基于深度学习的黄斑山蝾螈（Neurergus derjugini）个体识别与种群估计

为何微小的山地蝾螈至关重要

在伊朗扎格罗斯山脉的高处溪流中，生活着一种小型、濒危的两栖动物：黄斑山蝾螈。像世界上许多蛙类和蝾螈一样，这种动物的数量正受到污染、栖息地丧失和气候变化的压力。要保护这样脆弱的物种，科学家必须了解有多少个体存在，以及种群是在缩减还是在恢复——但传统的标记和追踪个体的方法可能会伤害到这些本应保护的生物。本研究展示了如何将普通智能手机照片与现代人工智能相结合，从个体独特的斑点模式中识别出每只蝾螈，并以一种温和、免接触的方式估算种群数量。

从有害的标记到无害的照片

保护生物学家长期依赖诸如截趾、植入微芯片或彩色环等方法来区分动物。尽管有效，但这些方法可能造成疼痛、压力，并且对已面临多重威胁的小型脆弱两栖动物而言不切实际。研究团队试图用一种简单的摄影技术取代这些侵入性方法。黄斑山蝾螈天生在深色皮肤上带有鲜明的黄色斑点，类似指纹或夜空中的星座。通过在野外仔细拍摄这些斑纹，研究人员旨在建立一个能够凭外观识别每只动物并在重复调查中追踪它们的系统。

将斑点转化为数据

研究团队在一个被认为是繁殖热点的山间溪流开展工作，2024季节共采集了549只成年蝾螈。每只动物被短暂放入一个小型白色拍摄箱，利用柔和的自然光从上方用标准智能手机拍照，然后将蝾螈放回原处。回到实验室后，科学家们首先使用经典的图像处理步骤“教会”计算机何为黄色斑点、何为背景。通过将彩色图像转换为能突出色调和亮度的形式并去除视觉噪声，他们能够测量每只蝾螈的斑点数量、斑点的大小与圆度以及斑点覆盖身体的比例。仅靠这种几何方法，大约在九成的情况下能正确检测到斑点，即便图像被裁剪以仅聚焦头部或躯干时也是如此。

人工智能如何“学会”识别面孔

为了不仅仅是计数斑点而是真正识别个体，研究者转向了深度学习——一种受大脑处理视觉信息方式启发的人工智能方法。他们使用蝾螈照片及其已知身份训练了三种不同的卷积神经网络——这类模型在图像识别方面表现出色。在没有告诉网络要寻找哪些具体特征的情况下，这些网络学会区分黄色斑点排列与形状的细微差异。三种模型均表现令人印象深刻，几乎能正确识别所有蝾螈，其中表现最好的网络准确率超过99%。当同时分析头部和躯干时，系统效果尤其好，这表明结合多个身体区域能为人工智能提供更可靠的“线索”来判断个体。

计算一个隐蔽的种群

个体识别的强大之处在于它解锁了一种经典的生态学工具——标记-再捕捉法，其中在首次访问时检测到的动物被“标记”，之后再次寻找。该研究用深度学习系统的图像匹配作为虚拟标签，而非物理标记。在相隔13天的两次调查中，团队第一次拍摄了332只蝾螈，第二次拍摄了217只，发现有65只在两次影像集中都出现。将这些数字代入标准公式后，估算出该溪流局部种群约有1100只黄斑山蝾螈。尽管该数值存在一定不确定性——真实个体可能会进出研究区域——但它提供了一个无创的即时快照，显示了有多少个体存在，并为未来变化的监测提供了基线。

这对物种保护意味着什么

对非专业读者而言，核心信息很简单：通过使用照片和人工智能替代手术刀和标记，科学家可以以更低的风险监管脆弱动物。在本例中，山蝾螈独特的黄斑成为一种自然条码，计算机可以以相当可靠的方式读取。该快速且低成本的方法可在偏远野外使用智能手机和笔记本推广，帮助保护工作者在气候变暖和栖息地变化时监测受威胁的两栖动物。超越这一物种，这项研究为利用现代图像识别保护一系列害羞且脆弱的生物提供了蓝图——这些生物的存续可能依赖于被观察到，但不被触碰的保护方式。

引用: Rahmdel, Z., Vaissi, S., Faramarzi, P. et al. Deep learning based individual identification and population estimation of the yellow spotted mountain newt (Neurergus derjugini). Sci Rep 16, 6475 (2026). https://doi.org/10.1038/s41598-026-36092-2

关键词: 两栖动物保护, 照片识别, 深度学习, 种群监测, 濒危物种