משקיף אנושי במטוס נע מפספס בערך פיל אחד מתוך 10. האלגוריתם לא מתעייף.
סקרי אוכלוסיות חיות בר הם עמוד השדרה של השימור. כל החלטה ניהולית, ממסלולי סיור למניעת ציד לא חוקי ועד תקציבי הגנה על בתי גידול, תלויה בידיעה כמה חיות נמצאות בשטח. במשך עשורים, השיטה הסטנדרטית הייתה זהה: לטוס נמוך מעל הנוף ולספור מה שרואים. הבעיה היא שעיניים אנושיות במטוס נע אינן טובות במיוחד במשימה הזו.
הסקר האווירי המסורתי ומגבלותיו
סקר חיות בר מקובל עובד כך: משקיפים מאומנים נשענים החוצה ממטוס שטס בגובה נמוך (בדרך כלל 60 עד 100 מטרים מעל הקרקע) וסופרים חיות ברצועה מוגדרת משני הצדדים. הם רושמים מינים, גדלי קבוצות ומיקומים על נייר או עם מקליט קולי, לעיתים קרובות במשך 6 עד 8 שעות רצופות.
הבעיות מתועדות היטב. עייפות המשקיף מתחילה אחרי השעה הראשונה, והדיוק יורד בהתמדה. משקיפים שונים שסופרים את אותו חתך מפיקים באופן שגרתי ספירות שנבדלות ב-10 עד 30%. חיות בצל, מאחורי שיחים או ביערות מנוקדי אור נפספסות לעיתים קרובות. מזג אוויר, טלטולים וגובה מוסיפים שונות נוספת. והטיסות עצמן יקרות ומסוכנות: טיסת סקר בגובה נמוך היא אחת הפעילויות המסוכנות ביותר בתחום השימור.
איך AI משנה את הספירה
סקרים אוויריים בסיוע AI הופכים את תהליך העבודה. במקום להסתמך על משקיפים אנושיים שיאתרו ויספרו חיות בזמן אמת, המטוס (או הרחפן) מצלם תמונות ברזולוציה גבוהה של כל שטח הסקר. בחזרה על הקרקע, מודל זיהוי סורק כל תמונה ומסמן כל חיה שהוא מוצא.
מודל הזיהוי, בדרך כלל רשת עצבית קונבולוציונית כמו RetinaNet, מעבד תמונות בסריקה אחת. הוא מזהה חיות לפי צורה, גודל וניגודיות מול הרקע, ואז מניח סמן על כל זיהוי עם ציון ביטחון. סוקר אנושי בודק תמונות מסומנות ומקרי קצה, אך הספירה העיקרית מתבצעת אוטומטית.
מחקר שפורסם במחקרי אוכלוסיות בעלי חיים של אוניברסיטת ואחנינגן מצא ש-RetinaNet זיהה 95% מהפילים, 91% מהג'ירפות ו-90% מהזברות בהשוואה לתיוג אנושי מומחה, תוך זיהוי נכון של 2.8 עד 4.0% נוספים מחיות שמתייגים אנושיים פספסו לחלוטין. המודל הפיק רק 1.6 עד 5.0 זיהויים חיוביים כוזבים לכל זיהוי חיובי אמיתי.
מחקר ב-Frontiers in Conservation Science מצא שש שיטות בסיוע AI יכולות להפחית את השגיאה הסטנדרטית של הערכת אוכלוסייה ב-31 עד 67% בהשוואה לשיטות ידניות, עם פוטנציאל להגדלת מאמץ הדגימה ב-160 עד 1,050% בעלות שווה. כלומר, יותר שטח נסקר, בתדירות גבוהה יותר, באותו תקציב.
אילו מינים מתאימים ביותר
לא כל מין קל באותה מידה לספירת AI מהאוויר. התוצאות הטובות ביותר מגיעות מחיות גדולות, בעלות צבע בולט, הנמצאות בבתי גידול פתוחים.
פילים, בקר, זברות וגנואים הם מועמדים אידיאליים. גודלם מקל על הזיהוי, וסוואנה פתוחה מספקת ניגודיות חזקה.
פלמינגו, פינגווינים ומושבות ציפורי ים יושבים בקבוצות צפופות ונראות על קרקע פתוחה. AI מצטיין בספירת אלפי פרטים בתמונה אחת.
כלבי ים, אריות ים וסוסי ים שעלו לחוף נראים בבירור מלמעלה. הדמיה תרמית מוסיפה ערוץ זיהוי שני.
