 2021 ， 3 （ 12 ）： e568 .

MUGERWA B ， NIEDBALLA J ， PLANILLO A ， et al . Global Disparity of Camera Trap Research Allocation and Defaunation Risk of Terrestrial Mammals ［J］. Remote Sensing in Ecology and Conservation ， 2024 ， 10 （ 1 ）： 121 - 136 .

WHITE G C . Correcting Wildlife Counts Using Detection Probabilities ［J］. Wildlife Research ， 2005 ， 32 （ 3 ）： 211 - 216 .

BRACK I V ， KINDEL A ， OLIVEIRA L F B . Detection Errors in Wildlife Abundance Estimates from Unmanned Aerial Systems （UAS） Surveys： Synthesis， Solutions， and Challenges ［J］. Methods in Ecology and Evolution ， 2018 ， 9 （ 8 ）： 1864 - 1873 .

LAAKE J ， DAWSON M J ， HONE J . Visibility Bias in Aerial Survey： Mark‐Recapture， Line‐Transect or Both？［J］. Wildlife Research ， 2008 ， 35 （ 4 ）： 299 - 309 .

HVALA A ， ROGERS R M ， ALAZAB M ， et al . Supplementing Aerial Drone Surveys with Biotelemetry Data Validates Wildlife Detection Probabilities ［J］. Frontiers in Conservation Science ， 2023 ， 4 ： 1203736 .

LINCHANT J ， LISEIN J ， SEMEKI J ， et al . Are Unmanned Aircraft Systems （UASs） the Future of Wildlife Monitoring？ A Review of Accomplishments and Challenges ［J］. Mammal Review ， 2015 ， 45 （ 4 ）： 239 - 252 .

DELPLANQUE A ， THÉAU J ， FOUCHER S ， et al . Wildlife Detection， Counting and Survey Using Satellite Imagery： Are We There Yet？［J］. GIScience & Remote Sensing ， 2024 ， 61 （ 1 ）： 2348863 .

ATTARD M R G ， PHILLIPS R A ， BOWLER E ， et al . Review of Satellite Remote Sensing and Unoccupied Aircraft Systems for Counting Wildlife on Land ［J］. Remote Sensing ， 2024 ， 16 （ 4 ）： 627 .

HODGSON J C ， BAYLIS S M ， MOTT R ， et al . Precision Wildlife Monitoring Using Unmanned Aerial Vehicles ［J］. Scientific Reports ， 2016 ， 6 ： 22574 .

XU Z Y ， WANG T J ， SKIDMORE A K ， et al . A Review of Deep Learning Techniques for Detecting Animals in Aerial and Satellite Images ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2024 ， 128 ： 103732 .

PETTORELLI N ， WILLIAMS J ， SCHULTE TO BÜHNE H ， et al . Deep Learning and Satellite Remote Sensing for Biodiversity Monitoring and Conservation ［J］. Remote Sensing in Ecology and Conservation ， 2025 ， 11 （ 2 ）： 123 - 132 .

SIMONSON W D ， ALLEN H D ， COOMES D A . Applications of Airborne LiDAR for the Assessment of Animal Species Diversity ［J］. Methods in Ecology and Evolution ， 2014 ， 5 （ 8 ）： 719 - 729 .

ACEBES P ， LILLO P ， JAIME-GONZÁLEZ C . Disentangling LiDAR Contribution in Modelling Species‐Habitat Structure Relationships in Terrestrial Ecosystems Worldwide. A Systematic Review and Future Directions ［J］. Remote Sensing ， 2021 ， 13 （ 17 ）： 3447 .

FRETWELL P T ， LARUE M A ， MORIN P ， et al . An Emperor Penguin Population Estimate： The First Global， Synoptic Survey of a Species from Space ［J］. PLoS One ， 2012 ， 7 （ 4 ）： e33751 .

WU Z J ， ZHANG C ， GU X W ， et al . Deep Learning Enables Satellite-Based Monitoring of Large Populations of Terrestrial Mammals Across Heterogeneous Landscape ［J］. Nature Communications ， 2023 ， 14 ： 3072 .

CUBAYNES H C ， FORCADA J ， KOVACS K M ， et al . Walruses from Space： Walrus Counts in Simultaneous Remotely Piloted Aircraft System Versus Very High-Resolution Satellite Imagery ［J］. Remote Sensing in Ecology and Conservation ， 2024 ， 10 （ 5 ）： 584 - 596 .

