یک ناظر انسانی در هواپیمای در حال حرکت تقریباً 1 از هر 10 فیل را از دست میدهد. الگوریتم خسته نمیشود.
بررسیهای جمعیت حیات وحش ستون فقرات حفاظت هستند. هر تصمیم مدیریتی, از مسیرهای گشت ضد شکار تا بودجههای حفاظت زیستگاه, به دانستن تعداد حیوانات بستگی دارد. دههها روش استاندارد یکسان بوده: در ارتفاع پایین بر فراز منطقه پرواز کنید و آنچه میبینید بشمارید. مشکل این است که چشمان انسان در هواپیمای در حال حرکت در این کار چندان خوب نیستند.
بررسی هوایی سنتی و محدودیتهای آن
یک بررسی حیات وحش معمولی اینگونه کار میکند: ناظران آموزشدیده از هواپیمای پرواز پایین (معمولاً 60 تا 100 متر بالای زمین) به بیرون خم شده و حیوانات را در نوار مشخصی در هر طرف میشمارند. آنها گونهها, اندازه گروهها و مکانها را روی کاغذ یا با ضبط صوت ثبت میکنند, اغلب 6 تا 8 ساعت پیاپی.
مشکلات به خوبی مستند شدهاند. خستگی ناظر پس از ساعت اول شروع میشود و دقت به طور مداوم کاهش مییابد. ناظران مختلف که همان مسیر را میشمارند معمولاً شمارشهایی تولید میکنند که 10 تا 30% اختلاف دارند. حیوانات در سایه, پشت بوتهها یا در جنگل خالخالی اغلب از دست داده میشوند. آب و هوا, تلاطم و ارتفاع همه تغییرپذیری بیشتری ایجاد میکنند. و خود پروازها گران و خطرناک هستند: پرواز بررسی در ارتفاع پایین یکی از فعالیتهای پرخطر در حفاظت است.
هوش مصنوعی چگونه شمارش را تغییر میدهد
بررسیهای هوایی به کمک AI گردش کار را معکوس میکنند. به جای تکیه بر ناظران انسانی برای تشخیص و شمارش حیوانات در لحظه, هواپیما (یا پهپاد) عکسهای با وضوح بالا از کل منطقه بررسی ثبت میکند. در زمین, یک مدل تشخیص هر تصویر را اسکن و هر حیوانی که پیدا میکند علامتگذاری میکند.
مدل تشخیص, معمولاً یک شبکه عصبی کانولوشنی مانند RetinaNet, تصاویر را در یک گذر پردازش میکند. حیوانات را بر اساس شکل, اندازه و کنتراست با پسزمینه شناسایی میکند, سپس روی هر تشخیص یک نشانگر با امتیاز اطمینان قرار میدهد. یک بازبین انسانی تصاویر پرچمگذاری شده و موارد لبهای را بررسی میکند, اما شمارش عمده به طور خودکار انجام میشود.
تحقیقات منتشر شده در مطالعات جمعیت حیوانات دانشگاه Wageningen نشان داد که RetinaNet 95% فیلها, 91% زرافهها و 90% گورخرها را در مقایسه با حاشیهنویسی متخصص انسانی تشخیص داد, در حالی که 2.8 تا 4.0% حیوانات اضافی را که حاشیهنویسان انسانی کاملاً از دست داده بودند به درستی شناسایی کرد. مدل تنها 1.6 تا 5.0 مثبت کاذب در هر مثبت واقعی تولید کرد.
یک مطالعه Frontiers in Conservation Science نشان داد که روشهای به کمک AI میتوانند خطای استاندارد تخمین جمعیت را 31 تا 67% در مقایسه با روشهای دستی کاهش دهند, با پتانسیل افزایش تلاش نمونهبرداری 160 تا 1,050% با هزینه معادل. این به معنی بررسی مساحت بیشتر, بیشتر و با همان بودجه است.
کدام گونهها بهترین نتیجه دارند
هر گونهای برای شمارش AI از هوا به یک اندازه آسان نیست. بهترین نتایج از حیواناتی میآید که بزرگ, با رنگ متمایز و در زیستگاههای باز یافت میشوند.
فیلها, گاوها, گورخرها و گوزنهای یالدار نامزدهای ایدهآل هستند. اندازه آنها تشخیص را آسان و ساوانای باز کنتراست قوی فراهم میکند.
فلامینگوها, پنگوئنها و مستعمرات پرندگان دریایی در گروههای متراکم و قابل مشاهده روی زمین باز مینشینند. AI در شمارش هزاران فرد در یک تصویر عالی عمل میکند.
فکها, شیرهای دریایی و گرازهای دریایی که در ساحل آرمیدهاند از بالا واضح قابل مشاهده هستند. تصویربرداری حرارتی یک کانال تشخیص دوم اضافه میکند.
