Биологи-экологи находят новые применения инструментам ИИ

Автоматические камеры и другие датчики, размещаемые в дикой природе, меняют способы мониторинга естественных экосистем и популяций животных. Эти технологии собирают огромные массивы данных, и экологи всё чаще обращаются к инструментам искусственного интеллекта (ИИ) для их обработки.

В частности, метод машинного обучения «глубокое обучение» (deep learning), уже широко используемый в распознавании лиц, изображений и речи, теперь применяется экологами для анализа изображений, видео и аудиозаписей — от африканских слонов до водных насекомых.

Биологи Дональд Кролл и Берни Терши из Лаборатории природоохранных действий (Conservation Action Lab) в UC Santa Cruz используют глубокое обучение в работе по сохранению морских птиц. Они начали с разработки акустических технологий для мониторинга популяций птиц, что переросло в создание компании Conservation Metrics, предоставляющей услуги по мониторингу дикой природы.

«Мы хотим повысить эффективность природоохранного мониторинга, — говорит профессор экологии и эволюционной биологии Дональд Кролл. — Проведение долгосрочного мониторинга после вмешательств, например, удаления инвазивных видов с острова, — дорого. Инструменты ИИ могут помочь автоматизировать этот процесс».

Автоматические акустические датчики могут записывать звуки на местах гнездования неделями или месяцами. Затем в тысячах часов записей нужно найти крики интересующих видов. Изначально исследователи использовали традиционные инструменты сопоставления шаблонов, но машинное обучение оказалось гораздо более мощным подходом.

«Наша производительность значительно улучшилась с применением методов глубокого обучения», — отмечает соучредитель и CEO Conservation Metrics Мэтью МакКоун.

Проекты компании включают исследования лесных слонов и редких летучих мышей в Африке, мониторинг исчезающих мраморных пыжиков в старовозрастных лесах секвойи, а также проект на Гавайях по обнаружению столкновений птиц с линиями электропередач. Компания также начинает выходить за рамки акустического мониторинга, например, в проекте с исследователями из Duke University по подсчёту оливковых ридлей с помощью изображений с дронов на пляжах Коста-Рики.

«Когда мы начинали, мы были одними из немногих, кто применял машинное обучение к данным природоохранного мониторинга. Сейчас это направление взрывообразно растёт», — говорит МакКоун.

Долгосрочный мониторинг

В UC Santa Cruz исследователи разрабатывают и применяют методы машинного обучения в различных природоохранных проектах.

Профессор экологии Питер Раймонди оценивает потенциал ИИ для помощи в долгосрочном мониторинге прибрежных экосистем. Почти 30 лет он курирует исследования литорали вдоль западного побережья Северной Америки. Традиционный подход требует от групп исследователей кропотливого подсчёта видов на сетке точек.

«Всегда оставался вопрос, фиксируем ли мы всё разнообразие, изучая лишь часть общей площади, — говорит Раймонди. — Теперь мы начинаем использовать дроны для аэрофотосъёмки этих участков, чтобы попытаться обучить алгоритм идентифицировать виды на изображениях».

Процесс начинается с аэрофотоснимков уже изученных участков. Эти данные используются для обучения алгоритма глубокого обучения. Для этого итеративного процесса нужно много данных, но если алгоритм будет достаточно точным, дроны смогут обследовать гораздо большие площади, чем это возможно при работе «в поле».

«У этого есть реальный потенциал, — считает Раймонди. — Алгоритмы плохо работают, если применять их слишком широко. Нельзя обучить модель на данных с Центрального побережья и использовать её в Орегоне — нужна локальная калибровка. Поэтому люди, работающие на земле, всегда будут нужны, но многое можно автоматизировать».

Аспирант Росс Дэвисон также использует аэрофотоснимки с дронов и машинное обучение в исследованиях прибрежных водно-болотных угодий.

«Алгоритмы достаточно надёжны для картирования растительности и затопления, — говорит он. — Мы надеемся использовать их для оценки биомассы, определения видов и даже оценки здоровья растений».

По мере изменения экосистем из-за климатических изменений возможность быстрого сбора такой информации будет становиться всё важнее для разработки стратегий управления. Комбинация аэрофотосъёмки и машинного обучения может сэкономить много времени и усилий.

Не панацея

МакКоун часто слышит от полевых биологов вопрос, не пытается ли он заменить их технологиями, но полевая работа остаётся важной частью процесса.

«Это не панацея. Как и любой инструмент, его нужно правильно встроить в проект. У нас всегда в цикле присутствует человек-аналитик, который проверяет предсказания компьютера, чтобы понимать, как он работает», — объясняет он.

Диапазон потенциальных применений постоянно расширяется. Аспирант по компьютерной инженерии Эндрю Порт работал с природоохранной организацией Rare над проектом по устойчивому рыболовству в Центральной Америке. Задача — сертифицировать происхождение рыбы, чтобы гарантировать, что она выловлена в соответствии с соглашениями по защите определённых зон. Рыбаки утверждают, что могут определить место вылова по внешнему виду рыбы, и исследования показывают, что у некоторых видов действительно есть небольшие различия в форме в зависимости от участка рифа.

«Проблема заключалась в разработке автоматизированной системы, например, мобильного приложения, которое было бы так же хорошо, как интуиция рыбаков», — говорит Порт.

Порт также сотрудничает с аспирантом UCSC Николасом Масиасом, который размещает в реках камеры для мониторинга насекомых, дрейфующих по течению. Цель — измерить доступность добычи для рыб и её изменения во времени. Система может делать 30 000 снимков в час — именно тот тип задач по анализу данных, с которым может помочь ИИ.

Работа Порта в лаборатории компьютерного зрения профессора Роберто Мандучи была сосредоточена на вспомогательных технологиях для людей с нарушениями зрения. Его связь с Rare появилась благодаря Викраму Сахаю, попечителю фонда UCSC, ранее 15 лет проработавшему в Google.

«Я ушёл с идеей заниматься такими проектами, где могу использовать свой опыт в области больших данных и машинного обучения, чтобы помогать природоохранным организациям, — говорит Сахай. — Часто практики в поле не знают, что может сделать для них технология, а я не знаю, какие проблемы им нужно решить».

Сахай также является советником платформы Wildlife Insights для обработки изображений с фотоловушек, разработанной при участии Google, Conservation International и других организаций. Программа Microsoft AI for Earth также предоставляет облачные сервисы и инструменты ИИ для решения глобальных экологических проблем (Conservation Metrics входит в число финансируемых ею групп).

«В сфере охраны природы стоимость камер снижается, а с глубоким обучением мы лучше обрабатываем изображения и видео. Теперь стало относительно дёшево развертывать множество фотоловушек и обрабатывать данные с помощью машинного обучения, — объясняет Сахай. — Обработка автоматизируется, а данные оказываются в облаке, что позволяет делиться ими с другими исследователями».

В UC Santa Cruz исследователи применяют инструменты ИИ в областях от астрономии до геномики. Но Порт отмечает высокий интерес со стороны экологов.

«Я заметил реальный спрос со стороны экологического сообщества, потому что у них так много задач мониторинга, для которых эти модели идеально подходят», — говорит он.

Профессор астрономии Ксавье Прохаска стал соучредителем общеуниверситетской Инициативы по прикладному искусственному интеллекту (Applied Artificial Intelligence Initiative), чтобы объединить преподавателей и студентов, работающих с ИИ во всех подразделениях.

«Ключевая цель — наладить междисциплинарный диалог и обмен идеями. Машинное обучение — быстро развивающаяся область, и создание междисциплинарного сообщества поможет нам оставаться на переднем крае», — говорит Прохаска.