Meeresvögel sind aufgrund der Nahrungsverfügbarkeit in der Nähe von Meereslebensräumen anzutreffen, beispielsweise am Meer und in Feuchtgebieten. Sie ernähren sich hauptsächlich von Fischen und Insekten. Die Meeresvogelbestände gehen im Vergleich zu denen anderer Vögel erheblich schneller zurück, da die Küstenregion sensibel auf Umweltverschmutzung, kommerzielle Fischerei, Lebensraumverschlechterung, Mineralienabbau, menschliche Eingriffe usw. reagiert. Außerdem sind Meeresvögel durch an Land und im Wasser vorkommende Raubtierarten gefährdet. Abgesehen von der Geographie ihres Lebensraums haben sie wenig Möglichkeiten, ihre Nester zu verteidigen oder ihre Jungen zu schützen. Brüten und Eiablage finden in offenen Lebensräumen statt, beispielsweise auf nacktem Boden und offenen sandigen oder felsigen Flächen, an Küsten und auf Inseln mit wenig oder gar keinem Nestmaterial.
Die Königsseeschwalbe und die Raubseeschwalbe sind zwei der rund 350 Meeresvogelarten. Diese erwachsenen Seeschwalben können 45–60 cm groß sein und 350–750 g wiegen. Mit ihrer Größe fallen sie in die Kategorie der kleinen Objekte, sodass wir sehr hochauflösende Bilder benötigen, um sie zu erkennen. Dank der jüngsten Innovationen im Bereich von Drohnen und AI können wir hochauflösende Bilder großer geographischer Bereiche erfassen und Objekte verschiedener Formen und Größen erkennen. Durch Drohnen werden die Meeresvögel außerdem weniger gestört. Drohnen sind leichter einzusetzen und können für häufige Vermessungen verwendet werden, selbst nach Katastrophen wie Hurrikanen, Ölverschmutzungen usw. Mit diesem Deep-Learning-Modell kann die Erkennung von Meeresvögeln (Königsseeschwalben und Raubseeschwalben) in hochauflösenden Luftbildern automatisiert werden. Dies kann die Kartierung effektiver Standortschutzbereiche für Meeresvögel erleichtern.
Lizenzanforderungen
Für diesen Workflow gelten die folgenden Lizenzanforderungen:
- ArcGIS Desktop: ArcGIS Image Analyst-Erweiterung für ArcGIS Pro
- ArcGIS Enterprise: ArcGIS Image Server mit konfigurierter Raster-Analyse
- ArcGIS Online: ArcGIS Image for ArcGIS Online
Modelldetails
Dieses Modell hat die folgenden Merkmale:
- Eingabe: Hochauflösende RGB-Bilder (Auflösung 1,0 Zentimeter)
- Ausgabe: Feature-Class, die erkannte Meeresvögel enthält
- Berechnung: Dieser Workflow ist rechenintensiv. Empfohlen wird eine GPU mit mindestens CUDA Compute Capability Version 6.0.
- Eignung für Geographien: Das Modell eignet sich gut für die Küstenregionen im Westen Afrikas.
- Architektur: Das Modell verwendet die in ArcGIS API for Python implementierte MaskRCNN-Modellarchitektur.
- Accuracy-Kennwerte: Das Modell hat einen durchschnittlichen Precision-Score von 0,75.
Zugreifen auf das Modell und Herunterladen des Modells
Laden Sie das vortrainierte Modell Seabird (Tern) Detection – Africa aus dem ArcGIS Living Atlas of the World herunter. Alternativ können Sie direkt über ArcGIS Pro auf das Modell zugreifen oder es in ArcGIS Image for ArcGIS Online verwenden.
- Navigieren Sie zum ArcGIS Living Atlas of the World.
- Melden Sie sich mit Ihren ArcGIS Online-Anmeldedaten an.
- Suchen Sie nach Seabird (Tern) Detection – Africa, und öffnen Sie in den Suchergebnissen die entsprechende Elementseite.
- Klicken Sie auf die Schaltfläche Herunterladen, um das Modell herunterzuladen.
Sie können die heruntergeladene .dlpk-Datei direkt in ArcGIS Pro verwenden, oder sie in ArcGIS Enterprise hochladen und dort verwenden. Außerdem können Sie das vortrainierte Modell bei Bedarf optimieren.
Versionshinweise
Es folgen die Versionshinweise:
| Datum | Beschreibung |
|---|---|
| September 2022 |
|