Området djurekologi har gått in i big datas och Internet of Things. Oöverträffade mängder data samlas nu in om populationer av vilda djur, tack vare sofistikerad teknik som satelliter, drönare och markbundna enheter som automatiska kameror och sensorer placerade på djur eller i deras omgivningar. Dessa data har blivit så lätta att skaffa och dela att de har förkortat avstånd och tidskrav för forskare samtidigt som den störande närvaron av människor i naturliga livsmiljöer minimerats. Idag finns en mängd olika AI-program tillgängliga för att analysera stora datamängder, men de är ofta generella till sin natur och illa lämpade för att observera det exakta beteendet och utseendet hos vilda djur. Ett team av forskare från EPFL och andra universitet har skisserat ett banbrytande tillvägagångssätt för att lösa det problemet och utveckla mer exakta modeller genom att kombinera framsteg inom datorseende med ekologernas expertis. Deras resultat, som idag visas i Nature Communications , öppna upp nya perspektiv på användningen av AI för att hjälpa till att bevara vilda djurarter.

Uppbyggnad av tvärvetenskapligt kunnande

Viltforskningen har gått från lokal till global. Modern teknik erbjuder nu revolutionerande nya sätt att göra mer exakta uppskattningar av populationer av vilda djur, bättre förstå djurens beteende, bekämpa tjuvjakt och stoppa nedgången i biologisk mångfald. Ekologer kan använda AI, och mer specifikt datorseende, för att extrahera nyckelfunktioner från bilder, videor och andra visuella former av data för att snabbt klassificera vilda djurarter, räkna enskilda djur och samla in viss information med hjälp av stora datamängder. De generiska programmen som för närvarande används för att bearbeta sådan data fungerar ofta som svarta lådor och utnyttjar inte hela omfattningen av befintlig kunskap om djurriket. Dessutom är de svåra att anpassa, lider ibland av dålig kvalitetskontroll och är potentiellt föremål för etiska frågor relaterade till användningen av känslig data. De innehåller också flera fördomar, särskilt regionala; till exempel, om all data som användes för att träna ett visst program samlades in i Europa, kanske programmet inte är lämpligt för andra världsregioner.

"Vi ville få fler forskare intresserade av det här ämnet och slå samman sina ansträngningar för att gå vidare inom detta framväxande område. AI kan fungera som en nyckelkatalysator för forskning om vilda djur och miljöskydd mer allmänt", säger professor Devis Tuia, chefen från EPFL:s Environmental Computational Science and Earth Observation Laboratory och studiens huvudförfattare. Om datavetare vill minska felmarginalen för ett AI-program som till exempel har tränats för att känna igen en viss art, måste de kunna dra nytta av djurekologernas kunskap. Dessa experter kan specificera vilka egenskaper som ska inkluderas i programmet, till exempel om en art kan överleva på en given breddgrad, om det är avgörande för en annan arts överlevnad (som genom ett förhållande mellan rovdjur och byte) eller om artens fysiologi förändras under dess livstid. Till exempel kan nya maskininlärningsalgoritmer användas för att automatiskt identifiera ett djur. som att använda en zebras unika randmönster, eller i video kan deras rörelsedynamik vara en signatur för identitet." säger Prof. MackenzieMathis, chef för EPFL:s Bertarelli Foundation Chair of Integrative Neuroscience och medförfattare till studien. "Här är var sammanslagning av ekologi och maskininlärning är nyckeln:fältbiologen har enorma domänkunskaper om djur som studeras, och vi som maskininlärningsforskares uppgift är att arbeta med dem för att bygga verktyg för att hitta en lösning."

Föra ut ordet om befintliga initiativ

Idén att knyta starkare band mellan datorseende och ekologi dök upp när Tuia, Mathis och andra diskuterade sina forskningsutmaningar på olika konferenser under de senaste två åren. De såg att ett sådant samarbete kunde vara extremt användbart för att förhindra att vissa vilda djurarter dör ut. En handfull initiativ har redan rullats ut i denna riktning; några av dem är listade i Nature Communications-artikeln. Till exempel har Tuia och hans team på EPFL utvecklat ett program som kan känna igen djurarter baserat på drönarbilder. Den testades nyligen på en sälpopulation. Samtidigt har Mathis och hennes kollegor avslöjat ett mjukvarupaket med öppen källkod som heter DeepLabCut som gör det möjligt för forskare att uppskatta och spåra djurs poser med enastående noggrannhet. Den har redan laddats ner 300 000 gånger. DeepLabCut är designad för försöksdjur men kan användas för andra arter också. Forskare vid andra universitet har också utvecklat program, men det är svårt för dem att dela med sig av sina upptäckter eftersom det ännu inte har bildats någon egentlig gemenskap inom detta område. Andra forskare vet ofta inte att dessa program finns eller vilket som skulle vara bäst för deras specifika forskning.

Som sagt, de första stegen mot en sådan gemenskap har tagits genom olika onlineforum. Nature Communications-artikeln vänder sig dock till en bredare publik bestående av forskare från hela världen. "En gemenskap håller på att ta form hela tiden", säger Tuia. "Hittills har vi använt mun till mun för att bygga upp ett första nätverk. Vi började för två år sedan med de personer som nu är artikelns andra huvudförfattare:Benjamin Kellenberger, även han på EPFL; Sara Beery på Caltech i USA; och Blair Costelloe vid Max Planck Institute i Tyskland."