دامداران و مدیران حیات وحش از تکنیکهای یکسان برای گاو, اسب و گوزن شمالی در مراتع باز استفاده میکنند.
مزیت قابلیت حسابرسی
یکی از کمارزشترین مزایای بررسیهای عکسمحور ماندگاری است. شمارش ناظر سنتی عددی روی تخته است. نمیتوان آن را بازبررسی, به چالش کشید یا پس از پرواز بهبود داد.
عکس مدرک دائمی است. هر تصویری که در طول بررسی AI ثبت میشود میتواند بایگانی شود, توسط بازبینان مختلف دوباره بررسی شود و سالها بعد با الگوریتمهای بهبودیافته دوباره پردازش شود. اگر مدل جدید 5% دقیقتر از سال گذشته باشد, میتوانید آن را روی تصاویر سال گذشته اجرا کنید و تخمین تاریخی بهتری بدون پرواز مجدد بگیرید.
این یک مجموعه داده رو به رشد ایجاد میکند که با گذشت زمان بهبود مییابد. سازمانهای حفاظتی مانند Wild Me پلتفرمهای متنباز (مانند Scout) ساختهاند که به محققان سراسر جهان اجازه میدهد تصاویر هوایی را مشارکت و دوباره تحلیل کنند. خود عکس رکورد علمی میشود, نه شمارش مشتق شده از آن.
شمارش AI هنوز کجا مشکل دارد
شمارش هوایی AI قدرتمند اما جهانی نیست. چندین شرایط واقعاً دشوار باقی میمانند.
- پوشش گیاهی متراکم - حیوانات زیر سایبان درختان ضخیم برای دوربینهای استاندارد نامرئی هستند. فیلهای جنگلی و نخستیها همچنان از هوا سخت بررسی میشوند.
- گونههای شبانه - موجوداتی که فقط شب فعال هستند به تصویربرداری حرارتی یا مادون قرمز نیاز دارند که وضوح مکانی کمتری نسبت به دوربینهای RGB روزانه دارد.
- حیوانات آبزی زیر سطح - گونههای دریایی زیر آب, مانند دلفینها یا ماهیها, نمیتوانند به طور قابل اعتماد از عکسهای هوایی تشخیص داده شوند.
- گونههای کوچک یا استتارشده - حیواناتی که با محیط ترکیب میشوند, مانند خرگوشها روی علف خشک, مدلهای تشخیص را به مرزهایشان میرسانند.
- آب و هوای شدید - ابرها, باران و بادهای شدید کیفیت تصویر را کاهش میدهند و میتوانند عملیات پهپاد و هواپیما را کاملاً زمینگیر کنند.
شروع با شمارش حیات وحش AI
- پلتفرم خود را انتخاب کنید- یک پهپاد مصرفی (DJI Mavic یا مشابه) برای مناطق کوچک کار میکند؛ هواپیمای سرنشیندار یا پهپادهای بالثابت ذخیرهگاههای بزرگتر را پوشش میدهند.
- شبکه پرواز خود را برنامهریزی کنید- از ناوبری نقطهای خودکار برای اطمینان از ارتفاع ثابت و پوشش کامل منطقه با همپوشانی تصویر استفاده کنید.
- در زمان مناسب عکاسی کنید- نور صبح زود یا عصر سایههای شدید را کاهش میدهد. از ظهر که حیوانات به دنبال سایه هستند اجتناب کنید.
- با مدل تشخیص پردازش کنید- تصاویر را در پلتفرم شمارش AI آپلود کنید. گزینههای متنباز شامل Scout از Wild Me برای تشخیص اختصاصی حیات وحش هستند.
- تشخیصهای پرچمگذاری شده را بررسی کنید- نشانگرهای کماطمینان و موارد لبهای را به صورت دستی بررسی کنید. این رویکرد ترکیبی دقت را به حداکثر میرساند.
- همه چیز را بایگانی کنید- تصاویر اصلی را در کنار دادههای شمارش ذخیره کنید. الگوریتمهای آینده ارزش بیشتری از عکسهای امروز استخراج خواهند کرد.
نتیجهگیری
حفاظت از حیات وحش به دادههای دقیق جمعیت بستگی دارد و دههها بهترین ابزار در دسترس یک ناظر خسته در هواپیمای پر سر و صدا بود. شمارش هوایی مبتنی بر AI تخصص انسانی در حفاظت را جایگزین نمیکند, بلکه گلوگاه شمارش دستی را از معادله حذف میکند.
دفعه بعد که یک ذخیرهگاه به تخمین جمعیت نیاز دارد, دقیقترین پاسخ از دوربین میآید, نه از تخته. و برخلاف تخته, عکسها یک دهه بعد هم مفید خواهند بود.