每年春季，河流鲱鱼从马萨诸塞州沿海水域洄游至淡水区域产卵。面对过去几十年种群数量显著下降的状况，当地主要依靠志愿者目视计数等传统方法进行监测。准确追踪鱼类移动对于保护工作和渔业管理至关重要。

来自伍德维尔气候研究中心、麻省理工学院海洋基金、计算机科学与人工智能实验室（CSAIL）、林肯实验室及Intuit的研究人员开发了一种结合水下视频与计算机视觉的新监测视觉技术。今年二月，相关论文在《生态与保护遥感》期刊上发表。

传统监测方法受限于时间窗口和环境条件，难以覆盖夜间或短时密集的迁移活动。虽然被动声学监测等视觉技术有所进展，但手动处理视频仍较为耗时。这项研究提出的基于深度学习的系统，旨在提供可扩展且高效的自动化鱼类监测方案。

研究团队在马萨诸塞州的三条河流设置了水下摄像机收集视频数据。为了训练计算机视觉模型，他们选取了不同光照、水质和鱼类密度的片段，并通过开源平台手动标注了59,850帧图像。模型经过多地点多年份数据训练后，能够生成与传统估计一致的季节长、高分辨率计数结果。

在2024年库纳梅塞特河的监测中，该系统计数了42,510条河流鲱鱼，并发现上游迁移高峰出现在黎明，下游迁移则主要在夜间进行。研究人员指出，计算机视觉技术有助于深入分析迁移行为与环境因素的关联。

麻省理工学院海洋基金的罗伯特·文森特表示：“这项工作将提升渔业监测能力，改善鱼类种群评估，并为学生、公众和公民科学团体提供培训机会，支持重要的河流鲱鱼种群。”

尽管自动化系统前景广阔，传统监测方法仍需延续以保持数据一致性。计算机视觉与公民科学可以互补，志愿者在设备维护、视频标注和模型验证等方面仍发挥关键作用。整合两者数据有望形成更全面的环境监测体系。

该研究由麻省理工学院海洋基金资助，并获得了多个机构的额外支持。