ผู้สังเกตการณ์มนุษย์ในเครื่องบินที่กำลังเคลื่อนที่พลาดช้างประมาณ 1 ใน 10 ตัว อัลกอริทึมไม่เคยเหนื่อย
การสำรวจประชากรสัตว์ป่าเป็นกระดูกสันหลังของการอนุรักษ์ ทุกการตัดสินใจด้านการจัดการ ตั้งแต่เส้นทางลาดตระเวนต่อต้านการลักลอบล่าสัตว์ไปจนถึงงบประมาณการปกป้องแหล่งที่อยู่อาศัย ล้วนขึ้นอยู่กับการรู้ว่ามีสัตว์อยู่จำนวนเท่าไร เป็นเวลาหลายทศวรรษที่วิธีมาตรฐานยังคงเหมือนเดิม: บินต่ำเหนือภูมิทัศน์และนับสิ่งที่เห็น ปัญหาคือดวงตาของมนุษย์ในเครื่องบินที่กำลังเคลื่อนที่ไม่ค่อยเก่งในงานนี้
การสำรวจทางอากาศแบบดั้งเดิมและข้อจำกัด
การสำรวจสัตว์ป่าแบบดั้งเดิมทำงานดังนี้: ผู้สังเกตการณ์ที่ผ่านการฝึกอบรมเอนตัวออกจากเครื่องบินที่บินต่ำ (โดยทั่วไปสูง 60 ถึง 100 เมตรเหนือพื้นดิน) และนับสัตว์ภายในแถบที่กำหนดทั้งสองด้าน พวกเขาบันทึกชนิดพันธุ์ ขนาดกลุ่ม และตำแหน่งลงบนกระดาษหรือด้วยเครื่องบันทึกเสียง มักเป็นเวลา 6 ถึง 8 ชั่วโมงติดต่อกัน
ปัญหาได้รับการบันทึกไว้อย่างดี ความเหนื่อยล้าของผู้สังเกตการณ์เกิดขึ้นหลังจากชั่วโมงแรก และความแม่นยำลดลงอย่างต่อเนื่อง ผู้สังเกตการณ์ต่างคนที่นับแนวเดียวกันมักให้ผลลัพธ์ที่แตกต่างกัน 10 ถึง 30% สัตว์ในร่มเงา หลังพุ่มไม้ หรือในป่าที่มีแสงเงาด่างมักถูกมองข้าม สภาพอากาศ ความปั่นป่วน และระดับความสูงล้วนเพิ่มความแปรปรวน และการบินเองก็มีค่าใช้จ่ายสูงและอันตราย: การบินสำรวจที่ระดับความสูงต่ำเป็นหนึ่งในกิจกรรมที่มีความเสี่ยงสูงที่สุดในงานอนุรักษ์
AI เปลี่ยนการนับอย่างไร
การสำรวจทางอากาศที่ใช้ AI ช่วยเหลือพลิกขั้นตอนการทำงาน แทนที่จะพึ่งพาผู้สังเกตการณ์มนุษย์ในการค้นหาและนับสัตว์แบบเรียลไทม์ เครื่องบิน (หรือโดรน) จะถ่ายภาพความละเอียดสูงของพื้นที่สำรวจทั้งหมด บนพื้นดิน โมเดลตรวจจับจะสแกนทุกภาพและทำเครื่องหมายสัตว์แต่ละตัวที่พบ
โมเดลตรวจจับ ซึ่งโดยทั่วไปเป็นโครงข่ายประสาทเทียมแบบคอนโวลูชันเช่น RetinaNet ประมวลผลภาพในการสแกนเดียว มันระบุสัตว์ตามรูปร่าง ขนาด และความแตกต่างจากพื้นหลัง จากนั้นวางเครื่องหมายบนการตรวจจับแต่ละครั้งพร้อมคะแนนความเชื่อมั่น ผู้ตรวจสอบที่เป็นมนุษย์จะตรวจสอบภาพที่ถูกตั้งค่าสถานะและกรณีขอบ แต่การนับจำนวนมากจะถูกจัดการโดยอัตโนมัติ
