En mansklig observator i ett rorligt flygplan missar ungefar 1 av 10 elefanter. Algoritmen blir inte trott.
Populationsundersokningar av vilda djur ar ryggraden i naturvarden. Varje forvaltningsbeslut, fran rutter for anti-tjuvjaktspatruller till budgetar for habitatskydd, beror pa att man vet hur manga djur som finns darute. I artionden har standardmetoden varit densamma: flyg lagt over landskapet och rakna det du ser. Problemet ar att manskliga ogon i ett rorligt flygplan inte ar sarskilt bra pa detta.
Den traditionella flygundersokningen och dess begransningar
En konventionell undersokningar av vilda djur fungerar sa har: utbildade observatorer lutar sig ut fran ett lagtflygande flygplan (vanligtvis 60 till 100 meter over marken) och raknar djur inom ett definierat strak pa vardera sidan. De noterar arter, gruppstorlekar och positioner pa papper eller med en diktafon, ofta 6 till 8 timmar i strack.
Problemen ar valdokumenterade. Observatorstratthet satter in efter forsta timmen, och noggrannheten sjunker stadigt. Olika observatorer som raknar samma transekt far rutinmassigt resultat som skiljer sig med 10 till 30 %. Djur i skugga, bakom buskar eller i flackig skogsmark missas ofta. Vader, turbulens och hojd gor resultaten annu mer varierande. Och flygningarna i sig ar dyra och farliga: laghojdsflygning for undersokningar ar en av de mest riskfyllda aktiviteterna inom naturvard.
Hur AI forandrar rakningen
AI-assisterade flygundersokningar vander pa arbetsflod. Istallet for att forlita sig pa manskliga observatorer som upptacker och raknar djur i realtid, tar flygplanet (eller dronen) hogupplostta fotografier av hela undersokningsomradet. Pa marken skannar en detektionsmodell varje bild och markerar varje djur den hittar.
Detektionsmodellen, vanligtvis ett konvolutionellt neuralt natverk som RetinaNet, bearbetar bilder i en enda genomgang. Den identifierar djur efter form, storlek och kontrast mot bakgrunden och placerar sedan en markoring pa varje detektion med en konfidenspoang. En mansklig granskare kontrollerar flaggade bilder och gransfall, men massrakningen hanteras automatiskt.
Forskning publicerad i Wageningen-universitetets studier om djurpopulationer visade att RetinaNet detekterade 95 % av elefanterna, 91 % av girafferna och 90 % av zebrorna jamfort med expertmansklig annotering, och korrekt identifierade ytterligare 2,8 till 4,0 % av djuren som manskliga annoterare missade helt. Modellen producerade endast 1,6 till 5,0 falska positiva per sant positiv.
En studie publicerad i Frontiers in Conservation Science visade att AI-assisterade metoder kan minska populationsuppskattningens standardfel med 31 till 67 % jamfort med manuella metoder, med potential for okning av provtagningsinsatsen med 160 till 1 050 % till likvardiga kostnader. Det innebar mer undersekt yta, oftare, for samma budget.
Vilka arter fungerar bast
Inte alla arter ar lika latta for AI att rakna fran luften. De basta resultaten kommer fran djur som ar stora, tydligt fargade och lever i oppna livsmiljoer.
Elefanter, notkreatur, zebror och gnuer ar ideala kandidater. Deras storlek gor dem latta att upptacka, och oppen savann ger stark kontrast.
Flamingos, pingviner och havsfagelkolonier sitter i tata, synliga grupper pa oppen mark. AI ar utmarkt pa att rakna tusentals individer i en enda bild.
Salar, sjoleijon och valrossar som vilar pa kusten ar tydligt synliga ovifran. Termisk avbildning lagger till en andra detektionskanal.
Rancher och viltforvaltare anvander identiska tekniker for notkreatur, hastar och renar pa oppna betesmarker.
Fordelen med revisionsbarhet
En av de mest underskattade fordelarna med fotobaserade undersokningar ar permanens. En traditionell observatorrakning ar en siffra pa en skrivplatta. Den kan inte kontrolleras om, ifragasattas eller forbattras efter flygningen.
Ett fotografi ar permanent bevisning. Varje bild som tas under en AI-undersokning kan arkiveras, granskas av andra granskare och behandlas om ar senare med forbattrade algoritmer. Om en ny modell ar 5 % noggrannare an forra arets kan du kora den pa forra arets bilder och fa en battre historisk uppskattning utan att flyga igen.
Detta skapar en vaxande datamangd som forbattras over tid. Naturvardsorganisationer som Wild Me har byggt open source-plattformar (som Scout) som gor det mojligt for forskare varlden over att bidra och analysera om flygbilder. Fotografiet i sig blir det vetenskapliga dokumentet, inte rakningen som harleddes fran det.
Dar AI-rakning fortfarande har svarigheter
AI-flygrakning ar kraftfull men inte universell. Flera forhallanden forblir genuint svara.
- Tat vegetation - Djur under tatt tradkrontak ar osynliga for standardkameror. Skogselefanter och primater forblir svara att undersoka fran luften.
- Nattaktiva arter - Varelser som bara ar aktiva pa natten kraver termisk eller infrarod avbildning, som har lagre rumslig upplosning an dagsljus-RGB-kameror.
- Vattenlevande djur under ytan - Marina arter under vattnet, som delfiner eller fiskar, kan inte palitligt upptackas fran flygfotografier.
- Sma eller kamouflerade arter - Djur som smatter in i sin omgivning, som harar pa tort gras, pressar detektionsmodellerna till deras granser.
- Extremt vader - Molntacke, regn och stark vind forsamrar bildkvaliteten och kan helt stoppa dron- och flygplansoperationer.
Kom igang med AI-rakning av vilda djur
- Valj din plattform- En konsumentdron (DJI Mavic eller liknande) fungerar for sma omraden; bemannade flygplan eller fastvingade dronare tacker storre reservat.
- Planera ditt flygraster- Anvand automatisk waypointnavigering for att sakerstalla konstant hojd och fullstandig yttackning med bildoverlapp.
- Fotografera vid ratt tidpunkt- Tidigt morgonljus eller sent eftermiddagsljus minskar harda skuggor. Undvik mitt pa dagen nar djur soker skugga.
- Bearbeta med en detektionsmodell- Ladda upp bilder till en AI-rakningsplattform. Open source-alternativ inkluderar Wild Mes Scout for viltspecifik detektion.
- Granska flaggade detektioner- Kontrollera lagkonfidenmarkeringar och gransfall manuellt. Denna hybridmetod maximerar noggrannheten.
- Arkivera allt- Lagra originalbilder tillsammans med rakningsdata. Framtida algoritmer kommer att utvinna annu mer varde fran dagens fotografier.
Sammanfattning
Naturvard beror pa noggranna populationsdata, och i artionden var det basta tillgangliga verktyget en trott observator i ett bullrigt flygplan. AI-driven flygraknings ersatter inte mansklig expertis inom naturvard, men den tar bort flaskhalsen med manuell rakning ur ekvationen.
Nasta gang ett reservat behover en populationsuppskattning kommer det mest noggranna svaret fran en kamera, inte fran en skrivplatta. Och till skillnad fran skrivplattan kommer fotografierna fortfarande att vara anvandbbara om ett artionde.