HOLLINGS T ， BURGMAN M ， VAN ANDEL M ， et al . How Do You Find the Green Sheep？ A Critical Review of the Use of Remotely Sensed Imagery to Detect and Count Animals ［J］. Methods in Ecology and Evolution ， 2018 ， 9 （ 4 ）： 881 - 892 .

BONDI E ， JAIN R ， AGGRAWAL P ， et al . BIRDSAI： A Dataset for Detection and Tracking in Aerial Thermal Infrared Videos ［C］// IEEE Winter Conference on Applications of Computer Vision ， Snowmass， USA ， 2020 .

GONÇALVES B C ， WETHINGTON M ， LYNCH H J . SealNet 2.0： Human-Level Fully-Automated Pack-Ice Seal Detection in Very-High-Resolution Satellite Imagery with CNN Model Ensembles ［J］. Remote Sensing ， 2022 ， 14 （ 22 ）： 5655 .

ASCAGORTA O ， POLLICELLI M D ， IACONIS F R ， et al . Large-Scale Coastal Marine Wildlife Monitoring with Aerial Imagery ［J］. Journal of Imaging ， 2025 ， 11 （ 4 ）： 94 .

ABOUELEZZ H G ， HOBBS N T . A High-Altitude Thermal Infrared Method for Estimating Moose Abundance and Demography in Rocky Mountain National Park， USA ［J］. Wildlife Biology ， 2026 （ 5 ）： e01368 .

MATERN W A ， FLEISHMAN A B ， GILBERT I ， et al . Evaluating the Efficacy of Drone-Based Thermal Images for Measuring Wildlife Abundance and Physiology ［J］. Marine Mammal Science ， 2025 ， 41 （ 3 ）： e70019 .

KAYS R ， SHEPPARD J ， MCLEAN K ， et al . Hot Monkey， Cold Reality： Surveying Rainforest Canopy Mammals Using Drone-Mounted Thermal Infrared Sensors ［J］. International Journal of Remote Sensing ， 2019 ， 40 （ 2 ）： 407 - 419 .

WHITWORTH A ， PINTO C ， ORTIZ J ， et al . Flight Speed and Time of Day Heavily Influence Rainforest Canopy Wildlife Counts from Drone-Mounted Thermal Camera Surveys ［J］. Biodiversity and Conservation ， 2022 ， 31 （ 13 ）： 3179 - 3195 .

MASSEY L ， FOLEY A M ， BAUMGARDT J ， et al . Pre-programming Thermal Sensors Improves Detection During Drone-Based Nocturnal Wildlife Surveys in Warm Weather ［J］. Drones ， 2026 ， 10 （ 2 ）： 127 .

STEWART J B ， HUDSON J M ， SHERBO B A H ， et al . Estimating Beluga Whale Abundance from Space： Using Drones to Ground-Validate VHR Satellite Imagery ［J］. Remote Sensing in Ecology and Conservation ， 2024 ， 10 （ 6 ）： 673 - 685 .

COLEMAN J ， FENNEY N ， TRATHAN P N ， et al . A Comparison of Established and Digital Surface Model （DSM） -Based Methods to Determine Population Estimates and Densities for King Penguin Colonies， Using Fixed-Wing Drone and Satellite Imagery ［J］. Remote Sensing in Ecology and Conservation ， 2025 ， 11 （ 3 ）： 294 - 311 .

VOGELER J C ， FEKETY P A ， ELLIOTT L ， et al . Evaluating GEDI Data Fusions for Continuous Characterizations of Forest Wildlife Habitat ［J］. Frontiers in Remote Sensing ， 2023 ， 4 ： 1196554 .

ELLIOTT J M ， FLAHERTY E A ， SWIHART R K ， et al . Application of LiDAR and Camera Traps to Model Wildlife Habitat ［J］. The Journal of Wildlife Management ， 2025 ， 89 （ 8 ）： e70093 .

BOHNETT E ， LAMICHANNE B R ， CHAUDHARY S ， et al . Thermal Infrared UAV Applications for Spatially Explicit Wildlife Occupancy Modeling ［J］. Land ， 2025 ， 14 （ 7 ）： 1461 .

