Људски посматрач у покретном авиону пропушта отприлике 1 од 10 слонова. Алгоритам се не умара.
Истраживања популација дивљих животиња су окосница заштите природе. Свака управљачка одлука - од рута за патролирање против криволоваца до буџета за заштиту станишта - зависи од знања колико животиња има тамо. Деценијама је стандардна метода иста: летите ниско изнад пејзажа и бројите шта видите. Проблем је у томе што људске очи у покретном авиону нису баш добре у овом послу.
Традиционално ваздушно истраживање и његова ограничења
Конвенционално истраживање дивљих животиња функционише овако: обучени посматрачи се нагну из нисколетећег авиона (обично 60 до 100 метара изнад тла) и броје животиње унутар дефинисане траке са обе стране. Бележе врсте, величине група и локације на папиру или диктафоном, често 6 до 8 сати у комаду.
Проблеми су добро документовани. Умор посматрача наступа после првог сата, а прецизност стално опада. Различити посматрачи који броје исти трансект рутински производе бројеве који се разликују за 10 до 30%. Животиње у сенци, иза жбунова или у шареној шуми често се пропуштају. Време, турбуленција и висина уносе додатну варијабилност. А сами летови су скупи и опасни: нисковисинско истраживачко летење је једна од најризичнијих активности у заштити природе.
Како AI мења бројање
AI ваздушна истраживања окрећу радни процес. Уместо ослањања на људске посматраче да уоче и броје животиње у реалном времену, авион (или дрон) снима фотографије високе резолуције целог истраживаног подручја. На тлу, детекциони модел скенира сваку слику и означава сваку животињу коју пронађе.
Детекциони модел, обично конволуциона неуронска мрежа попут RetinaNet, обрађује слике у једном пролазу. Идентификује животиње по облику, величини и контрасту према позадини, затим ставља маркер на сваку детекцију са оценом поузданости. Људски рецензент проверава означене слике и граничне случајеве, али се масовно бројање обрађује аутоматски.
Истраживање објављено на Wageningen University открило је да је RetinaNet детектовао 95% слонова, 91% жирафа и 90% зебри у поређењу са експертном људском анотацијом, уз исправно идентификовање додатних 2.8 до 4.0% животиња које су људски анотатори потпуно пропустили. Модел је произвео само 1.6 до 5.0 лажно позитивних по правом позитивном.
Студија у Frontiers in Conservation Science открила је да AI методе могу смањити стандардну грешку процене популације за 31 до 67% у поређењу са ручним методама, са потенцијалом за повећања узорковања од 160 до 1,050% уз еквивалентни трошак. То значи више истраженог подручја, чешће, за исти буџет.
Које врсте најбоље функционишу
Нису све врсте једнако лаке за AI бројање из ваздуха. Најбољи резултати долазе од животиња које су велике, јасно обојене и живе у отвореним стаништима.
Слонови, говеда, зебре и гнуови су идеални кандидати. Њихова величина их чини лаким за детекцију, а отворена савана пружа снажан контраст.
Фламингоси, пингвини и колоније морских птица седе у густим, видљивим групама на отвореном тлу. AI одлично броји хиљаде јединки на једној слици.
Фоке, морски лавови и моржеви извучени на обалу јасно су видљиви одозго. Термално снимање додаје други детекциони канал.
Сточари и управитељи дивљих животиња користе идентичне технике за говеда, коње и ирвасе на отвореним пашњацима.
Предност проверљивости
Једна од најпотцењенијих предности истраживања путем фотографија је трајност. Традиционално бројање посматрача је број на подлози. Не може се поново проверити, оспорити или побољшати после лета.
Фотографија је трајни доказ. Свака слика снимљена током AI истраживања може се архивирати, поново прегледати од стране различитих рецензената и поново обрадити годинама касније са побољшаним алгоритмима. Ако је нови модел 5% прецизнији од прошлогодишњег, можете га покренути на прошлогодишњим сликама и добити бољу историјску процену без поновног летења.
То ствара растући скуп података који се побољшава с временом. Организације за заштиту попут Wild Me изградиле су платформе отвореног кода (попут Scout) које омогућавају истраживачима широм света да доприносе и поново анализирају ваздушне снимке. Фотографија сама постаје научни запис, а не бројка изведена из ње.
Где AI бројање и даље има потешкоћа
AI ваздушно бројање је моћно, али не универзално. Неколико услова остаје заиста тешко.
- Густа вегетација - Животиње под густом крошњом невидљиве су за стандардне камере. Шумски слонови и примати остају тешки за истраживање из ваздуха.
- Ноћне врсте - Бића активна само ноћу захтевају термално или инфрацрвено снимање, које има нижу просторну резолуцију од дневних RGB камера.
- Водене животиње испод површине - Морске врсте под водом, попут делфина или риба, не могу се поуздано детектовати из ваздушних фотографија.
- Мале или камуфлиране врсте - Животиње које се стапају са окружењем, попут зечева на сувој трави, доводе детекционе моделе до њихових граница.
- Екстремно време - Облачност, киша и јаки ветрови деградирају квалитет слике и могу потпуно приземљити дронске и авионске операције.
Почетак са AI бројањем дивљих животиња
- Одаберите платформу- Потрошачки дрон (DJI Mavic или сличан) функционише за мала подручја; пилотирани авиони или дронови са фиксним крилима покривају веће резервате.
- Планирајте мрежу лета- Користите аутоматизовану навигацију са тачкама за доследну висину и потпуно покривање подручја са преклапањем слика.
- Снимајте у право време- Рано јутарње или касно поподневно светло смањује оштре сенке. Избегавајте подне када животиње траже сенку.
- Обрадите детекционим моделом- Учитајте слике на AI платформу за бројање. Опције отвореног кода укључују Scout од Wild Me за детекцију специфичну за дивље животиње.
- Прегледајте означене детекције- Ручно проверите маркере ниске поузданости и граничне случајеве. Овај хибридни приступ максимизира прецизност.
- Архивирајте све- Чувајте оригиналне слике уз податке о бројању. Будући алгоритми извући ће још више вредности из данашњих фотографија.
Закључак
Заштита дивљих животиња зависи од тачних података о популацији, а деценијама је најбољи доступни алат био уморан посматрач у бучном авиону. AI ваздушно бројање не замењује људску стручност у заштити, али уклања уско грло ручног бројања из једначине.
Следећи пут када резерват треба процену популације, најпрецизнији одговор доћи ће од камере, а не подлоге. И за разлику од подлоге, фотографије ће и даље бити корисне за деценију.