我想用 AI 監測野生動物與棲地，把生態變成可以量的數字

我想用 AI 監測野生動物與棲地，把生態變成可以量的數字的流程

1. 先依監測目標選技術路線，三條路解的問題不同

   聲學（Synature）適合涵蓋面與連續性，尤其蝙蝠與昆蟲這些相機幾乎拍不到的類群；足跡辨識（WildTrack 的 FIT 技術）適合瀕危物種的非侵入式個體辨識，一支手機就能採樣；影像加邊緣運算（Conservation X Labs 的 Sentinel、Wildlife Protection Solutions 的 WPS Watch）則適合需要即時警報的場景，例如反盜獵與林木盜伐。先想清楚你要回答「有沒有」「是哪一隻」還是「現在有人闖進來」。

2. 實測台灣特有種的辨識覆蓋率，別看總數

   Synature 官網標示可辨識 15,000 種以上物種、WildTrack 已開發 41 種的足跡演算法，聽起來很多，但台灣有大量特有種與特有亞種，鳴聲與形態可能與大陸族群有差異，未必在既有訓練資料裡。務實做法是先拿一批台灣已知物種的錄音或足跡樣本丟給廠商測試，看辨識率如何，再決定要不要投入本地資料的標註工作。這反而是台灣研究單位可以主導並貢獻國際資料庫的機會。

3. 確認設備能不能撐過台灣的天氣與訊號死角

   歐洲與非洲的野外測試條件跟台灣差很多。台灣山區高溫高濕、颱風季強風豪雨、中高海拔還有結露問題，設備的防護等級要以本地條件驗證，不能只看規格書。通訊也是硬瓶頸——台灣山區覆蓋不足，純雲端回傳的方案在多數林班地會失效。這正是邊緣運算設計（在裝置端判斷、只回傳事件）重要的原因，評估時要問清楚離線能力與電池續航。

4. 把資料權屬與參與機制先談好

   監測資料涉及敏感棲地位置（公開可能導致盜獵與干擾），也涉及研究成果的權屬。合作前要談定：原始資料歸誰、能不能取回、廠商能否用於模型訓練、以及位置資訊的模糊化處理。另外值得學的是公民科學的參與設計——WildTrack 讓社區與志工採集足跡、WPS 讓全球志工協助複查影像，這在台灣的登山與保育社群基數下完全可以複製，成本極低又擴大了參與。