无人机遥感、热感和机器视觉在野生动物地理信息的获取和时空普查中展现出巨大的潜力，然而很少有研究将其有效地整合助力湿地生境质量评估。这个研究利用无人机热感影像进行野生鸟类航空测绘，并整合机器视觉进行智能化鸟类识别和生境质量评估。我们选择了三个位于内布拉斯加州Rainwater流域的湿地测试我们的评估框架，包括基于深度学习的Faster-RCNN算法，基于传统机器学习的Cascading 算法,以及阈值分割算法。这些结果显示基于热感影像的Faster-RCNN算法能够提供90%以上的识别准确率，并且消耗较少的劳动力和专家知识。在此之上，有证据显示微调技术可以高效地将预训练的Faster-RCNN算法泛华到其它湿地场景中，提高野生动物识别和生境质量评估的效率。进一步的分析证实了与其他方法相比卷积神经网络可以有效地表达识别目标的空间上下文，有助于实现稳定、端对端的野生动物识别任务。整体来讲，这个研究证实了无人机、热感和机器视觉可以被有效结合来实现高效的生境质量评估。这些发现可以为生态学家提供科学参考，以支持前瞻性的湿地保护和管理施政。
 

无人机遥感,人工智能,生境质量