无人机的应用领域正逐渐扩大，除了空中拍摄与侦察以外，结合大数据(big data)还能更进一步深入动物或森林保护区对抗盗猎与滥垦滥伐、侦测粮食作物生长以及寻找迷途者等许多其他目的。

过去七年来，美国马里兰大学(University of Maryland)先进电脑研究所客座教授Tom Snitch一直致力于研究概率性时空模型，利用他手边可接触到的各种资料类型以及多种变数，希望能为监视用无人机定义出最佳飞行路线，使其得以扩展至更多的应用以及更有效率地执行任务。

Snitch的工作结合使用大数据(历史资料和各种卫星成像资源)，从伊拉克和阿富汗战争期间就开始了，当时他尝试预测路边简易爆炸装置(IED)的风险，然后派出监视无人机(UAV)，检查在他的演算法中产生的热点。

Snitch透露，“很多时候，透过派遣无人机飞抵预测性演算法指示的热点地区，我们能够在美国军队卫兵采取特定行动之前几个小时看到有人在放置IED，甚至还能回播视讯追踪放置IED的人回到生产该爆炸装置的炸弹工厂。”

这种智慧工作当时并未大肆公开宣传，但对于防止非法盗猎非洲的大象与犀牛应该很有效果。Snitch指出，他的概率性时空模型经过调校后当然可以用来阻止盗猎者接近其目标。

去年，Snitch和他的同事们发表了一篇论文，文中介绍一种基于反盗猎引擎(简称APE)的资料驱动型行为模型。这种演算法整合了动物活动的行为模式，并根据历史资料 (来自野生动物保护区管理员的观察结果)建模了盗猎者的行为，能为空中的无人机和地面的巡逻士兵提供大量的飞行路径协同资料集，从而最有效地保护动物，并在盗猎者采取任何行动之前加以阻拦。

　　基于反盗猎引擎的资料驱动型行为模式。

“我们在南非收集了多年的宝贵资料，并在研究这些资料的基础上确定了数学模式，”Snitch解释，“因为一些保护区的范围非常广泛，无人机可能飞上一个月都见不到任何东西。因此，问题的关键在于设法减少覆盖的范围。”

因此，透过从观光旅游、过去的盗猎事件、陷阱或动物尸体等资料的大量分析，同时从地图上去掉动物可能很少去的区域(基于地形的理由，或在特定月份没有水坑等原因)，研究人员就能够设计出正确的动态数学模型。

“过去两年来，我们已经在林白基金会的‘空中牧羊人计划’(Lindbergh Foundations Air Shepherd initiative)指导下对南非的一些私人保护区开展APE测试了。只要我们在野生动物保护区操作无人机，盗猎活动就会马上停止，”Snitch指出。

　　无人机操作人员正在操控无人机。

这种监控无人机配备一套GPS以及两个安装在陀螺稳定云台系统的可变焦摄影系统(分别针对可见光和红外线)。在夜里，即使距离很远也非常容易地探测到游客或盗猎者的热特征。而在白天，无人机可以沿着保护区边界飞行，以便辨识防护漏洞(只需数分钟的时间，而开车巡逻则得在颠簸的道路上行驶几个小时)，无人机操控人员还可以一边侦测动物一边收集地理资料。

未来，Snitch还想利用影像处理技术自动收集动物存在的资料。但他指出，“其挑战在于如何为放置在灌木丛中的笔记型电脑配置足够强大的运算能力。”

根据上述这些结果，南非国家公园(SANPark)宣布，这些UAV解决方案现在已经成为打击在克鲁格国家公园(Kruger National Park)盗猎犀牛的有效策略之一。

林白基金会也启动了‘空中牧羊人’群众集资运动，旨在筹集50万美元的资金，以一年的时间在克鲁格国家公园完成防盗猎计划建置，并在第二年进一步扩展到另外 7个非洲国家(仅在2010-2013的4年间，非洲估计就有10万头大象被猎杀)。筹募到的资金将用于购买无人机，以及培训更多的巡逻人员。

基于这个充分的理由，Snitch计划向有意愿进一步开发这项反盗猎策略的非洲大学免费提供APE授权，协助学生们收集合适的资料并针对其当地物种调整演算法。

Snitch 表示，他的概率性时空模型还可以让无人机用于许多其它目的，例如对付非法伐木、调查粮食作物病虫害的传播及其发生来源(根据植物高光谱特征、动物活动以及风场类型等)，甚至寻找在国家公园中迷途者(据估计，美国国家公园中每年都有几十位的背包客迷途，因此可透过该模式提供足够的资料实现协寻功能)。

(参考原文：Big data sets drones to"fly，by Julien Happich)