近日，北京林业大学工学院张军国教授团队在湿地水鸟智能识别方向取得重要研究进展，提出了一种面向复杂湿地环境的轻量化深度学习方法，实现了湿地水鸟的高精度、低计算开销智能识别。该成果以《Waterbird image recognition using lightweight deep learning in wetland environment》为题，发表于鸟类学领域的权威期刊《Avian Research》（中国科学院1区TOP期刊）。

湿地水鸟因对环境变化极为敏感，已成为生物多样性评估与生态监测的重要指示物，而湿地环境复杂、相似物种识别困难致使湿地水鸟监测难以实现高精度、低开销的智能识别。研究团队聚焦这一难题，提出数据与算法协同优化的新思路，构建了高精度、轻量化的智能识别体系，为生态监测提供了高效可靠的技术支撑。团队以北京典型湿地为主要样区，联合生物多样性数据库和生态影像平台，构建了高质量湿地水鸟数据集，采用“多源采集+分季节补充+专家校核”的三维策略，确保数据的生态代表性与分类准确性。

此基础上，团队针对湿地水鸟监测中背景复杂、物种形态相似及计算资源受限等挑战，提出了一种轻量化深度学习方法SIS-YOLO。通过集成ShuffleNetV2骨干网络、改进残差移动模块(iRMB)和形状感知损失函数(ShapeloU)，在自建ICBeijing数据集上实现了91.1%的精确度和79.1%的mAP@0.5:0.95，参数量仅2.9M，为湿地生物多样性保护提供了高效可靠的技术方案。该研究成果在模型设计上兼顾了高精度识别与轻量化部署，显著提升了复杂湿地环境下水鸟识别的准确性与实时性能，为湿地水鸟监测和智慧保护提供了高效可靠的技术支撑，也为智慧监测与管理技术在国家公园、自然保护地等资源受限场景的应用推广与跨区域泛化奠定了坚实基础。

SIS-YOLO模型框架

论文第一作者为工学院硕士研究生黄清泉，通讯作者为张长春副教授与张军国教授，谢将剑教授、胡春鹤副教授、王远副教授等共同参与了上述研究。

该研究得到国家自然科学基金（32401569, 32371874）与北京市自然科学基金（6244053）联合资助。

论文链接：https://doi.org/10.1016/j.avrs.2025.100306