Искусственный интеллект ускоряет экологические исследования

Ученые из EPFL, Королевского Нидерландского института морских исследований (NIOZ) и Вагенингенского университета (WUR) разработали новую модель глубокого обучения для подсчета тюленей на аэрофотоснимках. Этот метод значительно быстрее ручного подсчета и позволяет сэкономить ценные время и ресурсы для изучения и защиты исчезающих видов.

Экологи десятилетиями отслеживают популяции тюленей, создавая обширные архивы аэрофотоснимков. Подсчет животных на этих фотографиях требует многих часов кропотливой ручной работы.

Междисциплинарная команда исследователей предложила более эффективный подход. В исследовании, опубликованном в Scientific Reports, они использовали модель глубокого обучения для подсчета тюленей в архивных фотографиях. Их метод может обработать 100 изображений менее чем за минуту, в то время как эксперту на это потребуется час.

Без необходимости разметки

Обычно модели глубокого обучения в экологии сначала обучают обнаруживать отдельные объекты, а затем их подсчитывают. Такой подход требует трудоемкой предварительной разметки (аннотирования) каждого объекта на изображениях для обучения.

Новый метод устраняет эту необходимость. Для обучения требуется только общее количество животных на снимке, что радикально ускоряет процесс. Метод применим для подсчета любых объектов или отдельных животных и позволяет проанализировать не только новые фото, но и архивные снимки, обработка которых ранее была невозможна из-за нехватки времени. Это десятилетия данных, которые могут дать важную информацию об изменении численности популяций с течением времени.

От макро- до микрообъектов

Внешний вид тюленей на аэроснимках может сильно различаться в зависимости от высоты и угла съемки. Исследователи оценили устойчивость своей модели к таким вариациям.

Кроме того, чтобы продемонстрировать универсальность модели, ученые протестировали ее на принципиально другом наборе данных микроскопического масштаба — изображениях микроскопических годичных колец на костях рыб, называемых отолитами. Эти структуры из карбоната кальция расположены позади мозга рыбы.

Модель обучили подсчитывать видимые на изображениях суточные кольца роста, по которым оценивают возраст рыбы. Такие кольца крайне сложно аннотировать вручную. Оказалось, что модель имеет примерно такую же погрешность, что и ручные методы, но обрабатывает 100 изображений менее чем за минуту, тогда как эксперту потребовалось бы три часа.

Следующий шаг

Следующим шагом станет применение аналогичных подходов к спутниковым снимкам труднодоступных арктических регионов, где обитают несколько популяций тюленей из Красного списка Международного союза охраны природы (МСОП).

«Мы планируем использовать этот подход для изучения исчезающих видов в этой удаленной части мира, где температура растет в два раза быстрее, чем в других местах на планете, — говорит Девис Туя. — Знание мест концентрации животных необходимо для защиты этих часто находящихся под угрозой видов».