LABROUSSE S ， ILES D ， VIOLLAT L ， et al . Quantifying the Causes and Consequences of Variation in Satellite-Derived Population Indices： A Case Study of Emperor Penguins ［J］. Remote Sensing in Ecology and Conservation ， 2022 ， 8 （ 2 ）： 151 - 165 .

LARUE M ， ILES D ， LABROUSSE S ， et al . Advances in Remote Sensing of Emperor Penguins： First Multi-year Time Series Documenting Trends in the Global Population ［J］. Proceedings of the Royal Society B： Biological Sciences ， 2024 ， 291 （ 2018 ）： 20232067 .

WINTERL A ， RICHTER S ， HOUSTIN A ， et al . Remote Sensing of Emperor Penguin Abundance and Breeding Success ［J］. Nature Communications ， 2024 ， 15 ： 4419 .

KELLENBERGER B ， MARCOS D ， TUIA D . Detecting Mammals in UAV Images： Best Practices to Address a Substantially Imbalanced Dataset with Deep Learning ［J］. Remote Sensing of Environment ， 2018 ， 216 ： 139 - 153 .

AXFORD D ， SOHEL F ， VANDERKLIFT M A ， et al . Collectively Advancing Deep Learning for Animal Detection in Drone Imagery： Successes， Challenges， and Research Gaps ［J］. Ecological Informatics ， 2024 ， 83 ： 102842 .

DELPLANQUE A ， FOUCHER S ， LEJEUNE P ， et al . Multispecies Detection and Identification of African Mammals in Aerial Imagery Using Convolutional Neural Networks ［J］. Remote Sensing in Ecology and Conservation ， 2022 ， 8 （ 2 ）： 166 - 179 .

TABAK M A ， NOROUZZADEH M S ， WOLFSON D W ， et al . Machine Learning to Classify Animal Species in Camera Trap Images： Applications in Ecology ［J］. Methods in Ecology and Evolution ， 2019 ， 10 （ 4 ）： 585 - 590 .

DUJON A M ， IERODIACONOU D ， GEESON J J ， et al . Machine Learning to Detect Marine Animals in UAV Imagery： Effect of Morphology， Spacing， Behaviour and Habitat ［J］. Remote Sensing in Ecology and Conservation ， 2021 ， 7 （ 3 ）： 341 - 354 .

SUBEDI A . Mitigating Location Bias for Cross-Location Generalization in Camera Trap Wildlife Detection ［J］. IEEE Access ， 2026 ， 14 ： 73067 - 73081 .

CONVERSE R L ， LIPPITT C D ， SESNIE S E ， et al . A Framework for Assessing Reliability of Observer Annotations of Aerial Wildlife Imagery， with Insights for Deep Learning Applications ［J］. PLoS One ， 2025 ， 20 （ 1 ）： e0316832 .

MOU C ， LIU T F ， ZHU C C ， et al . WAID： A Large-Scale Dataset for Wildlife Detection with Drones ［J］. Applied Sciences ， 2023 ， 13 （ 18 ）： 10397 .

DUPORGE I ， FINERTY G E ， IHWAGI F ， et al . A Satellite Perspective on the Movement Decisions of African Elephants in Relation to Nomadic Pastoralists ［J］. Remote Sensing in Ecology and Conservation ， 2022 ， 8 （ 6 ）： 841 - 854 .

阎婧宇，谢永华 . 基于YOLOv7-Tiny算法的无人机实时跟踪野生动物方法［J］. 野生动物学报， 2024 ， 45 （ 2 ）： 251 - 261 .

YAN Jingyu ， XIE Yonghua . Real Time Tracking of Wild Animals Using Unmanned Aerial Vehicles Based on YOLOv7-Tiny Algorithm ［J］. Chinese Journal of Wildlife ， 2024 ， 45 （ 2 ）： 251 - 261 .

RATHORE A ， SHARMA A ， SHAH S ， et al . Multi-object Tracking in Heterogeneous Environments （MOTHe） for Animal Video Recordings ［J］. PeerJ ， 2023 ， 11 ： e15573 .

HODGSON A ， PEEL D ， KELLY N . Unmanned Aerial Vehicles for Surveying Marine Fauna： Assessing Detection Probability ［J］. Ecological Applications ， 2017 ， 27 （ 4 ）： 1253 - 1267 .