חקלאים ומנהלי חיות בר משתמשים בטכניקות זהות עבור בקר, סוסים ואיילי צפון במרעה פתוח.
יתרון הביקורתיות
אחד היתרונות הכי פחות מוערכים של סקרים מבוססי תמונות הוא הקביעות. ספירת משקיף מסורתית היא מספר על לוח כתיבה. אי אפשר לבדוק אותה מחדש, לערער עליה או לשפר אותה אחרי הטיסה.
תמונה היא עדות קבועה. כל תמונה שצולמה במהלך סקר AI ניתנת לאריכוב, לבדיקה מחדש על ידי סוקרים שונים, ולעיבוד מחדש שנים מאוחר יותר עם אלגוריתמים משופרים. אם מודל חדש מדויק ב-5% יותר ממודל השנה שעברה, אפשר להריץ אותו על תמונות השנה שעברה ולקבל הערכה היסטורית טובה יותר בלי לטוס שוב.
זה יוצר מאגר נתונים גדל שמשתפר עם הזמן. ארגוני שימור כמו Wild Me בנו פלטפורמות קוד פתוח (כמו Scout) שמאפשרות לחוקרים ברחבי העולם לתרום ולנתח מחדש צילומי אוויר. התמונה עצמה הופכת לרשומה המדעית, לא הספירה שנגזרה ממנה.
היכן ספירת AI עדיין מתקשה
ספירה אווירית באמצעות AI היא כלי רב עוצמה אך לא אוניברסלי. מספר תנאים נותרים מאתגרים באמת.
- צמחייה צפופה - חיות מתחת לצמרות עצים עבותות אינן נראות למצלמות סטנדרטיות. פילי יערות ופרימטים עדיין קשים לסקר מהאוויר.
- מינים לילי - יצורים הפעילים רק בלילה דורשים הדמיה תרמית או אינפרא-אדומה, שיש לה רזולוציה מרחבית נמוכה יותר ממצלמות RGB ביום.
- חיות מים מתחת לפני השטח - מיני ים מתחת למים, כמו דולפינים או דגים, אינם ניתנים לזיהוי מהימן מצילומי אוויר.
- מינים קטנים או מוסווים - חיות שמשתלבות בסביבתן, כמו ארנבות על דשא יבש, דוחפות את מודלי הזיהוי לגבולותיהם.
- מזג אוויר קיצוני - עננות, גשם ורוחות חזקות פוגעים באיכות התמונה ויכולים לקרקע לחלוטין פעולות רחפנים ומטוסים.
איך להתחיל עם ספירת חיות בר באמצעות AI
- בחר את הפלטפורמה שלך- רחפן צרכני (DJI Mavic או דומה) מתאים לשטחים קטנים; מטוסים מאוישים או רחפנים בעלי כנף קבועה מכסים שמורות גדולות יותר.
- תכנן את רשת הטיסה- השתמש בניווט אוטומטי לפי נקודות ציון כדי להבטיח גובה עקבי וכיסוי מלא של השטח עם חפיפת תמונות.
- צלם בזמן הנכון- אור של בוקר מוקדם או אחר הצהריים מאוחר מפחית צללים חדים. הימנע מצהריים כשחיות מחפשות צל.
- עבד עם מודל זיהוי- העלה תמונות לפלטפורמת ספירת AI. אפשרויות קוד פתוח כוללות את Scout של Wild Me לזיהוי חיות בר ייעודי.
- בדוק זיהויים מסומנים- בדוק ידנית סמנים ברמת ביטחון נמוכה ומקרי קצה. גישה היברידית זו ממקסמת דיוק.
- ארכב הכל- שמור תמונות מקוריות לצד נתוני ספירה. אלגוריתמים עתידיים יחלצו ערך רב יותר מתמונות של היום.
השורה התחתונה
שימור חיות בר תלוי בנתוני אוכלוסייה מדויקים, ובמשך עשורים הכלי הטוב ביותר שהיה זמין היה משקיף עייף במטוס רועש. ספירה אווירית מונעת AI אינה מחליפה את המומחיות האנושית בשימור, אך היא מסירה את צוואר הבקבוק של ספירה ידנית מהמשוואה.
בפעם הבאה ששמורה תזדקק להערכת אוכלוסייה, התשובה המדויקת ביותר תגיע ממצלמה, לא מלוח כתיבה. ובניגוד ללוח הכתיבה, התמונות עדיין יהיו שימושיות עוד עשור מעכשיו.