งานวิจัยที่ตีพิมพ์ในการศึกษาประชากรสัตว์ของมหาวิทยาลัย Wageningen พบว่า RetinaNet ตรวจจับช้างได้ 95%, ยีราฟ 91%, และม้าลาย 90% เมื่อเทียบกับการระบุโดยผู้เชี่ยวชาญมนุษย์ พร้อมทั้งระบุสัตว์เพิ่มเติมอีก 2.8 ถึง 4.0% ที่ผู้ระบุมนุษย์มองข้ามไปโดยสิ้นเชิง โมเดลนี้สร้างผลบวกปลอมเพียง 1.6 ถึง 5.0 ต่อผลบวกจริงเท่านั้น
การศึกษาใน Frontiers in Conservation Science พบว่าวิธีที่ใช้ AI ช่วยสามารถลดค่าความคลาดเคลื่อนมาตรฐานของการประมาณประชากรได้ 31 ถึง 67% เมื่อเทียบกับวิธีแบบแมนนวล โดยมีศักยภาพในการเพิ่มความพยายามในการสุ่มตัวอย่าง 160 ถึง 1,050% ที่ต้นทุนเทียบเท่า นั่นหมายความว่าพื้นที่ที่สำรวจมากขึ้น บ่อยขึ้น ด้วยงบประมาณเท่าเดิม
ชนิดพันธุ์ใดที่ได้ผลดีที่สุด
ไม่ใช่ทุกชนิดพันธุ์ที่ AI จะนับจากอากาศได้ง่ายเท่ากัน ผลลัพธ์ที่ดีที่สุดมาจากสัตว์ที่มีขนาดใหญ่ สีสันเด่นชัด และพบในแหล่งที่อยู่อาศัยเปิดโล่ง
ช้าง วัว ม้าลาย และวิลเดอบีสต์เป็นตัวเลือกที่เหมาะสม ขนาดของพวกมันทำให้ตรวจจับได้ง่าย และทุ่งหญ้าสะวันนาเปิดโล่งให้ความแตกต่างที่ชัดเจน
นกฟลามิงโก เพนกวิน และอาณานิคมนกทะเลอยู่เป็นกลุ่มหนาแน่นที่มองเห็นได้บนพื้นดินเปิดโล่ง AI เก่งในการนับบุคคลหลายพันตัวในภาพเดียว
แมวน้ำ สิงโตทะเล และวอลรัสที่พักผ่อนบนแนวชายฝั่งสามารถมองเห็นได้ชัดเจนจากด้านบน การถ่ายภาพความร้อนเพิ่มช่องทางตรวจจับที่สอง
เจ้าของฟาร์มปศุสัตว์และผู้จัดการสัตว์ป่าใช้เทคนิคเดียวกันสำหรับวัว ม้า และกวางเรนเดียร์ในทุ่งหญ้าเปิดโล่ง
ข้อได้เปรียบด้านการตรวจสอบได้
หนึ่งในประโยชน์ที่ได้รับการยอมรับน้อยที่สุดของการสำรวจด้วยภาพถ่ายคือความถาวร การนับของผู้สังเกตการณ์แบบดั้งเดิมเป็นเพียงตัวเลขบนคลิปบอร์ด ไม่สามารถตรวจสอบซ้ำ ท้าทาย หรือปรับปรุงได้หลังจากบินแล้ว
ภาพถ่ายเป็นหลักฐานถาวร ทุกภาพที่ถ่ายระหว่างการสำรวจด้วย AI สามารถเก็บถาวร ตรวจสอบซ้ำโดยผู้ตรวจสอบคนอื่น และประมวลผลซ้ำหลายปีต่อมาด้วยอัลกอริทึมที่ดีขึ้น หากโมเดลใหม่แม่นยำกว่าปีที่แล้ว 5% คุณสามารถรันมันอีกครั้งบนภาพของปีที่แล้วและได้การประมาณทางประวัติศาสตร์ที่ดีขึ้นโดยไม่ต้องบินอีก
สิ่งนี้สร้างชุดข้อมูลที่เติบโตและปรับปรุงตามเวลา องค์กรอนุรักษ์เช่น Wild Me ได้สร้างแพลตฟอร์มโอเพนซอร์ส (เช่น Scout) ที่อนุญาตให้นักวิจัยทั่วโลกร่วมสนับสนุนและวิเคราะห์ภาพถ่ายทางอากาศอีกครั้ง ภาพถ่ายนั่นเองที่กลายเป็นบันทึกทางวิทยาศาสตร์ ไม่ใช่จำนวนนับที่ได้มาจากมัน
การนับด้วย AI ยังมีปัญหาตรงไหน
