[论文解读] Stay Ahead of Poachers: Illegal Wildlife Poaching Prediction and Patrol Planning Under Uncertainty with Field Test Evaluations

Lily Xu, Shahrzad Gholami+12 more|arXiv (Cornell University)|Mar 8, 2019

Wildlife Ecology and Conservation被引用 12

一句话总结

该论文通过集成高斯过程来建模预测不确定性，增强了PAWS反偷猎系统，实现了风险规避的巡逻规划，使捕获捕兽夹的效率提升了30%。在乌干达和柬埔寨的实地测试证实了该方法在现实世界中的有效性，护林员仅用一个月时间就通过数据驱动的巡逻路线清除了超过1,000个捕兽夹。

ABSTRACT

Illegal wildlife poaching threatens ecosystems and drives endangered species toward extinction. However, efforts for wildlife protection are constrained by the limited resources of law enforcement agencies. To help combat poaching, the Protection Assistant for Wildlife Security (PAWS) is a machine learning pipeline that has been developed as a data-driven approach to identify areas at high risk of poaching throughout protected areas and compute optimal patrol routes. In this paper, we take an end-to-end approach to the data-to-deployment pipeline for anti-poaching. In doing so, we address challenges including extreme class imbalance (up to 1:200), bias, and uncertainty in wildlife poaching data to enhance PAWS, and we apply our methodology to three national parks with diverse characteristics. (i) We use Gaussian processes to quantify predictive uncertainty, which we exploit to improve robustness of our prescribed patrols and increase detection of snares by an average of 30%. We evaluate our approach on real-world historical poaching data from Murchison Falls and Queen Elizabeth National Parks in Uganda and, for the first time, Srepok Wildlife Sanctuary in Cambodia. (ii) We present the results of large-scale field tests conducted in Murchison Falls and Srepok Wildlife Sanctuary which confirm that the predictive power of PAWS extends promisingly to multiple parks. This paper is part of an effort to expand PAWS to 800 parks around the world through integration with SMART conservation software.

研究动机与目标

• 解决野生动物偷猎预测中极端类别不平衡和数据偏差的问题，其中负样本（无偷猎）不可靠，因为隐藏的捕兽夹难以被检测到。
• 通过在巡逻路线规划中引入预测不确定性，提升巡逻的鲁棒性，确保护林员优先关注高置信度的检测区域。
• 开发一个可部署的端到端数据到部署管道，用于反偷猎工作，整合预测、不确定性量化和处方建议，适用于现实世界中的保护区。
• 通过大规模实地测试，在不同生态系统中验证系统性能——包括乌干达的穆奇森瀑布国家公园和伊丽莎白女王国家公园，以及柬埔寨的斯雷普克野生动物保护区。
• 通过与SMART保护软件集成，实现将PAWS系统扩展部署至全球800个公园。

提出的方法

• 使用高斯过程对偷猎风险预测中的预测不确定性进行建模和量化，为保护区中每个位置生成置信区间。
• 在iWare-E模型中引入不确定性感知组件，生成既反映预测风险又体现预测置信度的风险地图。
• 将不确定性度量集成到博弈论驱动的巡逻规划框架中，优先选择高风险且高预测置信度的区域，从而提升巡逻路线的鲁棒性。
• 根据护林员的反馈，针对旱季和雨季分别校准模型，提升偷猎风险预测的季节性准确性。
• 在真实环境中部署系统，与护林员合作，利用历史数据和实地采集的观测数据训练并验证模型。
• 开展受控实地测试，让护林员遵循PAWS指定的巡逻路线，并将捕兽夹检测率与历史平均水平及基线巡逻策略进行比较。

实验结果

研究问题

• RQ1 预测不确定性建模能否提升现实世界保护区中反偷猎巡逻路线的鲁棒性和检测性能？
• RQ2 在偷猎风险预测中考虑不确定性，与传统的基于风险的路线规划相比，是否能显著提高实地巡逻中捕获的捕兽夹数量？
• RQ3 该PAWS系统在生态特征和数据质量各不相同的保护区之间（如乌干达和柬埔寨）具有多大程度的泛化能力？
• RQ4 偷猎行为和地形可达性的季节性变化如何影响模型性能？该系统能否适应这些变化？
• RQ5 基于数据驱动且具备不确定性感知能力的巡逻规划系统，能否在真实保护行动中成功部署并被护林员采纳？

主要发现

• 将基于高斯过程的不确定性量化集成到PAWS中，与基线方法相比，平均捕获捕兽夹数量提升了30%。
• 在穆奇森瀑布国家公园，护林员在首次实地测试的一个月内，通过PAWS指定的巡逻路线发现了38个偷猎活动区域，尽管巡逻努力程度相似，但在低风险区域未发现任何偷猎活动。
• 在斯雷普克野生动物保护区，护林员仅用一个月时间就清除了超过1,000个捕兽夹——是历史平均水平的三倍以上——同时还缴获了一把枪支，并阻止了三起偷猎活动。
• 该模型成功区分了高风险和低风险区域，护林员确认预测结果与他们的实地经验及季节性模式一致。
• 实地测试证实，该系统预测能力超越了实验室环境：护林员报告称巡逻规划的自信度和效率均有所提高，保护合作伙伴也表达了对全球部署的强烈兴趣。
• 将训练数据按季节分离（旱季与雨季）后，模型准确性得到提升，预测显示旱季北部区域的偷猎风险更高，雨季南部区域风险更高——与护林员的观察结果一致。