Een menselijke waarnemer in een bewegend vliegtuig mist ongeveer 1 op de 10 olifanten. Het algoritme wordt niet moe.
Populatieonderzoeken van wilde dieren vormen de ruggengraat van natuurbehoud. Elke beheerbeslissing, van anti-stroperij-patrouilleroutes tot budgetten voor habitatbescherming, hangt af van het weten hoeveel dieren er zijn. Al tientallen jaren is de standaardmethode dezelfde: laag over het landschap vliegen en tellen wat je ziet. Het probleem is dat menselijke ogen in een bewegend vliegtuig niet erg goed zijn in dit werk.
Het traditionele luchtonderzoek en zijn beperkingen
Een conventioneel wildonderzoek werkt als volgt: getrainde waarnemers leunen uit een laagvliegend vliegtuig (doorgaans 60 tot 100 meter boven de grond) en tellen dieren binnen een gedefinieerde strook aan weerszijden. Ze noteren soorten, groepsgroottes en locaties op papier of met een voicerecorder, vaak 6 tot 8 uur achter elkaar.
De problemen zijn goed gedocumenteerd. Vermoeidheid bij de waarnemer treedt op na het eerste uur en de nauwkeurigheid daalt gestaag. Verschillende waarnemers die hetzelfde transect tellen, produceren routinematig tellingen die 10 tot 30% van elkaar afwijken. Dieren in de schaduw, achter struiken of in gevlekt bos worden vaak gemist. Weer, turbulentie en vlieghoogte introduceren extra variabiliteit. En de vluchten zelf zijn duur en gevaarlijk: laagvliegend onderzoek is een van de risicovolste activiteiten in het natuurbehoud.
Hoe AI de telling verandert
AI-gestuurde luchtonderzoeken keren de workflow om. In plaats van te vertrouwen op menselijke waarnemers om dieren in real-time te spotten en te tellen, maakt het vliegtuig (of de drone) hogeresolutiefoto's van het hele onderzoeksgebied. Op de grond scant een detectiemodel elke afbeelding en markeert elk dier dat het vindt.
Het detectiemodel, doorgaans een convolutioneel neuraal netwerk zoals RetinaNet, verwerkt afbeeldingen in een enkele doorgang. Het identificeert dieren op basis van vorm, grootte en contrast met de achtergrond, en plaatst vervolgens een markering op elke detectie met een betrouwbaarheidsscore. Een menselijke beoordelaar controleert gemarkeerde afbeeldingen en grensgevallen, maar het grootste deel van de telling wordt automatisch afgehandeld.
Onderzoek gepubliceerd in de dierpopulatiestudies van de Universiteit Wageningen toonde aan dat RetinaNet 95% van de olifanten, 91% van de giraffen en 90% van de zebra's detecteerde in vergelijking met annotatie door menselijke experts, terwijl het correct 2,8 tot 4,0% extra dieren identificeerde die menselijke annotatoren volledig hadden gemist. Het model produceerde slechts 1,6 tot 5,0 fout-positieven per echt positief.
Een studie in Frontiers in Conservation Science toonde aan dat AI-gestuurde methoden de standaardfout van populatieschattingen met 31 tot 67% kunnen verminderen ten opzichte van handmatige methoden, met een potentieel voor toename van de bemonsteringsinspanning van 160 tot 1.050% tegen gelijke kosten. Dat betekent meer gebied onderzocht, vaker, voor hetzelfde budget.
Welke soorten het beste werken
Niet elke soort is even gemakkelijk te tellen met AI vanuit de lucht. De beste resultaten komen van dieren die groot zijn, opvallend gekleurd en leven in open habitats.
Olifanten, runderen, zebra's en gnoes zijn ideale kandidaten. Hun grootte maakt ze gemakkelijk te detecteren, en open savanne biedt sterk contrast.
Flamingo's, pinguins en zeevogelkolonies zitten in dichte, zichtbare groepen op open terrein. AI blinkt uit in het tellen van duizenden individuen in een enkele afbeelding.
Zeehonden, zeeleeuwen en walrussen die rusten op de kustlijn zijn duidelijk zichtbaar van bovenaf. Thermische beeldvorming voegt een tweede detectiekanaal toe.