LI X Y ， BLEISCH W V ， JIANG X L . Using Large Spatial Scale Camera Trap Data and Hierarchical Occupancy Models to Evaluate Species Richness and Occupancy of Rare and Elusive Wildlife Communities in Southwest China ［J］. Diversity and Distributions ， 2018 ， 24 （ 11 ）： 1560 - 1572 .

HURTADO C ， HEMMING V ， BURTON C . Comparing Wildlife Habitat Suitability Models Based on Expert Opinion with Camera Trap Detections ［J］. Conservation Biology ， 2023 ， 37 （ 5 ）： e14113 .

郭兴健，邵全琴，杨帆 . 基于MaxEnt模型的玛多县大型野生食草动物分布及草地承载能力分析［J］. 生态学报， 2025 ， 45 （ 20 ）： 9908 - 9919 .

GUO Xingjian ， SHAO Quanqin ， YANG Fan . Distribution of Large Wild Herbivores and Carrying Capacity of Grassland in Maduo County Based on MaxEnt Model ［J］. Acta Ecologica Sinica ， 2025 ， 45 （ 20 ）： 9908 - 9919 .

董浩正，段后浪，于海玲，等 . 1980—2023年辽河口鸻鹬类水鸟栖息地质量时空变化［J］. 湿地科学， 2025 ， 23 （ 1 ）： 1 - 10 .

DONG Haozheng ， DUAN Houlang ， YU Hailing ， et al . Spatial-Temporal Changes of Shorebird Habitat Quality in the Liaohe River Estuary from 1980 to 2023 ［J］. Wetland Science ， 2025 ， 23 （ 1 ）： 1 - 10 .

张久红，洪兆春，崔建钊，等 . 景观基质对雅江中游河谷黑颈鹤冬季觅食地选择的影响［J］. 生态学报， 2023 ， 43 （ 18 ）： 7701 - 7714 .

ZHANG Jiuhong ， HONG Zhaochun ， CUI Jianzhao ， et al . Effects of Landscape Matrix on Winter Foraging-Habitat Selection of Black-Necked Crane in the Middle Reach of the Yarlung Zangbo River， Tibet， China ［J］. Acta Ecologica Sinica ， 2023 ， 43 （ 18 ）： 7701 - 7714 .

侯国帅 . 基于无人机激光雷达的滇金丝猴栖息地适宜性研究［D］. 南京：南京林业大学， 2025 .

HOU Guoshuai . Habitat Suitability of Yunnan Golden Monkey Based on UAV LiDAR ［D］. Nanjing ： Nanjing Forestry University ， 2025 .

REVELO M D ， RIVERA L ， REVELO C . Wildlife Species Distribution Modeling with Unmanned Aircraft ［J］. Innovation & Development in Engineering and Applied Sciences ， 2026 ， 8 （ 1 ）： 18 .

SUN C ， BEIRNE C ， BURGAR J M ， et al . Simultaneous Monitoring of Vegetation Dynamics and Wildlife Activity with Camera Traps to Assess Habitat Change ［J］. Remote Sensing in Ecology and Conservation ， 2021 ， 7 （ 4 ）： 666 - 684 .

PINEL-RAMOS E J ， AURELI F ， WICH S ， et al . Evaluating Thermal Infrared Drone Flight Parameters on Spider Monkey Detection in Tropical Forests ［J］. Sensors ， 2024 ， 24 （ 17 ）： 5659 .

MADANI G ， GONSALVES L . Size Does Matter： Detectability of Arboreal Mammals Using Thermal Cameras and Spotlighting ［J］. Wildlife Research ， 2025 ， 52 （ 7 ）： WR24154 .

WAGNER B ， GARNICK S W ， RYAN M F ， et al . Thermal Drone Surveys to Detect Arboreal Fauna： Improving Population Estimates and Threatened Species Monitoring ［J］. Ecological Applications ， 2025 ， 35 （ 6 ）： e70091 .

BENNITT E ， BARTLAM-BROOKS H L A ， HUBEL T Y ， et al . Terrestrial Mammalian Wildlife Responses to Unmanned Aerial Systems Approaches ［J］. Scientific Reports ， 2019 ， 9 ： 2142 .

WAGNER B ， NITSCHKE C R ， JOHNSON J . Drone-Based Wildlife Surveys Elicit Minimal Vigilance in Nocturnal Arboreal Mammals： Evidence from Comparisons with Ground-Based Detection Methods ［J］. Proceedings of the Royal Society of Victoria ， 2026 ， 138 ： RS25004 .

