En menneskelig observator i et fly i bevegelse overser omtrent 1 av 10 elefanter. Algoritmen blir ikke trott.
Populasjonsundersokelser av ville dyr er ryggraden i naturvern. Hver forvaltningsbeslutning, fra ruter for anti-krypskytterpatruler til budsjetter for habitatvern, avhenger av a vite hvor mange dyr som finnes der ute. I artier har standardmetoden vart den samme: fly lavt over landskapet og tell det du ser. Problemet er at menneskelige oyne i et fly i bevegelse ikke er saerlig gode pa denne oppgaven.
Den tradisjonelle flyundersokelsen og dens begrensninger
En konvensjonell undersokelse av ville dyr fungerer slik: trente observatorer lener seg ut av et lavtflyvende fly (vanligvis 60 til 100 meter over bakken) og teller dyr innenfor et definert band pa hver side. De noterer arter, gruppestorrelser og posisjoner pa papir eller med en diktafon, ofte 6 til 8 timer i strekk.
Problemene er godt dokumentert. Observatortretthet setter inn etter den forste timen, og noyaktigheten synker jevnt. Ulike observatorer som teller den samme transekten produserer rutinemessig tellinger som avviker med 10 til 30 %. Dyr i skygge, bak busker eller i flekket skogsterreng blir ofte oversett. Vaer, turbulens og hoyde introduserer ytterligere variasjon. Og flyturene i seg selv er dyre og farlige: lavhoydsflyging for undersokelser er en av de mest risikofylte aktivitetene innen naturvern.
Hvordan AI endrer tellingen
AI-assisterte flyundersokelser snur arbeidsflyten. I stedet for a stole pa menneskelige observatorer som oppdager og teller dyr i sanntid, tar flyet (eller dronen) hoyopploselige fotografier av hele undersokelsesomradet. Pa bakken skanner en deteksjonsmodell hvert bilde og markerer hvert dyr den finner.
Deteksjonsmodellen, vanligvis et konvolusjonelt nevralt nettverk som RetinaNet, behandler bilder i en enkelt gjennomgang. Den identifiserer dyr etter form, storrelse og kontrast mot bakgrunnen, og plasserer deretter en markoring pa hver deteksjon med en konfidenspoengsum. En menneskelig anmelder sjekker flaggede bilder og grensetilfeller, men massetellingen handteres automatisk.
Forskning publisert i Wageningen-universitetets studier om dyrepopulasjoner viste at RetinaNet oppdaget 95 % av elefantene, 91 % av sjiraffene og 90 % av sebraene sammenlignet med ekspert menneskelig annotering, og korrekt identifiserte ytterligere 2,8 til 4,0 % av dyrene som menneskelige annoterere oversaa helt. Modellen produserte bare 1,6 til 5,0 falske positive per sann positiv.
En studie publisert i Frontiers in Conservation Science fant at AI-assisterte metoder kan redusere populasjonsestimatets standardfeil med 31 til 67 % sammenlignet med manuelle metoder, med potensial for okning av provtakingsinnsatsen med 160 til 1 050 % til tilsvarende kostnad. Det betyr mer undersokft omrade, oftere, for det samme budsjettet.
Hvilke arter fungerer best
Ikke alle arter er like enkle for AI a telle fra luften. De beste resultatene kommer fra dyr som er store, tydelig fargede og lever i apne habitater.
Elefanter, storfe, sebraer og gnuer er ideelle kandidater. Storrelsen gjor dem enkle a oppdage, og apen savanne gir sterk kontrast.
Flamingoer, pingviner og sjofuglkolonier sitter i tette, synlige grupper pa apen mark. AI utmerker seg i a telle tusenvis av individer i et enkelt bilde.
Seler, sjolover og hvalrosser som hviler pa kysten er tydelig synlige ovenfra. Termisk avbildning legger til en ekstra deteksjonskanal.
Bonder og viltforvaltere bruker identiske teknikker for storfe, hester og reinsdyr pa apne beitemarker.
Fordelen med revisjonsmulighet
En av de mest undervurderte fordelene med fotobaserte undersokelser er permanens. En tradisjonell observatortelling er et tall pa et kladebrett. Det kan ikke sjekkes pa nytt, bestrides eller forbedres etter flygningen.
Et fotografi er permanent bevis. Hvert bilde tatt under en AI-undersokelse kan arkiveres, gjennogas av andre anmeldere og behandles pa nytt ar senere med forbedrede algoritmer. Hvis en ny modell er 5 % mer noyaktig enn fjorarets, kan du kjore den pa fjorarets bilder og fa et bedre historisk estimat uten a fly igjen.
Dette skaper et voksende datasett som forbedres over tid. Naturvernorganisasjoner som Wild Me har bygget aapen kildekode-plattformer (som Scout) som lar forskere over hele verden bidra og analysere flybilder pa nytt. Fotografiet i seg selv blir det vitenskapelige dokumentet, ikke tellingen utledet fra det.
Der AI-telling fortsatt sliter
AI-flygtelling er kraftig, men ikke universell. Flere forhold forblir genuint vanskelige.
- Tett vegetasjon - Dyr under tett trekrone er usynlige for standardkameraer. Skogselefanter og primater forblir vanskelige a undersoke fra luften.
- Nattaktive arter - Skapninger som bare er aktive om natten krever termisk eller infrarod avbildning, som har lavere romlig opplosning enn RGB-kameraer pa dagtid.
- Akvatiske dyr under overflaten - Marine arter under vann, som delfiner eller fisk, kan ikke palitelig oppdages fra flyfotografier.
- Sma eller kamuflerte arter - Dyr som gar i ett med omgivelsene, som harer pa tort gress, presser deteksjonsmodellene til sine grenser.
- Ekstremt vaer - Skydekke, regn og sterk vind forringer bildekvaliteten og kan sette drone- og flyoperasjoner helt pa bakken.
Komme i gang med AI-telling av ville dyr
- Velg din plattform- En forbrukerdrone (DJI Mavic eller lignende) fungerer for sma omrader; bemannede fly eller fastvingede droner dekker storre reservater.
- Planlegg flyrutenettet- Bruk automatisk waypointnavigasjon for a sikre konstant hoyde og full omradedekning med bildeoverlapp.
- Ta bilder til rett tid- Tidlig morgen- eller sent ettermiddagslys reduserer harde skygger. Unnga midt pa dagen nar dyr soker skygge.
- Behandle med en deteksjonsmodell- Last opp bilder til en AI-telleplattform. Aapen kildekode-alternativer inkluderer Wild Mes Scout for viltspesifikk deteksjon.
- Gjenomga flaggede deteksjoner- Sjekk markeringer med lav konfidens og grensetilfeller manuelt. Denne hybridtilnarmingen maksimerer noyaktigheten.
- Arkiver alt- Lagre originalbilder sammen med telledata. Fremtidige algoritmer vil hente enda mer verdi fra dagens fotografier.
Konklusjon
Naturvern avhenger av noyaktige populasjonsdata, og i artier var det beste tilgjengelige verktyet en trott observator i et stoyende fly. AI-drevet flygtelling erstatter ikke menneskelig ekspertise innen naturvern, men den fjerner flaskehalsen med manuell telling fra ligningen.
Neste gang et reservat trenger et populasjonsestimat, vil det mest noyaktige svaret komme fra et kamera, ikke et kladebrett. Og i motsetning til kladebrettet vil fotografiene fortsatt vaere nyttige om ti ar.