lion-responses-to-aerial-monitoring-dataset

本数据集是一个多模态无人机野生动物观测数据集，旨在研究非洲狮对空中监测的行为反应，并支持野生动物监测和生态感知研究。数据采集于肯尼亚中部奥佩杰塔保护区，在2024年10月至12月期间的15个工作日（08:00-19:00）完成。数据集包含同步记录的RGB视频（3840×2160分辨率，30 fps）和热成像视频（640×512分辨率，30 fps），由DJI Mavic 3 Enterprise T无人机在20至120米的不同固定高度进行受控实验性接近飞行时捕获。数据以原始视频文件（MP4格式）及其伴随的SRT遥测文件形式存储，后者包含每帧的GPS、高度、相机设置和UTC时间戳。此外，数据集提供了遵循达尔文核心（Darwin Core）标准的元数据表格（CSV格式），分别记录每个视频片段（occurrence）和每次完整飞行任务（event）的详细信息，如事件ID、日期时间、地理位置、海拔、物种分类信息（非洲狮，Panthera leo）、个体数量统计（成年雌性、成年雄性、幼崽）以及观察到的行为。该数据集适用于多种计算机视觉任务（如目标检测、实例分割、多目标跟踪、重识别、行为识别和RGB-热成像跨模态学习）、生态学研究（如种群丰度估计、行为分析、栖息地利用模式）以及机器人应用（如无人机感知系统基准测试和传感器融合研究）。数据集遵循CC BY 4.0许可协议发布。This dataset is a multimodal drone-based wildlife observation dataset, designed to study the behavioral responses of African lions to aerial monitoring and to support wildlife monitoring and ecological perception research. Data were collected in the Ol Pejeta Conservancy in central Kenya over 15 working days (08:00-19:00) between October and December 2024. The dataset includes synchronously recorded RGB videos (3840×2160 resolution, 30 fps) and thermal imaging videos (640×512 resolution, 30 fps), captured by a DJI Mavic 3 Enterprise T drone during controlled experimental approach flights at varying fixed altitudes ranging from 20 to 120 meters. The data are stored as raw video files (MP4 format) along with accompanying SRT telemetry files, which contain GPS coordinates, altitude, camera settings, and UTC timestamps for each frame. Additionally, the dataset provides metadata tables (CSV format) following the Darwin Core standard, detailing each video clip (occurrence) and each complete flight mission (event) with information such as event ID, date-time, geographic location, elevation, species classification (African lion, Panthera leo), individual counts (adult females, adult males, cubs), and observed behaviors. The dataset is suitable for various computer vision tasks (e.g., object detection, instance segmentation, multi-object tracking, re-identification, behavior recognition, and RGB-thermal cross-modal learning), ecological research (e.g., population abundance estimation, behavior analysis, habitat use patterns), and robotics applications (e.g., benchmark testing for drone perception systems and sensor fusion studies). The dataset is released under the CC BY 4.0 license.

搜集汇总

数据集介绍

构建方式

该数据集通过无人机平台在肯尼亚奥·佩杰塔保护区的稀树草原与灌丛生态系统中采集，聚焦于非洲狮对空中监测的行为响应。数据收集历时15天（2024年10月至12月），于日间08:00至19:00进行，采用DJI Mavic 3 Enterprise T无人机搭载RGB与热成像传感器，在20至120米的多固定海拔高度执行半自主飞行任务。通过GPS项圈、甚高频遥测及地面观察员协作定位狮群，同步记录视频与GPS遥测元数据，并依据达尔文核心标准整理事件与出现记录表。

特点

数据集具有多模态与多尺度特性，同步提供4K RGB视频（3840×2160像素）与640×512像素热红外视频，覆盖可见光与热红外光谱。数据涵盖20至120米六个飞行高度层，便于评估海拔对检测与行为响应的影响。元数据包含精确GPS坐标、栖息地类型、个体数量及行为描述，支持跨模态学习与传感器融合研究。数据集遵循FAIR²标准与CC-BY 4.0许可，兼容机器学习与生态学分析流程，填补了大型食肉动物无人机监测与行为扰动研究中多模态数据的空白。

