Ένας ανθρώπινος παρατηρητής σε κινούμενο αεροσκάφος χάνει περίπου 1 στους 10 ελέφαντες. Ο αλγόριθμος δεν κουράζεται ποτέ.
Οι έρευνες πληθυσμού άγριας ζωής είναι η ραχοκοκαλιά της διατήρησης. Κάθε απόφαση διαχείρισης, από τις διαδρομές περιπολίας κατά της λαθροθηρίας μέχρι τους προϋπολογισμούς προστασίας ενδιαιτημάτων, εξαρτάται από τη γνώση του πόσα ζώα υπάρχουν εκεί έξω. Για δεκαετίες, η τυπική μέθοδος παρέμενε η ίδια: πετάξτε χαμηλά πάνω από το τοπίο και μετρήστε ό,τι βλέπετε. Το πρόβλημα είναι ότι τα ανθρώπινα μάτια σε ένα κινούμενο αεροσκάφος δεν είναι ιδιαίτερα καλά σε αυτή τη δουλειά.
Η παραδοσιακή εναέρια έρευνα και τα όριά της
Μια συμβατική έρευνα άγριας ζωής λειτουργεί ως εξής: εκπαιδευμένοι παρατηρητές σκύβουν έξω από ένα χαμηλά πετώντας αεροσκάφος (συνήθως 60 έως 100 μέτρα πάνω από το έδαφος) και μετρούν ζώα εντός μιας καθορισμένης λωρίδας και στις δύο πλευρές. Καταγράφουν είδη, μεγέθη ομάδων και τοποθεσίες σε χαρτί ή με συσκευή ηχογράφησης, συχνά για 6 έως 8 ώρες συνεχόμενα.
Τα προβλήματα είναι καλά τεκμηριωμένα. Η κόπωση του παρατηρητή εμφανίζεται μετά την πρώτη ώρα και η ακρίβεια μειώνεται σταθερά. Διαφορετικοί παρατηρητές που μετρούν την ίδια διατομή παράγουν τακτικά αριθμούς που διαφέρουν κατά 10 έως 30%. Ζώα στη σκιά, πίσω από θάμνους ή σε δάσος με κηλίδες φωτός χάνονται συχνά. Ο καιρός, οι αναταράξεις και το υψόμετρο εισάγουν πρόσθετη μεταβλητότητα. Και οι ίδιες οι πτήσεις είναι ακριβές και επικίνδυνες: η πτήση έρευνας σε χαμηλό υψόμετρο είναι μία από τις πιο επικίνδυνες δραστηριότητες στη διατήρηση.
Πώς η AI αλλάζει την καταμέτρηση
Οι εναέριες έρευνες με υποστήριξη AI αναστρέφουν τη ροή εργασίας. Αντί να βασίζονται σε ανθρώπινους παρατηρητές για τον εντοπισμό και την καταμέτρηση ζώων σε πραγματικό χρόνο, το αεροσκάφος (ή drone) καταγράφει φωτογραφίες υψηλής ανάλυσης ολόκληρης της περιοχής έρευνας. Στο έδαφος, ένα μοντέλο ανίχνευσης σαρώνει κάθε εικόνα και σημαδεύει κάθε ζώο που εντοπίζει.
Το μοντέλο ανίχνευσης, συνήθως ένα συνελικτικό νευρωνικό δίκτυο όπως το RetinaNet, επεξεργάζεται εικόνες σε ένα πέρασμα. Αναγνωρίζει ζώα από σχήμα, μέγεθος και αντίθεση με το φόντο, και στη συνέχεια τοποθετεί ένα δείκτη σε κάθε ανίχνευση με βαθμολογία εμπιστοσύνης. Ένας ανθρώπινος αξιολογητής ελέγχει τις σημαδεμένες εικόνες και τις οριακές περιπτώσεις, αλλά η μαζική καταμέτρηση γίνεται αυτόματα.
Έρευνα που δημοσιεύτηκε στις μελέτες πληθυσμού ζώων του Πανεπιστημίου Wageningen διαπίστωσε ότι το RetinaNet εντόπισε 95% των ελεφάντων, 91% των καμηλοπαρδάλεων και 90% των ζεβρών σε σύγκριση με ανθρώπινη σημείωση ειδικών, ενώ αναγνώρισε σωστά ένα επιπλέον 2,8 έως 4,0% ζώων που οι ανθρώπινοι σημειωτές είχαν χάσει εντελώς. Το μοντέλο παρήγαγε μόνο 1,6 έως 5,0 ψευδώς θετικά ανά αληθώς θετικό.
