Вступление

Человеческая деятельность оказала огромное давление на естественные среды обитания по всему миру. Многим видам трудно выжить в эпоху изменения климата и деградации окружающей среды. Практики и исследователи в области сохранения биоразнообразия работают над тем, чтобы облегчить и обратить вспять эти процессы посредством мониторинга и защиты диких видов. Они все чаще используют передовые технологии для поддержки и оптимизации своей работы. Фотоловушки стали повсеместным инструментом для этих целей, и теперь машинное обучение предлагает дальнейшие улучшения за счет экспоненциального увеличения скорости классификации изображений дикой природы.

В рамках инициативы Appsilon Data Science AI for Good нам была предоставлена ​​возможность внести свой вклад в работу специалистов по сохранению биоразнообразия в Агентстве национальных парков в Габоне в сотрудничестве с экспертами из Университета Стерлинга. Мы с гордостью сообщаем, что будем использовать наши навыки компьютерного зрения в проекте, который недавно получил поддержку от фонда Google для образования. Читайте дальше, чтобы узнать больше о сохранении биоразнообразия с помощью ИИ и нашем проекте по защите дикой природы в Габоне.

Фотоловушки - возможности и проблемы

Технология фотоловушек (автоматизированная фотосъемка животных) становится все более доступной и доступной для защитников биоразнообразия и становится золотым стандартом для мониторинга многих неуловимых или редких наземных млекопитающих. Методы машинного обучения революционизируют анализ больших наборов данных с фотоловушек (которые часто содержат миллионы изображений) за счет автоматизации идентификации животных на фотографиях.

Габон в Центральной Африке является одним из последних убежищ для тропических лесных млекопитающих и является домом для 80% оставшихся в мире лесных слонов, находящихся под угрозой исчезновения, а также горилл, шимпанзе, панголинов, мандриллов и многих других. Фотоловушки используются на всей территории его 13 национальных парков для наблюдения за популяциями млекопитающих и для информирования органов управления земельными ресурсами на незащищенных территориях (например, для оценки экологического воздействия лесозаготовительных площадок или плантаций пальмового масла). Недавние повторные открытия пятнистой гиены и африканского льва в Габоне предполагают, что существует значительный потенциал для других открытий.

Недавний крупномасштабный проект мониторинга биоразнообразия в Габоне (сотрудничество между Агентством национальных парков Габона, Panthera Corp. и Университетом Стерлинга) выявил, что землеустроители и защитники окружающей среды все больше разочаровываются в скорости и сложности анализа камеры. данные ловушки, несмотря на значительные технологические достижения. Задержки могут иметь дорогостоящие последствия для находящихся под угрозой исчезновения видов, таких как слоны, если изменения в распределении, численности или структуре популяции (например, соотношение самцов и самок) остаются незамеченными в течение месяцев или даже лет. Камеры также могут обнаруживать незаконную деятельность (например, браконьеров из слоновой кости на охраняемых территориях), и крайне важно, чтобы эти события были обнаружены как можно скорее, чтобы проинформировать правоохранительные органы.

Существующие решения и их ограничения

Задача быстрой классификации больших наборов данных изображений описывалась и решалась как учеными, так и опытными практиками. Например, Норуззаде и др.. (2018) обнаружили, что методы глубокого обучения могут автоматизировать идентификацию животных для более 99% изображений дикой природы в наборе данных из экосистемы Серенгети на севере Танзании. Они показали, что автоматический, точный и недорогой сбор таких данных может помочь ускорить преобразование многих областей экологии, биологии дикой природы, зоологии, природоохранной биологии и поведения животных в науки о« больших данных ».

