Inimvaatleja liikuvas lennukis jätab märkamata ligikaudu 1 elevandi 10-st. Algoritm ei väsi.
Metsloomade populatsiooniuuringud on looduskaitse alustala. Iga juhtimisotsus, salaküttimisvastaste patrullide marsruutidest kuni elupaikade kaitse eelarveteni, sõltub teadmisest, kui palju loomi on. Aastakümneid on standardmeetod olnud sama: lennata madalalt üle maastiku ja loendada seda, mida näed. Probleem on selles, et inimese silmad liikuvas lennukis ei ole selle töö jaoks eriti head.
Traditsiooniline aerovaatlus ja selle piirangud
Tavaline metsloomade vaatlus toimib nii: koolitatud vaatlejad kummarduvad madalalt lendavast lennukist (tavaliselt 60-100 meetrit maapinnast) ja loendavad loomi määratud ribal mõlemal pool. Nad registreerivad liigid, rühmade suurused ja asukohad paberile või diktofoni abil, sageli 6-8 tundi järjest.
Probleemid on hästi dokumenteeritud. Vaatleja väsimus tekib pärast esimest tundi ja täpsus langeb pidevalt. Erinevad vaatlejad, kes loendavad sama transekti, saavad regulaarselt tulemusi, mis erinevad 10-30%. Varjus, põõsaste taga või laigulises metsas olevad loomad jäävad sageli märkamata. Ilm, turbulents ja kõrgus toovad kaasa täiendavat varieeruvust. Ja lennud ise on kallid ja ohtlikud: madallennuvaatlus on üks kõrgema riskiga tegevusi looduskaitses.
Kuidas TI muudab loendamist
TI-toega aerovaatlused pööravad tööprotsessi ümber. Selle asemel, et tugineda inimvaatlejatele, kes reaalajas loomi märkavad ja loendavad, jäädvustab lennuk (või droon) kogu vaatlusala kõrglahutusega fotod. Maapinnal skaneerib tuvastusmudel iga pildi ja märgib iga leitud looma.
Tuvastusmudel, tavaliselt konvolutsiooniline närvivõrk nagu RetinaNet, töötleb pilte ühe läbimisega. See tuvastab loomi kuju, suuruse ja taustaga kontrasti järgi ning asetab igale tuvastusele märgise koos usaldusskooriga. Inimülevaataja kontrollib märgistatud pilte ja piirjuhte, kuid põhiloenduse teeb automaatika.
Wageningen Ülikooli loomapopulatsiooni uuringutes avaldatud teadustöö leidis, et RetinaNet tuvastas 95% elevantidest, 91% kaelkirjakutest ja 90% sebradest võrreldes eksperdi inimmärgendusega, tuvastades samal ajal õigesti täiendavad 2.8-4.0% loomadest, keda inimmärgendajad täielikult märkamata jätsid. Mudel andis vaid 1.6-5.0 valepositiivset tulemust ühe tegeliku positiivse kohta.
Frontiers in Conservation Science uurimus leidis, et TI-toega meetodid võivad vähendada populatsioonihinnangu standardviga 31-67% võrreldes käsitsi meetoditega, koos võimalusega suurendada vaatlustööd 160-1,050% samaväärse kulu juures. See tähendab rohkem vaadeldud ala, sagedamini, sama eelarve eest.
Millised liigid sobivad kõige paremini
Mitte iga liiki ei ole TI-l ühtviisi lihtne õhust loendada. Parimad tulemused tulevad loomadega, kes on suured, selgelt värvunud ja elavad avatud elupaikades.
Elevandid, veised, sebrad ja gnuud on ideaalsed kandidaadid. Nende suurus teeb tuvastamise lihtsaks ja avatud savann pakub tugevat kontrasti.
Flamingod, pingviinid ja merelinnukolooniad istuvad tihedates, nähtavates rühmades avatud maastikul. TI on suurepärane tuhandete isendite loendamisel ühelt pildilt.
Hülged, merilõvid ja morsad, kes on kaldale roninud, on ülalt selgelt nähtavad. Termokujutis lisab teise tuvastuskanali.