Μια μελέτη στο Frontiers in Conservation Science διαπίστωσε ότι οι μέθοδοι με υποστήριξη AI μπορούν να μειώσουν το τυπικό σφάλμα εκτίμησης πληθυσμού κατά 31 έως 67% σε σύγκριση με τις χειροκίνητες μεθόδους, με δυνατότητα αύξησης της δειγματοληπτικής προσπάθειας κατά 160 έως 1.050% σε αντίστοιχο κόστος. Αυτό σημαίνει περισσότερη περιοχή που ερευνάται, πιο συχνά, με τον ίδιο προϋπολογισμό.
Ποια είδη λειτουργούν καλύτερα
Δεν είναι κάθε είδος εξίσου εύκολο να μετρηθεί από τον αέρα με AI. Τα καλύτερα αποτελέσματα προέρχονται από ζώα που είναι μεγάλα, έχουν ξεχωριστό χρωματισμό και βρίσκονται σε ανοιχτά ενδιαιτήματα.
Ελέφαντες, βοοειδή, ζέβρες και γκνου είναι ιδανικοί υποψήφιοι. Το μέγεθός τους κάνει την ανίχνευση εύκολη, και η ανοιχτή σαβάνα παρέχει ισχυρή αντίθεση.
Φλαμίνγκο, πιγκουίνοι και αποικίες θαλασσοπουλιών κάθονται σε πυκνές, ορατές ομάδες σε ανοιχτό έδαφος. Η AI υπερέχει στην καταμέτρηση χιλιάδων ατόμων σε μία μόνο εικόνα.
Φώκιες, θαλάσσιοι λέοντες και θαλάσσιοι ίπποι που αναπαύονται στην ακτογραμμή είναι ευδιάκριτοι από ψηλά. Η θερμική απεικόνιση προσθέτει ένα δεύτερο κανάλι ανίχνευσης.
Κτηνοτρόφοι και διαχειριστές άγριας ζωής χρησιμοποιούν πανομοιότυπες τεχνικές για βοοειδή, άλογα και ταράνδους σε ανοιχτούς βοσκότοπους.
Το πλεονέκτημα της ελεγξιμότητας
Ένα από τα πιο υποτιμημένα οφέλη των ερευνών βασισμένων σε φωτογραφίες είναι η μονιμότητα. Η παραδοσιακή καταμέτρηση παρατηρητή είναι ένας αριθμός σε ένα πρόχειρο. Δεν μπορεί να ελεγχθεί ξανά, να αμφισβητηθεί ή να βελτιωθεί μετά την πτήση.
Μια φωτογραφία είναι μόνιμο αποδεικτικό στοιχείο. Κάθε εικόνα που καταγράφεται κατά τη διάρκεια μιας έρευνας AI μπορεί να αρχειοθετηθεί, να επανεξεταστεί από διαφορετικούς αξιολογητές και να επανεπεξεργαστεί χρόνια αργότερα με βελτιωμένους αλγόριθμους. Αν ένα νέο μοντέλο είναι 5% πιο ακριβές από αυτό του περασμένου έτους, μπορείτε να το εκτελέσετε ξανά στις εικόνες του περασμένου έτους και να λάβετε μια καλύτερη ιστορική εκτίμηση χωρίς να πετάξετε ξανά.
Αυτό δημιουργεί ένα σύνολο δεδομένων που μεγαλώνει και βελτιώνεται με τον χρόνο. Οργανισμοί διατήρησης όπως η Wild Me έχουν δημιουργήσει πλατφόρμες ανοιχτού κώδικα (όπως το Scout) που επιτρέπουν σε ερευνητές παγκοσμίως να συνεισφέρουν και να αναλύσουν εκ νέου εναέριες εικόνες. Η ίδια η φωτογραφία γίνεται το επιστημονικό αρχείο, όχι ο αριθμός που προκύπτει από αυτήν.
Πού η καταμέτρηση AI εξακολουθεί να δυσκολεύεται
Η εναέρια καταμέτρηση με AI είναι ισχυρή αλλά όχι καθολική. Αρκετές συνθήκες παραμένουν πραγματικά δύσκολες.
