이동 중인 항공기의 인간 관찰자는 코끼리 10마리 중 약 1마리를 놓칩니다. 알고리즘은 지치지 않습니다.
야생동물 개체수 조사는 보전의 근간입니다. 밀렵 방지 순찰 경로부터 서식지 보호 예산까지, 모든 관리 결정은 얼마나 많은 동물이 있는지 아는 것에 달려 있습니다. 수십 년 동안 표준 방법은 동일했습니다: 낮은 고도로 지형 위를 비행하며 보이는 것을 세는 것입니다. 문제는 이동 중인 항공기에서 인간의 눈은 이 작업에 그다지 적합하지 않다는 것입니다.
기존 항공 조사와 그 한계
기존 야생동물 조사는 다음과 같이 진행됩니다. 훈련된 관찰자가 저고도 비행 항공기(일반적으로 지상 60~100미터)에서 몸을 내밀고 양쪽의 정해진 띠 구역 내 동물을 셉니다. 종, 무리 크기, 위치를 종이 또는 음성 녹음기에 기록하며, 보통 6~8시간 연속으로 수행합니다.
문제점은 잘 알려져 있습니다. 관찰자 피로는 첫 1시간 후에 시작되며, 정확도는 꾸준히 떨어집니다. 같은 조사선을 세는 서로 다른 관찰자의 카운트는 일상적으로 10~30%의 차이를 보입니다. 그늘, 덤불 뒤, 얼룩진 숲속의 동물은 자주 놓칩니다. 날씨, 난기류, 고도는 모두 추가적인 변동 요인입니다. 그리고 비행 자체가 비용이 많이 들고 위험합니다. 저고도 조사 비행은 보전 활동에서 가장 위험한 활동 중 하나입니다.
AI가 카운팅을 어떻게 바꾸는가
AI 지원 항공 조사는 워크플로우를 근본적으로 바꿉니다. 인간 관찰자가 실시간으로 동물을 발견하고 세는 대신, 항공기(또는 드론)가 전체 조사 지역의 고해상도 사진을 촬영합니다. 지상으로 돌아온 후, 감지 모델이 모든 이미지를 스캔하고 발견한 각 동물에 표시를 합니다.
감지 모델(일반적으로 RetinaNet과 같은 합성곱 신경망)은 이미지를 단일 패스로 처리합니다. 형태, 크기, 배경과의 대비로 동물을 식별하고, 각 감지에 신뢰도 점수와 함께 마커를 배치합니다. 인간 검토자가 플래그된 이미지와 엣지 케이스를 확인하지만, 대량 카운팅은 자동으로 처리됩니다.
바헤닝언 대학교의 동물 개체수 연구에서 발표된 연구에 따르면, RetinaNet은 코끼리의 95%, 기린의 91%, 얼룩말의 90%를 감지했으며, 인간 주석자가 완전히 놓친 동물의 2.8~4.0%를 추가로 정확하게 식별했습니다. 모델이 생성한 오탐지는 진양성 1건당 1.6~5.0건에 불과했습니다.
Frontiers in Conservation Science 연구에 따르면, AI 지원 방법은 수동 방법 대비 개체수 추정 표준 오차를 31~67% 줄일 수 있으며, 동일한 비용으로 샘플링 노력을 160~1,050% 증가시킬 수 있습니다. 이는 같은 예산으로 더 넓은 지역을 더 자주 조사할 수 있다는 의미입니다.
가장 효과적인 대상 종
모든 종이 공중에서 AI 카운팅에 똑같이 적합한 것은 아닙니다. 최상의 결과는 대형이고, 색상이 뚜렷하며, 개방된 서식지에 있는 동물에서 얻어집니다.
코끼리, 소, 얼룩말, 누는 이상적인 대상입니다. 큰 체구 덕분에 감지가 쉽고, 개방된 사바나는 강한 대비를 제공합니다.
플라밍고, 펭귄, 바닷새 군집은 개방된 지면에 밀집된 눈에 띄는 무리로 서식합니다. AI는 단일 이미지에서 수천 마리의 개체를 세는 데 탁월합니다.
물개, 바다사자, 바다코끼리는 해안선에 상륙해 있어 상공에서 명확하게 보입니다. 열화상 촬영이 제2의 감지 채널을 추가합니다.
