午后的太阳有些刺眼，茂密的丛林掩映下，一家三口的大象在河边用长鼻子卷起泥沙不断自顾自地拍打着厚重的身体。人们在高空栈道上听到了象鼻拂过树枝的声音，一下子从湿热的空气里清醒过来，赶快呼朋唤友举起手机。

       云南省西双版纳保存着我国最大的野生亚洲象种群。在这里，亚洲象是一种旅游资源，保护野生亚洲象是人类的责任，但与此同时，根据2011~2017 年的统计，人象冲突致32人死亡、150多人重伤，经济损失上亿元。

       如何将对亚洲象的保护和预警统一起来？在第九个“世界大象日”来临之际，浪潮与西双版纳国家级自然保护区管护局联合打造了世界领先的亚洲象生态保护系统，通过人工智能、大数据、云计算等一系列科技手段实现对亚洲象的全天候监测和观察，有效缓解了人象冲突，为探索人与自然和谐共生及可持续发展注入了科技力量。

       亟待优化的人力

       从1987年设立至今，如果不包括森林公安的编制，西双版纳自然保护区管护局有222个编制，到了2020年，自然保护局有224个正式编制，而需要守护的西双版纳国家级自然保护区总面积是24.2510万公顷，占全州土地面积的12.68%。

       “除了工作人员以外，我们还聘请了大量的护林员。我们保护区每个村基本上有一个护林员，现在我们的护林员数量加起来应该比我们的职工数量还多。”云南西双版纳国区家级自然保护科学研究所副所长郭贤明告诉第一财经。

       传统人工监测手段粗放，通常根据田地上的脚印、粪便来测算是否有大象出没，不仅无法实时监测日益活跃的亚洲象种群轨迹，而且对于后续预警、科研及管护工作的开展也会带来许多不便。甚至也有护林员在监测过程中被野象所伤。郭贤明表示，局里也在运用各种现代科技手段来优化人力，比如安装红外摄像头，但工作人员无法做到24小时值守，也应用过无人机，但是雾日、丛林茂密和电池的续航能力都制约了监测。

       了解到这些情况后，浪潮助力西双版纳国家级自然保护区管护局构建了由数百个视频监测系统构成的统一数据采集系统，红外摄像头每次感知到有生物体存在就会触发拍照并回传数据到边缘端，实现全天候实时采集图像及影像数据。采集完成后，数据可从边缘侧的西双版纳数据中心传输至远在昆明的云平台进行数据存储并建立相应的服务应用供后续科研工作提供依据。目前在西双版纳，一个月时间视频、图片的数据量就会达到 30TB，随着野生亚洲象活动范围扩大，数据量还将不断扩大。

       为了让一线人员用好系统，管护局还专门组织了系统的培训，“（护林员）招聘的起点一般都是以本科为起点，这些人看一下、接触一下，很快就能应用，这个系统建起来以后我们专门组织了一个（全州）范围的培训。”郭贤明说。

       系统搭建的背后

       亚洲象活动比较频繁的64个村寨都已经安装了野生象的预警系统，在离村寨一公里以外安装红外摄像头，信号用4G传输。边缘端毫秒识别，一旦有预警会通过村内广播提醒村民，实现全天候精准识别及预警。自今年5月该系统正式投入使用以来，覆盖的所有预警区域内还未发生因人象冲突而导致的人员伤亡事件。

       浪潮信息副总裁、浪潮信息服务器产品线总经理沈荣告诉第一财经在内的媒体，搭建这样一套“雨林守护系统”面临着三大难点。

       首先，是数据量少，不少原始资料存在图像不清晰或者是“盲人摸象”的问题，“真正要把象全部能够实时识别出来的难度很高”。由于亚洲象出没时间不定，体型非常庞大，在夜晚光线不足的情况下，根据一个尾巴、一个背影立刻判断亚洲象非常困难，甚至有时会出现把监测到的牛、羊等家畜误判为亚洲象的情况。其次是建模难，在人工智能的应用中，模型是特别重要的。目前国际已有的亚洲象智能识别模型的准确率普遍较低。精度大概在60%左右，基于通用模型算法进行了大量的深度学习训练，但模型精度不高，算法需要提升。第三是需要不断优化。“优化又遇到一个经验问题、技术实力问题。如果咱们做了跟郭所长说三年之后才起效果，管护局估计对我们也没兴趣了，这是有难点的事情。”沈荣说。

       为了提高模型精确度，浪潮在野象谷周边搭建了众多采集站点，收集到上万张野生亚洲象图像资料，专门针对阴雨天、夜间等画面光线差、模糊、残缺等问题。浪潮工程师又进行了三个多月的算法优化，反复比对不同算法对不同验证样本的准确度，修正算法进行验证与优化，将模型精度提高到了90%。

       这套监测预警系统架构，实现了计算、存储、网络等资源的统一调度管理、科学规范的实时监测预警，更有利于高效快捷的运维和深度科研工作的开展。浪潮的云边端协同实现了毫秒级识别、十几秒发布，为监测预警系统提供高效、安全的算力支撑。同时，边缘端处理后的数据也将被传输至云端数据中心的亚洲象深度学习训练平台， 帮助模型算法不断优化迭代，提高亚洲象监测的准确性和实时性。数据中心端借助管护员提供的模型训练数据与浪潮自采集数据，对大象影像资料进行机器学习与建模并不断迭代，识别准确率高达 96%以上，且仍在不断提升。

       “这个系统下一步在扩展以后，最终不仅仅只是一个预警的功能。它可能还融入更多的科研的功能。我们需要做一些栖息地的预期，如果把这个系统再建立起来观察亚洲象和其他的一些野生动物的一些活动情况，那通过这一套经验，可以把做亚洲象食源地的这套做法推广到其他的一些野生动物。”郭贤明说这套系统的投入级别是千万级，每年的维护费用预计在百万级。