En menneskelig observatoer i et fly i bevaegelse overser omtrent 1 ud af 10 elefanter. Algoritmen bliver ikke traet.
Populationsundersoegelser af vilde dyr er rygraden i naturbevaring. Enhver forvaltningsbeslutning, fra ruter for anti-krybskyttepatrujer til budgetter for habitatbeskyttelse, afhaenger af at vide, hvor mange dyr der er derude. I artier har standardmetoden vaeret den samme: flyv lavt over landskabet og tael det, du ser. Problemet er, at menneskelige oejne i et fly i bevaegelse ikke er saerligt gode til denne opgave.
Den traditionelle flyundersoegelse og dens begraensninger
En konventionel undersoegelse af vilde dyr fungerer saledes: traenede observatoerer laener sig ud af et lavtflyvende fly (typisk 60 til 100 meter over jorden) og taeller dyr inden for et defineret baand pa hver side. De noterer arter, gruppestoerrelser og positioner pa papir eller med en diktafon, ofte 6 til 8 timer i straek.
Problemerne er veldokumenterede. Observatoertraethed saetter ind efter den foerste time, og noejagtigheden falder staedigt. Forskellige observatoerer, der taeller det samme transekt, producerer rutinemessigt taellinger, der afviger med 10 til 30 %. Dyr i skygge, bag buske eller i plettet skovbund overses ofte. Vejr, turbulens og hoejde introducerer yderligere variation. Og flyturene i sig selv er dyre og farlige: lavhoejdeflyvning til undersoegelser er en af de mest risikofyldte aktiviteter inden for naturbevaring.
Hvordan AI aendrer taellingen
AI-assisterede flyundersoegelser vender arbejdsgangen pa hovedet. I stedet for at stole pa menneskelige observatoerer til at opdage og taelle dyr i realtid, tager flyet (eller dronen) hoejopploeselige fotografier af hele undersoegelsesomradet. Pa jorden scanner en detektionsmodel hvert billede og markerer hvert dyr, den finder.
Detektionsmodellen, typisk et konvolutionelt neuralt netvaerk som RetinaNet, behandler billeder i et enkelt gennemlob. Den identificerer dyr efter form, stoerrelse og kontrast mod baggrunden og placerer derefter en markoer pa hver detektion med en konfidenspoengsum. En menneskelig anmelder tjekker flaggede billeder og graensetilfaelde, men massetaellingen handteres automatisk.
Forskning publiceret i Wageningen-universitetets studier om dyrepopulationer viste, at RetinaNet detekterede 95 % af elefanterne, 91 % af girafferne og 90 % af zebraerne sammenlignet med ekspert menneskelig annotering, og korrekt identificerede yderligere 2,8 til 4,0 % af dyrene, som menneskelige annotatorer helt oversa. Modellen producerede kun 1,6 til 5,0 falske positive per sand positiv.
En undersøgelse publiceret i Frontiers in Conservation Science fandt, at AI-assisterede metoder kan reducere populationsestimatets standardfejl med 31 til 67 % sammenlignet med manuelle metoder, med potentiale for oegning af proeveindsatsen med 160 til 1.050 % til tilsvarende omkostninger. Det betyder mere undersoegte omrade, oftere, for det samme budget.
Hvilke arter fungerer bedst
Ikke alle arter er lige nemme for AI at taelle fra luften. De bedste resultater kommer fra dyr, der er store, tydeligt farvede og lever i abne levesteder.
Elefanter, kvaeg, zebraer og gnuer er ideelle kandidater. Deres stoerrelse goer dem nemme at opdage, og aben savanne giver staerk kontrast.
Flamingoer, pingviner og havfuglekolonier sidder i taette, synlige grupper pa aben mark. AI udmaerker sig i at taelle tusindvis af individer pa et enkelt billede.
Saeler, soelover og hvalrosser, der hviler pa kysten, er tydeligt synlige ovenfra. Termisk billedbehandling tilfojer en ekstra detektionskanal.
Landmaend og vildtforvaltere bruger identiske teknikker til kvaeg, heste og rensdyr pa abne graesarealer.
Fordelen ved reviderbarhed
En af de mest undervurderede fordele ved fotobaserede undersoegelser er permanens. En traditionel observatoertaelling er et tal pa en klemmeplade. Det kan ikke gentjekkes, anfaegtes eller forbedres efter flyvningen.
Et fotografi er permanent bevis. Hvert billede taget under en AI-undersoegelse kan arkiveres, gennemgas af andre anmeldere og genbehandles ar senere med forbedrede algoritmer. Hvis en ny model er 5 % mere noejagtig end sidste ars, kan du koere den pa sidste ars billeder og fa et bedre historisk estimat uden at flyve igen.
Dette skaber et voksende datasaet, der forbedres over tid. Naturbevaringsorganisationer som Wild Me har bygget open source-platforme (som Scout), der giver forskere verden over mulighed for at bidrage og genanalysere flybilleder. Fotografiet i sig selv bliver den videnskabelige optegnelse, ikke taellingen udledt af det.
Hvor AI-taelling stadig har det svaert
AI-flygtaelling er kraftfuld, men ikke universel. Flere forhold forbliver reelt vanskelige.
- Taet vegetation - Dyr under taet traekrone er usynlige for standardkameraer. Skovselefanter og primater forbliver svaere at undersoge fra luften.
- Nataktive arter - Vaesener, der kun er aktive om natten, kraever termisk eller infrarod billedbehandling, som har lavere rumlig oplosning end RGB-kameraer i dagslys.
- Akvatiske dyr under overfladen - Marine arter under vandet, som delfiner eller fisk, kan ikke palidelig detekteres fra flyfotografier.
- Sma eller kamuflerede arter - Dyr, der gar i et med deres omgivelser, som harer pa toert graes, presser detektionsmodellerne til deres graenser.
- Ekstremt vejr - Skydaekke, regn og kraftig vind forringer billedkvaliteten og kan fuldstaendig satte drone- og flyoperationer pa jorden.
Kom i gang med AI-taelling af vilde dyr
- Vaelg din platform- En forbrugerdrone (DJI Mavic eller lignende) fungerer til sma omrader; bemandede fly eller fastvingede droner daekker stoerre reservater.
- Planlæg dit flyveraster- Brug automatisk waypointnavigation for at sikre konstant hoejde og fuld omradedaekning med billedoverlap.
- Fotografer pa det rigtige tidspunkt- Tidligt morgen- eller sent eftermiddagslys reducerer harde skygger. Undga midt pa dagen, nar dyr soeger skygge.
- Behandl med en detektionsmodel- Upload billeder til en AI-taelleplatform. Open source-muligheder omfatter Wild Mes Scout til vildtspecifik detektion.
- Gennemga flaggede detektioner- Tjek markoerer med lav konfidens og graensetilfaelde manuelt. Denne hybridtilgang maksimerer noejagtigheden.
- Arkiver alt- Gem originale billeder sammen med taelledata. Fremtidige algoritmer vil udtraekke endnu mere vaerdi fra dagens fotografier.
Konklusion
Naturbevaring afhaenger af nojagtige populationsdata, og i artier var det bedste tilgaengelige vaerktoej en traet observatoer i et stojende fly. AI-drevet flygtaelling erstatter ikke menneskelig ekspertise inden for naturbevaring, men den fjerner flaskehalsen ved manuel taelling fra ligningen.
Naeste gang et reservat har brug for et populationsestimat, vil det mest noejagtige svar komme fra et kamera, ikke fra en klemmeplade. Og i modsaetning til klemmepladen vil fotografierne stadig vaere nyttige om et arti.