SCHAD L ， FISCHER J . Opportunities and Risks in the Use of Drones for Studying Animal Behaviour ［J］. Methods in Ecology and Evolution ， 2023 ， 14 （ 8 ）： 1864 - 1872 .

AFRIDI S ， LAPORTE‐DEVYLDER L ， MAALOUF G ， et al . Impact of Drone Disturbances on Wildlife： A Review ［J］. Drones ， 2025 ， 9 （ 4 ）： 311 .

BRAMESFELD G ， BISSONNETTE W ， RAHAMAN-NORONHA M ， et al . Monitoring Wildlife Using Long-Endurance Solar-Electric UAVs ［J］. Wildlife Biology ， 2026 ， 2026 （ 5 ）： e01502 .

BARTLETT B ， SANTOS M ， DORIAN T ， et al . Real-Time UAV Surveys with the Modular Detection and Targeting System： Balancing Wide-Area Coverage and High-Resolution Precision in Wildlife Monitoring ［J］. Remote Sensing ， 2025 ， 17 （ 5 ）： 879 .

REEVES H M ， COOCH F G ， MUNRO R E . Monitoring Arctic Habitat and Goose Production by Satellite Imagery ［J］. The Journal of Wildlife Management ， 1976 ， 40 （ 3 ）： 532 .

BAE S ， LEVICK S R ， HEIDRICH L ， et al . Radar Vision in the Mapping of Forest Biodiversity from Space ［J］. Nature Communications ， 2019 ， 10 ： 4757 .

HUANG J P ， ZHANG Y ， DING J H . Combining LiDAR， SAR， and DEM Data for Estimating Understory Terrain Using Machine Learning-Based Methods ［J］. Forests ， 2024 ， 15 （ 11 ）： 1992 .

LÖFFLER E ， MARGULES C . Wombats Detected from Space ［J］. Remote Sensing of Environment ， 1980 ， 9 （ 1 ）： 47 - 56 .

王劭文，王东亮，凌成星，等 . 基于无人机遥感的黑龙江南瓮河国家级自然保护区驼鹿种群数量及空间分布调查［J］. 野生动物学报， 2023 ， 44 （ 3 ）： 486 - 493 .

WANG Shaowen ， WANG Dongliang ， LING Chengxing ， et al . Population and Spatial Distribution of Moose in Nanwenghe National Nature Reserve， Heilongjiang Province Based on Unmanned Aerial Vehicle （UAV） Remote Sensing ［J］. Chinese Journal of Wildlife ， 2023 ， 44 （ 3 ）： 486 - 493 .

高大中，林海，林乐乐，等 . 利用小型无人机监测西洞庭湖水鸟的可行性探讨［J］. 动物学杂志， 2021 ， 56 （ 1 ）： 100 - 110 .

GAO Dazhong ， LIN Hai ， LIN Lele ， et al . The Feasibility of Wetland Waterfowl Monitoring Method Based on UAV Remote Sensing ［J］. Chinese Journal of Zoology ， 2021 ， 56 （ 1 ）： 100 - 110 .

HODGSON J C ， MOTT R ， BAYLIS S M ， et al . Drones Count Wildlife More Accurately and Precisely than Humans ［J］. Methods in Ecology and Evolution ， 2018 ， 9 （ 5 ）： 1160 - 1167 .

LYONS M B ， BRANDIS K J ， MURRAY N J ， et al . Monitoring Large and Complex Wildlife Aggregations with Drones ［J］. Methods in Ecology and Evolution ， 2019 ， 10 （ 7 ）： 1024 - 1035 .

DELPLANQUE A ， FOUCHER S ， THÉAU J ， et al . From Crowd to Herd Counting： How to Precisely Detect and Count African Mammals Using Aerial Imagery and Deep Learning？［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2023 ， 197 ： 167 - 180 .

ALIANE N . Drones and AI-Driven Solutions for Wildlife Monitoring ［J］. Drones ， 2025 ， 9 （ 7 ）： 455 .

祝宁华，郑江滨，张阳 . 无人机航拍野生动物智能检测与统计方法综述［J］. 航空工程进展， 2023 ， 14 （ 1 ）： 13 - 26 .