목장주와 야생동물 관리자는 개방된 목초지의 소, 말, 순록에 동일한 기법을 사용합니다.
감사 가능성의 이점
사진 기반 조사의 가장 과소평가된 이점 중 하나는 영속성입니다. 기존 관찰자 카운트는 클립보드 위의 숫자에 불과합니다. 비행 후에 재확인하거나, 이의를 제기하거나, 개선할 수 없습니다.
사진은 영구적인 증거입니다. AI 조사 중 촬영된 모든 이미지는 보관하고, 다른 검토자가 재검토하며, 수년 후 개선된 알고리즘으로 재처리할 수 있습니다. 새로운 모델이 작년 모델보다 5% 더 정확하다면, 작년 이미지에 다시 실행하여 재비행 없이 더 나은 과거 추정치를 얻을 수 있습니다.
이는 시간이 지남에 따라 개선되는 성장하는 데이터셋을 만듭니다. Wild Me와 같은 보전 단체는 전 세계 연구자들이 항공 이미지를 기여하고 재분석할 수 있는 오픈소스 플랫폼(Scout 등)을 구축했습니다. 카운트가 아닌 사진 자체가 과학적 기록이 됩니다.
AI 카운팅이 아직 어려운 분야
AI 항공 카운팅은 강력하지만 만능은 아닙니다. 여전히 진정으로 어려운 조건들이 있습니다.
- 밀집한 식생 - 두꺼운 수관 아래의 동물은 표준 카메라로 보이지 않습니다. 숲 코끼리와 영장류는 공중 조사가 여전히 어렵습니다.
- 야행성 종 - 밤에만 활동하는 생물은 주간 RGB 카메라보다 공간 해상도가 낮은 열화상 또는 적외선 촬영이 필요합니다.
- 수면 아래의 수생 동물 - 돌고래나 물고기 같은 수중 해양 생물은 항공 사진으로 신뢰할 수 있게 감지할 수 없습니다.
- 소형 또는 위장된 종 - 마른 풀 위의 토끼처럼 주변에 녹아드는 동물은 감지 모델의 한계에 도전합니다.
- 극단적인 날씨 - 구름, 비, 강풍은 이미지 품질을 저하시키고, 드론과 항공기 운항을 완전히 중단시킬 수 있습니다.
AI 야생동물 카운팅 시작하기
- 플랫폼 선택- 소비자용 드론(DJI Mavic 등)은 소규모 지역에 적합합니다. 유인 항공기나 고정익 드론은 더 넓은 보호구역을 커버합니다.
- 비행 그리드 계획- 자동 웨이포인트 내비게이션을 사용하여 일정한 고도와 이미지 오버랩을 통한 전체 지역 커버리지를 확보합니다.
- 적절한 시간에 촬영- 이른 아침이나 늦은 오후의 빛은 강한 그림자를 줄여줍니다. 동물이 그늘을 찾는 한낮은 피하세요.
- 감지 모델로 처리- 이미지를 AI 카운팅 플랫폼에 업로드합니다. 오픈소스 옵션으로는 야생동물 전용 감지를 위한 Wild Me의 Scout이 있습니다.
- 플래그된 감지 확인- 낮은 신뢰도 마커와 엣지 케이스를 수동으로 확인합니다. 이 하이브리드 접근법이 정확도를 극대화합니다.
- 모든 것을 보관- 카운트 데이터와 함께 원본 이미지를 저장합니다. 미래의 알고리즘은 오늘의 사진에서 더 많은 가치를 추출할 것입니다.
결론
야생동물 보전은 정확한 개체수 데이터에 의존하며, 수십 년간 이용 가능한 최선의 도구는 시끄러운 항공기 안의 지친 관찰자였습니다. AI 기반 항공 카운팅은 보전에서 인간의 전문 지식을 대체하지는 않지만, 수동 카운팅이라는 병목 현상을 제거합니다.
다음에 보호구역이 개체수 추정을 필요로 할 때, 가장 정확한 답은 클립보드가 아닌 카메라에서 나올 것입니다. 그리고 클립보드와 달리, 사진은 10년 후에도 여전히 유용할 것입니다.