通过融合AI置信度与人工标注，提高从相机陷阱数据获得的生态推断与不确定性量化
应用统计
2026-05-14 v1
摘要
相机陷阱已成为生态研究的核心工具，使能够大规模、非侵入性地监测野生动物种群与行为。通过自动记录动物经过摄像头视野内的情形，这些设备生成海量图像数据，几乎无需现场工作。然而，这种数据丰富性在将图像转化为可用信息方面引入了新的瓶颈，由于需要大量时间和人力进行人工标注。最近，人工智能(AI)被集成到工作流程中以提高效率。然而，来自AI方法的数据性质不同， necessitating 新的统计方法以获得推断、作出预测并量化不确定性。我们提出了一种新的贝叶斯层次数据融合模型，将人工标注与AI预测的优势结合起来。我们方法的优势在于能够提供不确定性量化以及改进的推断与预测能力，我们通过模拟研究演示了这一点。我们将该模型应用于AI分析北卡罗来纳州从相机陷阱获取的白尾鹿( Odocoileus virginianus)体况数据，以研究健康与环境之间的关系。我们发现，繁殖季节的雄性鹿体况高于其他鹿类，绿色、开放的栖息地与高体况相关。我们的新模型与传统方法（使用相同数据）相比推导出了新的生态推断。
引用
@article{arxiv.2605.13660,
title = {Improving ecological inference and uncertainty quantification from camera trap data through the fusion of AI confidences and manual annotations},
author = {Adira Cohen and Erin M. Schliep and Roland Kays and Mohammad Alyetama and Matthew Snider},
journal= {arXiv preprint arXiv:2605.13660},
year = {2026}
}
备注
38 pages, 8 figures