Ang isang tagamasid na tao sa lumilipad na eroplano ay nakakalampas ng humigit-kumulang 1 sa bawat 10 elepante. Ang algorithm ay hindi napapagod.
Ang mga survey ng populasyon ng hayop-gubat ang pundasyon ng konserbasyon. Bawat desisyon sa pamamahala, mula sa mga ruta ng patrol laban sa pangongotong hanggang sa mga badyet ng proteksyon ng habitat, ay nakadepende sa kaalaman kung ilan ang mga hayop na naroon. Sa loob ng ilang dekada, ang karaniwang paraan ay pareho pa rin: lumipad nang mababa sa ibabaw ng tanawin at bilangin ang nakikita. Ang problema ay hindi gaanong magaling ang mata ng tao sa lumilipad na eroplano sa gawaing ito.
Ang tradisyonal na aerial survey at mga limitasyon nito
Ang karaniwang survey ng hayop-gubat ay gumagana nang ganito: ang mga sinanay na tagamasid ay yumuyuko mula sa mababang-lipad na eroplano (karaniwang 60 hanggang 100 metro sa itaas ng lupa) at nagbibilang ng mga hayop sa loob ng isang tinukoy na strip sa magkabilang panig. Tinatala nila ang mga species, laki ng grupo, at mga lokasyon sa papel o gamit ang voice recorder, madalas sa loob ng 6 hanggang 8 oras nang tuloy-tuloy.
Ang mga problema ay maayos nang naidokumento. Ang pagkapagod ng tagamasid ay nagsisimula pagkatapos ng unang oras, at ang katumpakan ay patuloy na bumababa. Iba't ibang tagamasid na nagbibilang ng parehong transect ay regular na nagpo-produce ng mga bilang na nagkakaiba ng 10 hanggang 30%. Ang mga hayop sa lilim, sa likod ng mga palumpong, o sa tinatawag na dappled woodland ay madalas na nakakalampas. Ang panahon, turbulensi, at altitude ay nagdaragdag ng karagdagang variability. At ang mga flight mismo ay mahal at mapanganib: ang mababang-altitude na survey flying ay isa sa mga pinakamataas na panganib na aktibidad sa konserbasyon.
Paano binabago ng AI ang pagbilang
Ang mga aerial survey na tinutulungan ng AI ay binabaligtad ang workflow. Sa halip na umasa sa mga tagamasid na tao upang makita at bilangin ang mga hayop sa real time, ang eroplano (o drone) ay kumukuha ng mga high-resolution na larawan ng buong survey area. Sa lupa, isang detection model ang nag-i-scan ng bawat imahe at nagma-mark ng bawat hayop na natagpuan nito.
Ang detection model, karaniwang isang convolutional neural network tulad ng RetinaNet, ay nagpo-proseso ng mga imahe sa isang pass. Kinikilala nito ang mga hayop sa pamamagitan ng hugis, laki, at contrast laban sa background, pagkatapos ay naglalagay ng marker sa bawat detection na may confidence score. Sinusuri ng isang human reviewer ang mga naka-flag na imahe at mga edge case, ngunit ang bulk counting ay awtomatikong pinoproseso.
Natuklasan ng pananaliksik na inilathala sa mga pag-aaral ng populasyon ng hayop ng Wageningen University na nakita ng RetinaNet ang 95% ng mga elepante, 91% ng mga giraffe, at 90% ng mga zebra kumpara sa expert na human annotation, habang wastong kinikilala ang karagdagang 2.8 hanggang 4.0% ng mga hayop na ganap na nakalampas sa mga human annotator. Ang modelo ay nagprodyus lamang ng 1.6 hanggang 5.0 false positive bawat true positive.
Natuklasan ng isang pag-aaral ng Frontiers in Conservation Science na ang mga pamamaraang tinutulungan ng AI ay maaaring magbawas ng standard error ng population estimate ng 31 hanggang 67% kumpara sa mga manual na pamamaraan, na may potensyal para sa pagtaas ng sampling effort ng 160 hanggang 1,050% sa katumbas na halaga. Ibig sabihin, mas malaking lugar ang sine-survey, mas madalas, sa parehong badyet.
Aling mga species ang pinakamahusay
Hindi lahat ng species ay pare-parehong madali para sa AI na bilangin mula sa ere. Ang pinakamagagandang resulta ay nagmumula sa mga hayop na malaki, may kakaibang kulay, at matatagpuan sa bukas na mga habitat.
Ang mga elepante, baka, zebra, at wildebeest ay mga ideal na kandidato. Ang kanilang laki ay nagpapadali sa detection, at ang bukas na savanna ay nagbibigay ng malakas na contrast.
Ang mga flamingo, penguin, at mga kolonya ng seabird ay nakaupo sa mga makakapal at nakikitang grupo sa bukas na lupa. Ang AI ay mahusay sa pagbilang ng libu-libong indibidwal sa isang imahe.
Ang mga seal, sea lion, at walrus na nakasilong sa dalampasigan ay malinaw na nakikita mula sa itaas. Ang thermal imaging ay nagdaragdag ng pangalawang channel ng detection.
