利用遥感影像增强资源匮乏野生动物保护区的偷猎预测
机器学习
2020-11-24 v1 计算机与社会
摘要
非法野生动物偷猎正导致生物多样性丧失。为打击偷猎，巡护员在广袤的保护区中巡逻以搜寻非法偷猎活动。然而，巡护员往往无法全面搜寻如此庞大的公园。为此，野生动物安全保护助手(Protection Assistant for Wildlife Security, PAWS)作为一种机器学习方法被提出，以帮助识别偷猎风险最高的区域。随着PAWS部署至全球各地公园，我们认识到许多公园数据采集资源有限，因而特征集稀缺。为确保资源匮乏的公园也能获得有意义的偷猎预测，我们引入公开可用的遥感数据来为公园提取特征。通过采用来自Google Earth Engine的此类数据，我们还纳入了此前无法获取的动态数据，以借助季节趋势丰富预测。我们将整个数据到部署的流程自动化，并发现仅使用公开可用数据，即可恢复与利用公园专家手动计算特征所做出的预测相当的性能。我们得出结论：卫星影像的引入构建了一个稳健的系统，任何资源水平的公园均可借此长久受益于偷猎风险预测。
引用
@article{arxiv.2011.10666,
title = {Enhancing Poaching Predictions for Under-Resourced Wildlife Conservation Parks Using Remote Sensing Imagery},
author = {Rachel Guo and Lily Xu and Drew Cronin and Francis Okeke and Andrew Plumptre and Milind Tambe},
journal= {arXiv preprint arXiv:2011.10666},
year = {2020}
}
备注
Presented at NeurIPS 2020 Workshop on Machine Learning for the Developing World. 4 pages, 1 page references. 4 figures, 1 table