ZHU Ninghua ， ZHENG Jiangbin ， ZHANG Yang . Review of Intelligent Detection and Statistical Methods of Wild Animals in UAV Aerial Photography ［J］. Advances in Aeronautical Science and Engineering ， 2023 ， 14 （ 1 ）： 13 - 26 .

WŁODARCZYK D ， JÓŹKÓW G . Hoofed Animal Detection in UAV Thermal Images Using Balanced Random Forest and CNN Features ［J］. Reports on Geodesy and Geoinformatics ， 2025 ， 120 （ 1 ）： 1 - 13 .

POVLSEN P ， BRUHN D ， DURDEVIC P ， et al . Using YOLO Object Detection to Identify Hare and Roe Deer in Thermal Aerial Video Footage—Possible Future Applications in Real-Time Automatic Drone Surveillance and Wildlife Monitoring ［J］. Drones ， 2024 ， 8 （ 1 ）： 2 .

KE W Y ， LIU T F ， CUI X H . IECA-YOLOv7： A Lightweight Model with Enhanced Attention and Loss for Aerial Wildlife Detection ［J］. Animals ， 2025 ， 15 （ 18 ）： 2743 .

SYKORA P ， KAMENCAY P ， HLAVATA R ， et al . Overview and Comparison of Deep Neural Networks for Wildlife Recognition Using Infrared Images ［J］. AI ， 2024 ， 5 （ 4 ）： 2801 - 2828 .

BACKMAN K ， WOOD J ， BRANDIMARTI M ， et al . Human Inspired Deep Learning to Locate and Classify Terrestrial and Arboreal Animals in Thermal Drone Surveys ［J ］. Methods in Ecology and Evolution ， 2025 ， 16 （ 6 ）： 1239 - 1254 .

XU Z Y ， WANG T J ， SKIDMORE A K ， et al . Bounding Box Versus Point Annotation： The Impact on Deep Learning Performance for Animal Detection in Aerial Images ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2025 ， 222 ： 99 - 111 .

周源，丁武福，唐冬艳，等 . 融合红外相机与无人机载激光雷达技术揭示喀斯特生境黑叶猴和猕猴时空共存模式［J］. 野生动物学报， 2026 ， 47 （ 2 ）： 159 - 173 .

ZHOU Yuan ， DING Wufu ， TANG Dongyan ， et al . Integrating Camera-Trapping and UAV-Borne LiDAR Technologies to Reveal the Spatiotemporal Coexistence Patterns of François’ Langurs and Rhesus Macaques in Karst Habitats ［J］. Chinese Journal of Wildlife ， 2026 ， 47 （ 2 ）： 159 - 173 .

BIRD C N ， DAWN A H ， DALE J ， et al . A Semi-automated Method for Estimating Adélie Penguin Colony Abundance from a Fusion of Multispectral and Thermal Imagery Collected with Unoccupied Aircraft Systems ［J］. Remote Sensing ， 2020 ， 12 （ 22 ）： 3692 .

李汶佼，包衡，杜化林，等 . 基于DenseFuse网络的无人机载红外和可见光鹿科动物图像融合［J］. 野生动物学报， 2025 ， 46 （ 3 ）： 514 - 522 .

LI Wenjiao ， BAO Heng ， DU Hualin ， et al . Unmanned Aerial Vehicle Equipped with Both Infrared and Visible for Cervidae Image Fusion Based on DenseFuse Network ［J］. Chinese Journal of Wildlife ， 2025 ， 46 （ 3 ）： 514 - 522 .

WITHARANA C ， LARUE M A ， LYNCH H J . Benchmarking of Data Fusion Algorithms in Support of Earth Observation Based Antarctic Wildlife Monitoring ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2016 ， 113 ： 124 - 143 .

MCCRAINE D ， SAMIAPPAN S ， KOHLER L ， et al . Automated Hyperspectral Feature Selection and Classification of Wildlife Using Uncrewed Aerial Vehicles ［J］. Remote Sensing ， 2024 ， 16 （ 2 ）： 406 .

任红艳，黄坤，扎西 . 融合生境信息的喜马拉雅旱獭洞无人机遥感识别［J］. 遥感学报， 2026 ， 30 （ 7 ）： 2121 - 2133 .

REN Hongyan ， HUANG Kun ， ZHA Xi . Drone-Based Remote Sensing Identification of Himalayan Marmot Holes Integrating Habitat Information ［J］. National Remote Sensing Bulletin ， 2026 ， 30 （ 7 ）： 2121 - 2133 .

