Un observador humà en una aeronau en moviment es perd aproximadament 1 de cada 10 elefants. L'algoritme no es cansa.
Les enquestes de poblacions de fauna salvatge són la base de la conservació. Cada decisió de gestió, des de les rutes de patrulla antifrau fins als pressupostos de protecció de l'hàbitat, depèn de saber quants animals hi ha. Durant dècades, el mètode estàndard ha estat el mateix: volar baix sobre el paisatge i comptar el que es veu. El problema és que els ulls humans en una aeronau en moviment no són gaire bons en aquesta tasca.
L'enquesta aèria tradicional i les seves limitacions
Una enquesta convencional de fauna salvatge funciona així: observadors formats s'inclinen des d'una aeronau que vola baix (normalment de 60 a 100 metres sobre el terra) i compten els animals dins d'una franja definida a cada costat. Registren espècies, mida dels grups i ubicacions en paper o amb una gravadora de veu, sovint durant 6 a 8 hores seguides.
Els problemes estan ben documentats. La fatiga de l'observador apareix després de la primera hora, i la precisió baixa de manera constant. Observadors diferents comptant el mateix transecte produeixen habitualment recomptes que difereixen entre un 10 i un 30%. Els animals a l'ombra, darrere d'arbustos o en boscos amb llum tacada sovint passen desapercebuts. El clima, les turbulències i l'altitud introdueixen variabilitat addicional. I els vols en si són cars i perillosos: el vol d'enquesta a baixa altitud és una de les activitats de més alt risc en conservació.
Com la IA canvia el recompte
Les enquestes aèries assistides per IA capgiren el flux de treball. En lloc de dependre d'observadors humans per detectar i comptar animals en temps real, l'aeronau (o dron) captura fotografies d'alta resolució de tota l'àrea d'enquesta. A terra, un model de detecció escaneja cada imatge i marca cada animal que troba.
El model de detecció, normalment una xarxa neuronal convolucional com RetinaNet, processa les imatges en una sola passada. Identifica animals per forma, mida i contrast amb el fons, i després col·loca un marcador a cada detecció amb una puntuació de confiança. Un revisor humà comprova les imatges marcades i els casos límit, però el recompte massiu es gestiona automàticament.
Una investigació publicada en els estudis de poblacions animals de la Universitat de Wageningen va trobar que RetinaNet va detectar el 95% dels elefants, el 91% de les girafes i el 90% de les zebres comparat amb l'anotació humana experta, alhora que va identificar correctament un 2,8 a 4,0% addicional d'animals que els anotadors humans van passar per alt completament. El model va produir només de 1,6 a 5,0 falsos positius per cada detecció correcta.
Un estudi de Frontiers in Conservation Science va trobar que els mètodes assistits per IA poden reduir l'error estàndard de les estimacions de poblacions entre un 31 i un 67% comparat amb els mètodes manuals, amb potencial d'augments d'esforç de mostreig del 160 al 1.050% amb el mateix cost. Això significa més àrea enquestada, amb més freqüència, pel mateix pressupost.
Quines espècies funcionen millor
No totes les espècies són igual de fàcils de comptar per la IA des de l'aire. Els millors resultats s'obtenen amb animals grans, de colors distints i que viuen en hàbitats oberts.
Elefants, vaques, zebres i nyus són candidats ideals. La seva mida els fa fàcils de detectar, i la sabana oberta proporciona un fort contrast.
Flamencs, pingüins i colònies d'aus marines es troben en grups densos i visibles en terreny obert. La IA excel·leix en comptar milers d'individus en una sola imatge.
Foques, lleons marins i morses reposant a la costa són clarament visibles des de dalt. La imatge tèrmica afegeix un segon canal de detecció.
Ramaders i gestors de fauna salvatge utilitzen tècniques idèntiques per a vaques, cavalls i rens en pastures obertes.
L'avantatge de l'auditabilitat
Un dels beneficis més infravalorats de les enquestes fotogràfiques és la permanència. Un recompte tradicional d'observadors és un número en un portapapers. No es pot tornar a comprovar, qüestionar ni millorar després del vol.
Una fotografia és una prova permanent. Cada imatge capturada durant una enquesta amb IA es pot arxivar, reexaminar per diferents revisors i reprocessar anys després amb algoritmes millorats. Si un nou model és un 5% més precís que el de l'any passat, pots tornar-lo a executar sobre les imatges de l'any passat i obtenir una millor estimació històrica sense tornar a volar.
Això crea un conjunt de dades creixent que millora amb el temps. Organitzacions de conservació com Wild Me han creat plataformes de codi obert (com Scout) que permeten a investigadors de tot el món contribuir i reanalitzar imatges aèries. La foto mateixa es converteix en el registre científic, no el recompte derivat d'ella.
On el recompte amb IA encara té dificultats
El recompte aeri amb IA és potent però no universal. Diverses condicions segueixen sent genuïnament difícils.
- Vegetació densa - Els animals sota una coberta arbòria espessa són invisibles per a les càmeres estàndard. Els elefants de bosc i els primats segueixen sent difícils d'enquestar des de l'aire.
- Espècies nocturnes - Les criatures actives només de nit requereixen imatges tèrmiques o infraroges, que tenen una resolució espacial inferior a les càmeres RGB diürnes.
- Animals aquàtics sota la superfície - Les espècies marines submergides, com dofins o peixos, no es poden detectar de manera fiable des de fotografies aèries.
- Espècies petites o camuflades - Els animals que es confonen amb l'entorn, com les llebres sobre herba seca, porten els models de detecció al límit.
- Clima extrem - La nuvolositat, la pluja i els vents forts degraden la qualitat de la imatge i poden impedir completament les operacions amb drons i aeronaus.
Com començar amb el recompte de fauna salvatge amb IA
- Trieu la vostra plataforma- Un dron de consum (DJI Mavic o similar) funciona per a àrees petites; aeronaus tripulades o drons d'ala fixa cobreixen reserves més grans.
- Planifiqueu la vostra graella de vol- Utilitzeu navegació automatitzada per punts de ruta per garantir una altitud consistent i cobertura total de l'àrea amb superposició d'imatges.
- Captureu en el moment adequat- La llum de primera hora del matí o de la tarda redueix les ombres dures. Eviteu el migdia quan els animals busquen ombra.
- Processeu amb un model de detecció- Carregueu les imatges a una plataforma de recompte amb IA. Les opcions de codi obert inclouen Scout de Wild Me per a detecció específica de fauna salvatge.
- Reviseu les deteccions marcades- Comproveu manualment els marcadors de baixa confiança i els casos límit. Aquest enfocament híbrid maximitza la precisió.
- Arxiveu-ho tot- Deseu les imatges originals juntament amb les dades de recompte. Els algoritmes futurs extrauran encara més valor de les fotos d'avui.
La conclusió
La conservació de la fauna salvatge depèn de dades de poblacions precises, i durant dècades la millor eina disponible era un observador cansat en una aeronau sorollosa. El recompte aeri amb IA no substitueix l'experiència humana en conservació, però elimina el coll d'ampolla del recompte manual de l'equació.
La propera vegada que una reserva necessiti una estimació de població, la resposta més precisa vindrà d'una càmera, no d'un portapapers. I a diferència del portapapers, les fotos seguiran sent útils d'aquí a una dècada.