Ang mga rantsero at mga tagapamahala ng hayop-gubat ay gumagamit ng kaparehong mga teknik para sa baka, kabayo, at reindeer sa bukas na rangeland.
Ang bentahe ng auditability
Isa sa mga pinaka hindi napapansing benepisyo ng mga survey na batay sa larawan ay ang permanensya. Ang tradisyonal na bilang ng tagamasid ay isang numero sa clipboard. Hindi ito maaaring suriin muli, hamunin, o pagbutihin pagkatapos ng flight.
Ang larawan ay permanenteng ebidensya. Bawat imaheng nakuha sa panahon ng isang AI survey ay maaaring i-archive, suriin muli ng iba't ibang reviewer, at i-proseso muli pagkalipas ng mga taon gamit ang mas mahuhusay na algorithm. Kung ang isang bagong modelo ay 5% na mas tumpak kaysa sa nakaraang taon, maaari mo itong patakbuhin muli sa mga imahe ng nakaraang taon at makakuha ng mas mahusay na historical estimate nang hindi na kailangang lumipad muli.
Lumilikha ito ng lumalaking dataset na bumubuti sa paglipas ng panahon. Ang mga organisasyon ng konserbasyon tulad ng Wild Me ay nagtayo ng mga open-source na platform (tulad ng Scout) na nagpapahintulot sa mga mananaliksik sa buong mundo na mag-ambag at muling suriin ang aerial imagery. Ang larawan mismo ang nagiging scientific record, hindi ang bilang na nakuha mula rito.
Saan pa rin nahihirapan ang pagbilang ng AI
Ang aerial counting gamit ang AI ay makapangyarihan ngunit hindi unibersal. May ilang kondisyon na nananatiling tunay na mahirap.
- Makapal na halaman - Ang mga hayop sa ilalim ng makapal na tree canopy ay hindi nakikita ng mga karaniwang kamera. Ang mga forest elephant at primate ay mahirap pa ring i-survey mula sa ere.
- Mga nocturnal na species - Ang mga nilalang na aktibo lamang sa gabi ay nangangailangan ng thermal o infrared imaging, na may mas mababang spatial resolution kaysa sa mga daytime RGB camera.
- Mga aquatic na hayop sa ilalim ng ibabaw - Ang mga marine species sa ilalim ng tubig, tulad ng mga dolphin o isda, ay hindi mapagkakatiwalaang ma-detect mula sa mga aerial photograph.
- Maliliit o nakakamouflage na species - Ang mga hayop na nakikihalubilo sa kanilang kapaligiran, tulad ng mga kuneho sa tuyong damo, ay nagtutulak sa mga detection model hanggang sa kanilang limitasyon.
- Matinding panahon - Ang ulap, ulan, at malakas na hangin ay nagpapababa ng kalidad ng imahe at maaaring magpa-ground ng mga operasyon ng drone at eroplano nang ganap.
Pagsisimula sa pagbilang ng hayop-gubat gamit ang AI
- Piliin ang iyong platform- Ang consumer drone (DJI Mavic o katulad) ay gumagana para sa maliliit na lugar; ang manned aircraft o fixed-wing drone ay sumasaklaw sa mas malalaking reserve.
- Planuhin ang iyong flight grid- Gumamit ng automated waypoint navigation upang matiyak ang pare-parehong altitude at buong area coverage na may image overlap.
- Kumuha ng larawan sa tamang oras- Ang liwanag sa maagang umaga o huli ng hapon ay nagbabawas ng matitinding anino. Iwasan ang tanghali kapag ang mga hayop ay naghahanap ng lilim.
- I-proseso gamit ang detection model- I-upload ang mga imahe sa isang AI counting platform. Kasama sa mga open-source na opsyon ang Scout ng Wild Me para sa wildlife-specific detection.
- Suriin ang mga naka-flag na detection- Suriin nang manu-mano ang mga low-confidence marker at edge case. Ang hybrid na pamamaraang ito ay nagpapakinabang sa katumpakan.
- I-archive ang lahat- Itago ang mga orihinal na imahe kasama ng count data. Ang mga algorithm sa hinaharap ay magku-kuha ng mas maraming halaga mula sa mga larawang kinunan ngayon.
Ang konklusyon
Ang konserbasyon ng hayop-gubat ay nakadepende sa tumpak na data ng populasyon, at sa loob ng ilang dekada ang pinakamagandang tool na magagamit ay isang pagod na tagamasid sa maingay na eroplano. Ang aerial counting na pinapagana ng AI ay hindi pumapalit sa human expertise sa konserbasyon, ngunit inaalis nito ang bottleneck ng manual counting mula sa equation.
Sa susunod na kailangan ng isang reserve ng population estimate, ang pinakatumpak na sagot ay magmumula sa isang kamera, hindi sa isang clipboard. At hindi tulad ng clipboard, ang mga larawan ay magiging kapaki-pakinabang pa rin isang dekada mula ngayon.