SINGER D ， HAGGE J ， KAMP J ， et al . Aggregated Time-Series Features Boost Species-Specific Differentiation of True and False Positives in Passive Acoustic Monitoring of Bird Assemblages ［J］. Remote Sensing in Ecology and Conservation ， 2024 ， 10 （ 4 ）： 517 - 530 .

NAUDÉ J ， JOUBERT D . The Aerial Elephant Dataset： A New Public Benchmark for Aerial Object Detection ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops ， Long Beach， USA ， 2019 .

CUBAYNES H C ， FRETWELL P T . Whales from Space Dataset， an Annotated Satellite Image Dataset of Whales for Training Machine Learning Models ［J］. Scientific Data ， 2022 ， 9 ： 245 .

TASKINA L ， VOROBYEV K ， ABAKUMOV L ， et al . BEHAVE-UAV： A Behaviour-Aware Synthetic Data Pipeline for Wildlife Detection from UAV Imagery ［J］. Drones ， 2026 ， 10 （ 1 ）： 29 .

HENRICH M ， BURGUEÑO M ， HOYER J ， et al . A Semi-automated Camera Trap Distance Sampling Approach for Population Density Estimation ［J］. Remote Sensing in Ecology and Conservation ， 2024 ， 10 （ 2 ）： 156 - 171 .

HEAD J S ， BOESCH C ， ROBBINS M M ， et al . Effective Sociodemographic Population Assessment of Elusive Species in Ecology and Conservation Management ［J］. Ecology and Evolution ， 2013 ， 3 （ 9 ）： 2903 - 2916 .

HENRICH M ， FIDERER C ， KLAMM A ， et al . Camera Traps and Deep Learning Enable Efficient Large-Scale Density Estimation of Wildlife in Temperate Forest Ecosystems ［J］. Remote Sensing in Ecology and Conservation ， 2026 ， 12 （ 1 ）： 148 - 163 .

GOWAN T A ， MOORE J F ， EDWARDS H H ， et al . An Approach to Modeling Abundance of Marine Wildlife over Space and Time Using Unstructured Aerial Surveys ［J ］. The Journal of Wildlife Management ， 2026 ， 90 （ 1 ）： e70123 .

李德仁，丁霖，邵振峰 . 面向实时应用的遥感服务技术［J］. 遥感学报， 2021 ， 25 （ 1 ）： 15 - 24 .

LI Deren ， DING Lin ， SHAO Zhenfeng . Application-Oriented Real-Time Remote Sensing Service Technology ［J］. National Remote Sensing Bulletin ， 2021 ， 25 （ 1 ）： 15 - 24 .

李德仁，王密，肖晶，等 . 论无所不在的时空智能［J］. 遥感学报， 2025 ， 29 （ 6 ）： 1388 - 1398 .

LI Deren ， WANG Mi ， XIAO Jing ， et al . On Ubiquitous Spatiotemporal Intelligence ［J］. National Remote Sensing Bulletin ， 2025 ， 29 （ 6 ）： 1388 - 1398 .

李德仁，郭昊南，金文杰 . 时空智能学：理论与应用［J］. 武汉大学学报（信息科学版）， 2026 ， 51 （ 9 ）： 1755 - 1764 .

LI Deren ， GUO Haonan ， JIN Wenjie . Spatiotemporal Intelligence： Theory and Applications ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， 51 （ 9 ）： 1755 - 1764 .

ARANDJELOVIC M ， VIGILANT L . Non-invasive Genetic Censusing and Monitoring of Primate Populations ［J］. American Journal of Primatology ， 2018 ， 80 （ 3 ）： e22743 .

CHEN P ， SWARUP P ， MATKOWSKI W M ， et al . A Study on Giant Panda Recognition Based on Images of a Large Proportion of Captive Pandas ［J］. Ecology and Evolution ， 2020 ， 10 （ 7 ）： 3561 - 3573 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

高分辨率多模态遥感智能解译进展与展望：从遥感基础模型到遥感智能解译脑

极地冰盖空天遥感监测：进展与展望

大众智能终端GNSS有意干扰检测技术研究现状与展望

关于智慧海图的思考

城市建成环境活动流时空建模分析与预测研究进展