Karjakasvatajad ja loodushooldajad kasutavad identseid tehnikaid veiste, hobuste ja põhjapõtrade jaoks avatud karjamaadel.
Auditeeritavuse eelis
Üks kõige alahinnatum fotopõhiste vaatluste eelis on püsivus. Traditsiooniline vaatleja loendus on number lõikelaual. Seda ei saa tagantjärele kontrollida, vaidlustada ega parandada pärast lendu.
Foto on püsiv tõend. Iga TI vaatluse käigus jäädvustatud pilti saab arhiveerida, erinevate ülevaatajate poolt uuesti uurida ja aastaid hiljem täiustatud algoritmidega uuesti töödelda. Kui uus mudel on 5% täpsem kui eelmise aasta oma, saate selle eelmise aasta piltidel käivitada ja saada parema ajaloolise hinnangu ilma uuesti lendamata.
See loob kasvava andmestiku, mis aja jooksul paraneb. Looduskaitseorganisatsioonid nagu Wild Me on loonud avatud lähtekoodiga platvorme (näiteks Scout), mis võimaldavad teadlastel üle maailma panustada ja aerofotosid uuesti analüüsida. Foto ise saab teaduslikuks andmeks, mitte sellest tuletatud arv.
Kus TI loendamisel on endiselt raskusi
TI aeroloendamine on võimas, kuid mitte universaalne. Mitmed tingimused on endiselt tõeliselt keerulised.
- Tihe taimestik - loomad tiheda puuvõrastiku all on tavakaamerate jaoks nähtamatud. Metsaelevante ja primaate on endiselt raske õhust uurida.
- Öised liigid - ainult öösel aktiivsed olendid vajavad termokujutist või infrapunakujutist, mille ruumiline lahutus on madalam kui päevaste RGB kaamerate oma.
- Veealused loomad - mereloomaliike vee all, nagu delfiine või kalu, ei saa aerofotodelt usaldusväärselt tuvastada.
- Väikesed või maskeerunud liigid - loomad, kes sulanduvad ümbrusega, nagu jänesed kuival rohul, suruvad tuvastusmudeleid nende piirideni.
- Ekstreemne ilm - pilvisus, vihm ja tugev tuul halvendavad pildikvaliteeti ning võivad droonide ja lennukite operatsioonid täielikult peatada.
Kuidas alustada TI metsloomade loendamist
- Valige platvorm- tarbijale mõeldud droon (DJI Mavic vms) sobib väikestele aladele; mehitatud lennukid või fikseeritud tiivaga droonid katavad suuremaid kaitsealasid.
- Planeerige lennuvõrk- kasutage automatiseeritud teekonnajuhtimsit ühtlase kõrguse ja täieliku ala katmise tagamiseks piltide kattumisega.
- Jäädvustage õigel ajal- varahommikune või hilispärastlõunane valgus vähendab teravaid varje. Vältige keskpäeva, mil loomad otsivad varju.
- Töötlege tuvastusmudeliga- laadige pildid üles TI loendamise platvormile. Avatud lähtekoodiga valikud hõlmavad Wild Me Scout'i metsloomade tuvastamiseks.
- Vaadake üle märgistatud tuvastused- kontrollige käsitsi madala usaldusväärsusega märgiseid ja piirjuhte. See hübriidne lähenemine maksimeerib täpsust.
- Arhiveerige kõik- hoidke originaalpilte koos loendusandmetega. Tuleviku algoritmid ammutavad tänastest fotodest veelgi rohkem väärtust.
Kokkuvõte
Looduskaitse sõltub täpsetest populatsiooniandmetest ja aastakümneid oli parim saadaolev tööriist väsinud vaatleja mürases lennukis. TI aeroloendamine ei asenda inimeste erialateadmisi looduskaitses, kuid kõrvaldab käsitsi loendamise pudelikaela võrrandist.
Järgmine kord, kui kaitseala vajab populatsioonihinnangut, tuleb kõige täpsem vastus kaamerast, mitte lõikelaualt. Ja erinevalt lõikelauast on fotod kasulikud ka kümne aasta pärast.