การนับทางอากาศด้วย AI มีพลังแต่ไม่ใช่สากล หลายสภาวะยังคงเป็นเรื่องยากอย่างแท้จริง
- พืชพรรณหนาแน่น - สัตว์ใต้ร่มไม้ทึบไม่สามารถมองเห็นได้ด้วยกล้องมาตรฐาน ช้างป่าและไพรเมตยังคงยากที่จะสำรวจจากอากาศ
- ชนิดพันธุ์ออกหากินกลางคืน - สิ่งมีชีวิตที่ออกหากินเฉพาะตอนกลางคืนต้องใช้การถ่ายภาพความร้อนหรืออินฟราเรด ซึ่งมีความละเอียดเชิงพื้นที่ต่ำกว่ากล้อง RGB กลางวัน
- สัตว์น้ำใต้ผิวน้ำ - สิ่งมีชีวิตทางทะเลใต้น้ำ เช่น โลมาหรือปลา ไม่สามารถตรวจจับได้อย่างน่าเชื่อถือจากภาพถ่ายทางอากาศ
- ชนิดพันธุ์ขนาดเล็กหรือพรางตัว - สัตว์ที่กลมกลืนกับสภาพแวดล้อม เช่น กระต่ายบนหญ้าแห้ง ผลักดันโมเดลตรวจจับจนถึงขีดจำกัด
- สภาพอากาศรุนแรง - เมฆ ฝน และลมแรงทำให้คุณภาพภาพลดลง และอาจทำให้การปฏิบัติงานของโดรนและเครื่องบินต้องหยุดลงโดยสิ้นเชิง
เริ่มต้นกับการนับสัตว์ป่าด้วย AI
- เลือกแพลตฟอร์มของคุณ- โดรนสำหรับผู้บริโภค (DJI Mavic หรือรุ่นใกล้เคียง) ใช้ได้สำหรับพื้นที่เล็ก; เครื่องบินมีนักบินหรือโดรนปีกตรึงครอบคลุมเขตอนุรักษ์ที่ใหญ่กว่า
- วางแผนตารางการบินของคุณ- ใช้การนำทางจุดอ้างอิงอัตโนมัติเพื่อให้แน่ใจว่าระดับความสูงสม่ำเสมอและครอบคลุมพื้นที่ทั้งหมดพร้อมการทับซ้อนของภาพ
- ถ่ายภาพในเวลาที่เหมาะสม- แสงตอนเช้าหรือบ่ายแก่ ๆ ลดเงาที่รุนแรง หลีกเลี่ยงเที่ยงวันเมื่อสัตว์หาร่มเงา
- ประมวลผลด้วยโมเดลตรวจจับ- อัปโหลดภาพไปยังแพลตฟอร์มนับด้วย AI ตัวเลือกโอเพนซอร์สรวมถึง Scout ของ Wild Me สำหรับการตรวจจับสัตว์ป่าโดยเฉพาะ
- ตรวจสอบการตรวจจับที่ถูกตั้งค่าสถานะ- ตรวจสอบเครื่องหมายที่มีความเชื่อมั่นต่ำและกรณีขอบด้วยตนเอง แนวทางผสมผสานนี้เพิ่มความแม่นยำสูงสุด
- เก็บถาวรทุกอย่าง- เก็บภาพต้นฉบับพร้อมกับข้อมูลการนับ อัลกอริทึมในอนาคตจะดึงคุณค่าเพิ่มเติมจากภาพถ่ายวันนี้
บทสรุป
การอนุรักษ์สัตว์ป่าขึ้นอยู่กับข้อมูลประชากรที่แม่นยำ และเป็นเวลาหลายทศวรรษที่เครื่องมือที่ดีที่สุดที่มีอยู่คือผู้สังเกตการณ์ที่เหนื่อยล้าในเครื่องบินที่มีเสียงดัง การนับทางอากาศที่ขับเคลื่อนด้วย AI ไม่ได้แทนที่ความเชี่ยวชาญของมนุษย์ในการอนุรักษ์ แต่มันขจัดคอขวดของการนับด้วยมือออกจากสมการ
ครั้งหน้าที่เขตอนุรักษ์ต้องการการประมาณประชากร คำตอบที่แม่นยำที่สุดจะมาจากกล้อง ไม่ใช่คลิปบอร์ด และต่างจากคลิปบอร์ด ภาพถ่ายเหล่านั้นจะยังคงมีประโยชน์อีกสิบปีข้างหน้า