Veehouders en wildbeheerders gebruiken identieke technieken voor runderen, paarden en rendieren op open weidegrond.
Het voordeel van controleerbaarheid
Een van de meest onderschatte voordelen van fotogebaseerde onderzoeken is duurzaamheid. Een traditionele waarnemertelling is een getal op een klembord. Het kan niet opnieuw worden gecontroleerd, betwist of verbeterd na de vlucht.
Een foto is permanent bewijs. Elke afbeelding die tijdens een AI-onderzoek is gemaakt, kan worden gearchiveerd, opnieuw bekeken door andere beoordelaars en jaren later opnieuw verwerkt met verbeterde algoritmen. Als een nieuw model 5% nauwkeuriger is dan dat van vorig jaar, kun je het opnieuw uitvoeren op de afbeeldingen van vorig jaar en een betere historische schatting krijgen zonder opnieuw te vliegen.
Dit creert een groeiende dataset die in de loop der tijd verbetert. Natuurbehoudorganisaties zoals Wild Me hebben open-source platforms (zoals Scout) gebouwd waarmee onderzoekers wereldwijd luchtfoto's kunnen bijdragen en opnieuw analyseren. De foto zelf wordt het wetenschappelijke record, niet de telling die ervan is afgeleid.
Waar AI-telling nog moeite heeft
AI-luchttelling is krachtig maar niet universeel. Meerdere omstandigheden blijven echt moeilijk.
- Dichte vegetatie - Dieren onder een dicht bladerdak zijn onzichtbaar voor standaardcamera's. Bosolifanten en primaten blijven moeilijk te onderzoeken vanuit de lucht.
- Nachtactieve soorten - Dieren die alleen 's nachts actief zijn, vereisen thermische of infraroodbeeldvorming, die een lagere ruimtelijke resolutie heeft dan RGB-camera's overdag.
- Waterdieren onder het oppervlak - Mariene soorten onder water, zoals dolfijnen of vissen, kunnen niet betrouwbaar worden gedetecteerd vanuit luchtfoto's.
- Kleine of gecamoufleerde soorten - Dieren die opgaan in hun omgeving, zoals hazen op droog gras, drijven detectiemodellen tot hun grenzen.
- Extreem weer - Bewolking, regen en sterke wind verslechteren de beeldkwaliteit en kunnen drone- en vliegtuigoperaties volledig aan de grond houden.
Aan de slag met AI-wildtelling
- Kies uw platform- Een consumentendrone (DJI Mavic of vergelijkbaar) werkt voor kleine gebieden; bemande vliegtuigen of fixed-wing drones dekken grotere reservaten.
- Plan uw vluchtrooster- Gebruik geautomatiseerde waypointnavigatie om constante hoogte en volledige gebiedsdekking met beeldoverlapping te garanderen.
- Maak opnamen op het juiste moment- Vroeg ochtendlicht of laat middaglicht vermindert harde schaduwen. Vermijd het middaguur wanneer dieren schaduw opzoeken.
- Verwerk met een detectiemodel- Upload afbeeldingen naar een AI-telplatform. Open-source opties zijn onder andere Scout van Wild Me voor wildspecifieke detectie.
- Controleer gemarkeerde detecties- Bekijk markeringen met lage betrouwbaarheid en grensgevallen handmatig. Deze hybride aanpak maximaliseert de nauwkeurigheid.
- Archiveer alles- Bewaar originele afbeeldingen samen met telgegevens. Toekomstige algoritmen zullen nog meer waarde halen uit de foto's van vandaag.
Conclusie
Natuurbehoud hangt af van nauwkeurige populatiegegevens, en tientallen jaren lang was het beste beschikbare hulpmiddel een vermoeide waarnemer in een luidruchtig vliegtuig. AI-gestuurde luchttelling vervangt menselijke expertise in het natuurbehoud niet, maar het neemt het knelpunt van handmatig tellen uit de vergelijking.
De volgende keer dat een reservaat een populatieschatting nodig heeft, zal het meest nauwkeurige antwoord komen van een camera, niet van een klembord. En in tegenstelling tot het klembord zullen de foto's over tien jaar nog steeds nuttig zijn.