使用方法

数据集的使用需基于原始视频与遥测SRT文件，研究者可借助CVAT等工具为RGB与热像中的狮群添加边界框、跟踪ID及行为标签，以开展目标检测、多目标跟踪与行为识别等计算机视觉任务。建议针对不同飞行高度进行多尺度数据增强与高度感知模型训练，并分别构建RGB与热红外处理管线以提升鲁棒性。生态应用时需校正检测概率并建模生境可见性，避免跨生态系统泛化。数据集支持UAV感知系统基准测试与传感器融合评估，适用于野生动物监测与保护决策支持。

背景与挑战

背景概述

野生动物监测与保护长期以来依赖地面调查和人工观测，但传统方法难以覆盖广阔且复杂的地域，尤其对于活动范围大、栖息地隐蔽的大型食肉动物。该数据集由Elena Iannino团队于2024年在肯尼亚奥尔佩杰塔保护区创建，专注于利用无人机多模态遥感技术监测非洲狮。通过同步采集RGB与热红外视频，并控制飞行高度（20至120米）进行实验性接近，旨在量化无人机干扰下狮群的行为响应与视觉可检测性。这一开创性工作填补了现有数据集中实验性干扰分析与多模态融合监测的空白，为野生动物生态学、无人机遥感及保护人工智能研究提供了关键基准，对推动低成本、低干扰的野生动物空中监测技术发展具有重要影响。

当前挑战

该数据集旨在解决的核心领域挑战包括：在复杂稀树草原环境下，如何克服植被遮挡、光照变化及目标伪装以提高大型食肉动物的空中检测精度，同时量化并最小化无人机监测对动物行为造成的潜在干扰，实现生态保护与科学观察的平衡。构建过程中面临的挑战涉及多个层面：需在15天野外窗口内，依赖GPS项圈与随机偶遇进行目标定位，并严格遵守伦理准则（如发现逃逸行为立即终止飞行）；不同飞行高度导致地面采样距离变化，给多尺度视觉模型的训练带来困难；同时，热红外传感器分辨率低于RGB，运动模糊与构图不稳定进一步增加了数据处理与未来标注的复杂性。

常用场景

经典使用场景

该数据集专为基于无人机遥感平台的野生动物监测与行为生态学研究而设计，尤其聚焦于非洲狮（Panthera leo）对空中飞行器的响应模式。其经典使用场景涵盖计算机视觉领域的多模态目标检测、实例分割、跨帧多目标跟踪以及个体再识别任务，同时支持基于RGB与热红外影像融合的鲁棒性分析。研究者可借此数据集在稀疏灌木与开阔热带草原生境中，评估不同飞行高度下大型食肉动物的视觉可检测性、群体计数精度及扰动响应类型，从而推动生态监测与自主航空机器人系统的交叉验证。

实际应用

在现实应用层面，该数据集可直接服务于自然保护区的智能化巡护体系建设。基于其中的多模态航拍影像与行为响应标注，开发者能够训练出适用于低光照和遮挡条件下的野生动物自动检测与计数模型，实现对狮群个体识别、栖息地利用模式推断及种群动态的高效非接触式监测。此外，该数据亦为无人机航路规划与飞行高度优化策略提供了量化参考，辅助保护管理者在最小化干扰的前提下提升巡护效能，进而支撑濒危物种长期保育中的实时决策支持需求。

衍生相关工作

依托该数据集已衍生出若干具有开创性的研究工作，包括基于注意力机制的多尺度狮群检测网络、面向草地遮拦环境的热红外与RGB跨模态目标融合算法以及用于评估无人机骚扰强度的行为分类置信度模型。未来可进一步拓展至跨物种迁移学习研究、基于时空图网络的群体层级行为模式挖掘，以及融合环境因子与飞行参数的野生动物响应预测框架。这些工作共同推动了AI驱动的生态监测方法从实验室验证向真实保护区部署的关键转型，为无人机与野生动物共存策略的量化建模奠定了数据基础。