Het gebied van dierecologie is het tijdperk van big data en het internet der dingen ingegaan. Er worden nu ongekende hoeveelheden gegevens verzameld over populaties wilde dieren, dankzij geavanceerde technologie zoals satellieten, drones en terrestrische apparaten zoals automatische camera's en sensoren die op dieren of in hun omgeving zijn geplaatst. Deze gegevens zijn zo gemakkelijk te verkrijgen en te delen geworden dat ze de afstanden en tijdsvereisten voor onderzoekers hebben verkort en de storende aanwezigheid van mensen in natuurlijke habitats tot een minimum hebben beperkt. Tegenwoordig zijn er verschillende AI-programma's beschikbaar om grote datasets te analyseren, maar deze zijn vaak algemeen van aard en niet geschikt om het exacte gedrag en uiterlijk van wilde dieren te observeren. Een team van wetenschappers van EPFL en andere universiteiten heeft een baanbrekende aanpak geschetst om dat probleem op te lossen en nauwkeurigere modellen te ontwikkelen door vooruitgang in computervisie te combineren met de expertise van ecologen. Hun bevindingen, die vandaag verschijnen in Nature Communications , openen nieuwe perspectieven op het gebruik van AI om diersoorten in het wild te helpen behouden.

Overkoepelende kennis opbouwen

Onderzoek naar dieren in het wild is van lokaal naar mondiaal gegaan. Moderne technologie biedt nu revolutionaire nieuwe manieren om nauwkeurigere schattingen te maken van de populaties wilde dieren, het gedrag van dieren beter te begrijpen, stroperij te bestrijden en de achteruitgang van de biodiversiteit een halt toe te roepen. Ecologen kunnen AI, en meer specifiek computervisie, gebruiken om belangrijke kenmerken uit afbeeldingen, video's en andere visuele vormen van gegevens te extraheren om snel diersoorten te classificeren, individuele dieren te tellen en bepaalde informatie te verzamelen met behulp van grote datasets. De generieke programma's die momenteel worden gebruikt om dergelijke gegevens te verwerken, werken vaak als zwarte dozen en maken geen gebruik van de volledige reikwijdte van de bestaande kennis over het dierenrijk. Bovendien zijn ze moeilijk aan te passen, hebben ze soms last van slechte kwaliteitscontrole en zijn ze mogelijk onderhevig aan ethische kwesties in verband met het gebruik van gevoelige gegevens. Ze bevatten ook verschillende vooroordelen, vooral regionale; Als bijvoorbeeld alle gegevens die worden gebruikt om een ​​bepaald programma te trainen in Europa zijn verzameld, is het programma mogelijk niet geschikt voor andere regio's in de wereld.

"We wilden meer onderzoekers interesseren voor dit onderwerp en hun inspanningen bundelen om vooruitgang te boeken op dit opkomende gebied. AI kan dienen als een belangrijke katalysator in natuuronderzoek en milieubescherming in het algemeen", zegt prof. Devis Tuia, het hoofd van EPFL's Environmental Computational Science and Earth Observation Laboratory en de hoofdauteur van de studie. Als computerwetenschappers de foutenmarge willen verkleinen van een AI-programma dat is getraind om bijvoorbeeld een bepaalde soort te herkennen, moeten ze kunnen putten uit de kennis van dierecologen. Deze experts kunnen specificeren welke kenmerken in het programma moeten worden meegenomen, zoals of een soort kan overleven op een bepaalde breedtegraad, of het cruciaal is voor het voortbestaan ​​van een andere soort (zoals door een roofdier-prooi-relatie) of dat de fysiologie van de soort verandert gedurende zijn levensduur. Zo kunnen nieuwe machine learning-algoritmen worden gebruikt om een ​​dier automatisch te identificeren. zoals het gebruik van het unieke streeppatroon van een zebra, of in video kan hun bewegingsdynamiek een identiteitskenmerk zijn", zegt prof. MackenzieMathis, hoofd van EPFL's Bertarelli Foundation Chair of Integrative Neuroscience en co-auteur van de studie. "Hier is waar de fusie van ecologie en machine learning is de sleutel:de veldbioloog heeft een enorme domeinkennis over dieren die worden bestudeerd, en het is ons als machine learning-onderzoekers de taak om met hen samen te werken om tools te bouwen om een ​​oplossing te vinden."

Bestaande initiatieven onder de aandacht brengen

Het idee om sterkere banden te smeden tussen computervisie en ecologie ontstond toen Tuia, Mathis en anderen de afgelopen twee jaar op verschillende conferenties hun onderzoeksuitdagingen bespraken. Ze zagen in dat een dergelijke samenwerking buitengewoon nuttig zou kunnen zijn om te voorkomen dat bepaalde diersoorten uitsterven. Er zijn al een handvol initiatieven in deze richting uitgerold; sommigen van hen worden vermeld in het artikel Nature Communications. Zo hebben Tuia en zijn team bij EPFL een programma ontwikkeld dat diersoorten kan herkennen op basis van dronebeelden. Het is onlangs getest op een zeehondenpopulatie. Ondertussen hebben Mathis en haar collega's een open-source softwarepakket onthuld, DeepLabCut genaamd, waarmee wetenschappers de houdingen van dieren met opmerkelijke nauwkeurigheid kunnen schatten en volgen. Het is al 300.000 keer gedownload. DeepLabCut is ontworpen voor proefdieren, maar kan ook voor andere diersoorten worden gebruikt. Onderzoekers van andere universiteiten hebben ook programma's ontwikkeld, maar het is moeilijk voor hen om hun ontdekkingen te delen omdat er op dit gebied nog geen echte gemeenschap is gevormd. Andere wetenschappers weten vaak niet dat deze programma's bestaan ​​of welke het beste zou zijn voor hun specifieke onderzoek.

Dat gezegd hebbende, zijn de eerste stappen naar een dergelijke community gezet via verschillende online fora. Het artikel over Nature Communications mikt echter op een breder publiek, bestaande uit onderzoekers van over de hele wereld. "Een gemeenschap krijgt gestaag vorm", zegt Tuia. "Tot nu toe hebben we mond-tot-mondreclame gebruikt om een ​​eerste netwerk op te bouwen. We zijn twee jaar geleden begonnen met de mensen die nu de andere hoofdauteurs van het artikel zijn:Benjamin Kellenberger, ook bij EPFL; Sara Beery bij Caltech in de VS; en Blair Costelloe aan het Max Planck Instituut in Duitsland."