imageomics/kabr-behavior-telemetry

肯尼亚动物行为远程感应系统（KABR）无人机野生动物监测数据集，包含同步的无人机遥测数据、相机元数据、行为注释和无人机状态数据，用于野生动物监测操作中的动物行为观察。

Kenyan Animal Behavior Remote Sensing (KABR) Drone Wildlife Monitoring Dataset, consisting of synchronized drone telemetry, camera metadata, behavior annotations, and drone status data collected during wildlife monitoring operations for observing animal behavior.

搜集汇总

数据集介绍

构建方式

该数据集源自2023年1月在肯尼亚姆帕拉研究中心的无人机实地采集，整合了57段视频的逐帧遥测数据、动物检测边界框与专家行为注释。构建过程中，无人机以20至50米高度手动追踪目标动物群体，持续录制5.4K视频并嵌入GPS及相机元数据。随后通过CVAT平台以1帧/秒的频率提取图像，由经过培训的十名标注员进行半自动标注，利用追踪工具保持跨帧的身份一致性，并根据标准化行为谱对动物活动进行分类。最终，通过自定义Python脚本将遥测、检测与行为信息同步合并为逐帧CSV文件，形成完整的结构化数据集。

特点

该数据集的核心特色在于实现了无人机飞行遥测、动物检测与行为注释在帧级别上的精细同步，涵盖了三种目标物种（细纹斑马、平原斑马与网纹长颈鹿）及多种行为类别。其构建严格遵循达尔文核心标准与洪堡生态扩展，确保了与全球生物多样性数据库的互操作性。此外，数据集中包含68个视频级与18个会话级的事件记录，详细描述了飞行参数、环境条件及采样协议，为研究无人机参数对数据质量与动物干扰的影响提供了独特资源。约90%含动物的帧已标注，标注者间一致性达卡帕系数0.88，彰显了数据的高可靠性。

使用方法

研究者可加载`data/occurrences/`目录下的逐帧CSV文件，其中每行包含时间戳、GPS坐标、相机参数、边界框坐标及行为标签，适用于目标检测、多目标追踪与行为识别等计算机视觉任务。建议根据时空或物种分布划分数据子集，例如以1月11至13日为训练集，16日为验证集，17日为测试集。该数据集未预设固定划分，鼓励用户依据具体研究问题灵活设计。对于生态分析，需注意检测概率受栖息地与飞行高度影响；对于无人机方案优化，则可利用遥测与行为数据评估最佳飞行参数。

背景与挑战

背景概述

该数据集名为KABR Behavior Telemetry，由Jenna M. Kline与Elizabeth Campolongo等人于2023年创建，隶属于Imageomics研究所的FAIR²无人机野生动物监测项目。数据集聚焦于肯尼亚Mpala研究中心的稀树草原生态，通过无人机航拍视频，同步记录了格雷维斑马、平原斑马和网纹长颈鹿的帧级行为标注、动物检测边界框以及飞行遥测数据（包括GPS定位、高度与相机参数）。其核心研究问题在于探索无人机飞行参数对野生动物行为数据质量的影响，并量化无人机存在对动物行为的干扰程度。该数据集因融合了行为生态学、计算机视觉与无人机系统研究的交叉视角，并遵循Darwin Core等生物多样性数据标准，在推动精准生态监测、优化无人机调查协议以及促进可复现的AI就绪数据共享方面具有重要影响力。

当前挑战

数据集面临多重挑战。在领域问题层面，需解决无人机航拍中动物尺度因飞行高度（20–50米）剧烈变化导致的尺度不变检测难题，以及行为类别（如行走、警戒）显著不平衡对行为识别模型泛化能力的制约；同时，如何在保护动物福祉的前提下，通过遥测数据量化飞行参数（如高度、速度）与动物警觉或逃离行为之间的因果关系，是生态监测的核心挑战。在构建过程中，挑战包括：GPS坐标在长时飞行中±10米的漂移误差导致帧级空间对齐困难；11个视频因SRT文件损坏或处理失败而丢失发生记录，造成数据覆盖缺口；跨10名标注人员的行为标注需维持一致性，虽通过双向质控达成κ=0.88，但标注者的主观判断仍可能引入偏差。此外，单站点、单旱季的时间地理局限性，以及开阔栖息地对可检测性的偏好，限制了数据集对异质生态系统和季节动态的通用性。

常用场景

经典使用场景

在生态学与计算机视觉的交叉领域中，KABR Behavior Telemetry数据集最为经典的应用场景在于融合无人机遥测数据与动物行为标注的细粒度分析。该数据集通过将GPS轨迹、相机元数据、目标检测边界框以及专家标注的行为类别（如行走、奔跑、觅食、警戒等）同步至每一帧，为研究者提供了从遥感视角解析野生动物行为模式的独特数据基础。典型的研究范式包括利用帧级关联信息构建行为识别模型，通过多目标跟踪技术评估群体动态，以及分析飞行参数（如高度、速度）对检测精度和行为分类效果的影响。这一场景不仅推动了视觉算法在非受控自然环境中的鲁棒性提升，也为生态学中量化动物活动节律与栖息地利用模式提供了高分辨率的数据支持。

实际应用

在实际应用层面，KABR Behavior Telemetry数据集直接服务于无人机野生动物监测系统的协议优化与自动化分析管道构建。例如，生态保护机构可依据数据集中揭示的飞行高度与动物警觉行为（如警戒、逃逸）之间的统计关系，制定最低扰动高度阈值，从而在保障数据质量的同时最小化对目标物种的人为干扰。同时，该数据集支持开发部署于边缘计算设备的实时行为分类模型，实现对监测视频中动物活动状态的即时标注与异常行为预警。此外，通过将检测框与GPS坐标关联，该数据可用于构建半自动化的群体规模估算工具，帮助保护区管理者在非侵入性条件下快速获取关键种群参数。这些应用不仅降低了传统地面调查所需的人力与时间成本，还为跨区域、大尺度物种监测网络的规模化实施提供了可复现的技术路径。

衍生相关工作

围绕KABR Behavior Telemetry数据集，已衍生出多项具有代表性的学术工作。在计算机视觉方向，研究者基于该数据集的帧级多目标跟踪标注开发了面向高空视角的尺度不变检测器，通过利用遥测高度信息对特征金字塔进行动态校准，显著提升了对不同飞行高度下目标外观剧烈变化的适应性。在生态学领域，该数据集被用于构建广义线性混合模型，量化无人机接近速度与距离对动物行为时间分配的影响，相关成果为国际自然保护联盟（IUCN）制定无人机生态监测指南提供了关键量化依据。此外，数据集的Darwin Core标准兼容设计促使了跨数据库整合研究，例如将行为标注与GBIF（全球生物多样性信息机构）的物种分布记录关联，实现了从个体行为到种群格局的多尺度生态推论。这些衍生产出共同构建了从数据采集、算法开发到政策制定的完整知识链条，彰显了该数据集作为领域标准的催化作用。