- Πυκνή βλάστηση - Ζώα κάτω από πυκνή δασική κόμη είναι αόρατα στις τυπικές κάμερες. Οι δασικοί ελέφαντες και τα πρωτεύοντα παραμένουν δύσκολο να ερευνηθούν από αέρος.
- Νυκτόβια είδη - Πλάσματα που δραστηριοποιούνται μόνο τη νύχτα απαιτούν θερμική ή υπέρυθρη απεικόνιση, η οποία έχει χαμηλότερη χωρική ανάλυση από τις κάμερες RGB ημέρας.
- Υδρόβια ζώα κάτω από την επιφάνεια - Θαλάσσια είδη κάτω από το νερό, όπως δελφίνια ή ψάρια, δεν μπορούν να ανιχνευτούν αξιόπιστα από εναέριες φωτογραφίες.
- Μικρά ή καμουφλαρισμένα είδη - Ζώα που αναμειγνύονται με το περιβάλλον τους, όπως λαγοί σε ξερό χορτάρι, ωθούν τα μοντέλα ανίχνευσης στα όριά τους.
- Ακραίες καιρικές συνθήκες - Νεφοκάλυψη, βροχή και ισχυροί άνεμοι υποβαθμίζουν την ποιότητα εικόνας και μπορούν να καθηλώσουν τις λειτουργίες drone και αεροσκαφών εντελώς.
Ξεκινώντας με την καταμέτρηση άγριας ζωής με AI
- Επιλέξτε την πλατφόρμα σας- Ένα drone καταναλωτή (DJI Mavic ή παρόμοιο) λειτουργεί για μικρές περιοχές. Επανδρωμένα αεροσκάφη ή drone σταθερών πτερυγίων καλύπτουν μεγαλύτερα καταφύγια.
- Σχεδιάστε το πλέγμα πτήσης σας- Χρησιμοποιήστε αυτοματοποιημένη πλοήγηση σημείων αναφοράς για να εξασφαλίσετε σταθερό υψόμετρο και πλήρη κάλυψη περιοχής με επικάλυψη εικόνων.
- Φωτογραφίστε τη σωστή στιγμή- Το φως νωρίς το πρωί ή αργά το απόγευμα μειώνει τις σκληρές σκιές. Αποφύγετε το μεσημέρι όταν τα ζώα αναζητούν σκιά.
- Επεξεργαστείτε με μοντέλο ανίχνευσης- Ανεβάστε εικόνες σε μια πλατφόρμα καταμέτρησης AI. Οι επιλογές ανοιχτού κώδικα περιλαμβάνουν το Scout της Wild Me για ανίχνευση άγριας ζωής.
- Ελέγξτε τις σημαδεμένες ανιχνεύσεις- Ελέγξτε χειροκίνητα τους δείκτες χαμηλής εμπιστοσύνης και τις οριακές περιπτώσεις. Αυτή η υβριδική προσέγγιση μεγιστοποιεί την ακρίβεια.
- Αρχειοθετήστε τα πάντα- Αποθηκεύστε τις πρωτότυπες εικόνες μαζί με τα δεδομένα καταμέτρησης. Οι μελλοντικοί αλγόριθμοι θα εξαγάγουν ακόμη μεγαλύτερη αξία από τις σημερινές φωτογραφίες.
Το συμπέρασμα
Η διατήρηση της άγριας ζωής εξαρτάται από ακριβή δεδομένα πληθυσμού, και για δεκαετίες το καλύτερο διαθέσιμο εργαλείο ήταν ένας κουρασμένος παρατηρητής σε ένα θορυβώδες αεροσκάφος. Η εναέρια καταμέτρηση με AI δεν αντικαθιστά την ανθρώπινη τεχνογνωσία στη διατήρηση, αλλά αφαιρεί το σημείο συμφόρησης της χειροκίνητης καταμέτρησης από την εξίσωση.
Την επόμενη φορά που ένα καταφύγιο θα χρειαστεί εκτίμηση πληθυσμού, η πιο ακριβής απάντηση θα προέλθει από μια κάμερα, όχι από ένα πρόχειρο. Και σε αντίθεση με το πρόχειρο, οι φωτογραφίες θα εξακολουθούν να είναι χρήσιμες μια δεκαετία από τώρα.