Табак и др.. (2018) обеспечивают дополнительную поддержку использования машинного обучения для классификации изображений дикой природы в контексте ограниченных ресурсов. Во-первых, они повторяют результаты Norouzzadeh et al. (2018) демонстрирует 98% точность модели классификации изображений, разработанной с использованием набора данных из США. Во-вторых, авторы показывают, что эту же модель можно успешно повторно использовать для выборочных наборов данных из Канады и Танзании. Это подтверждает идею разработки универсальной модели, которую можно было бы использовать в глобальном масштабе. В-третьих, они успешно запустили модель в автономном режиме на портативном компьютере.

Это быстро развивающаяся область исследований, и существуют другие решения, направленные на решение проблемы анализа огромных объемов данных, генерируемых с помощью фотоловушек. Несмотря на то, что они новы, они часто не принимают во внимание ограниченные ресурсы, доступные практикующим природоохранным организациям, не только в африканском контексте, но и в других регионах, где сохранение биоразнообразия недостаточно финансируется.

Например, Wildlife Insights - это новое облачное решение. Он использует методы глубокого обучения для автоматической классификации изображений дикой природы. Однако для этого необходим доступ к высокоскоростному Интернету, запатентованным системам управления данными и другим инструментам, которые являются дорогостоящими и требуют специальных знаний в области ИТ.

Решения, предоставленные такими учеными, как Табак и др. (2018) могут работать в автономном режиме на базовых машинах, однако они требуют значительного опыта в использовании инструментов анализа данных, таких как R и компьютерное программирование, и они не являются автономными приложениями. Это исключает их использование специалистами из других областей.

В целом, существующие инструменты обычно требуют от пользователей некоторых знаний компьютерного программирования и / или доступа к высокоскоростному интернет-соединению (например, для использования облачных платформ, таких как Zamba, Wildlife Insights или классификатор Марко Вилли). Это представляет собой серьезную проблему для многих защитников природы, которые редко имеют опыт компьютерного программирования и часто работают в отдаленных регионах с ограниченным доступом к Интернету или без него. Кроме того, в настоящее время инструменты машинного обучения в Африке сосредоточены на видах саванн, а они могут быть неподходящими для лесных видов. Чтобы экологи могли полностью использовать огромный потенциал фотоловушек для мониторинга, защиты и обнаружения видов, необходимы простые программные инструменты, которые могут реализовать передовые алгоритмы машинного обучения на базовом оборудовании без доступа в Интернет.

Подход Appsilon к решению проблемы

При разработке инициативы Искусственный интеллект во благо в Appsilon мы выступаем за исследовательский подход. Мой опыт работы в сфере международного развития заставил меня поверить в то, что многие техно-ориентированные решения, разработанные на Западе, не приносят ожидаемых результатов конечным пользователям за пределами этой демографической группы, потому что они не способны оценить более сложную реальность контекста, в котором они применяются. Дизайнеры стремятся решить проблему с помощью захватывающих технологических разработок, а не наоборот. Чтобы предотвратить повторение этой ошибки, мы привлекаем специалистов в соответствующих областях, где машинное обучение и другие передовые технологические решения могут помочь. С этой целью мы начали сотрудничество с доктором Робин Уайток и профессором Кэтрин Абернети, которые являются экспертами мирового уровня в области сохранения биоразнообразия, а Робин также является опытным практиком в области науки о данных.

Вместе мы решили интегрировать как новые, так и существующие алгоритмы машинного обучения в простые в установке и простые в использовании, с открытым исходным кодом программный инструмент, который может автоматически анализировать данные о фотоловушках без доступа в Интернет. Новые алгоритмы будут созданы с использованием недавно сопоставленной уникальной базы данных из 1,6 миллиона помеченных изображений, сделанных в Центральной Африке за последнее десятилетие. Первоначально проект будет сосредоточен на лесных видах Центральной Африки в Габоне, но также будет расширен, чтобы охватить всю лесную зону Центральной Африки.

С февраля 2018 года Робин работал в Агентстве национальных парков Габона, возглавляя крупномасштабную программу мониторинга биоразнообразия (финансируемую программой ЕС ECOFAC6), которая использует 200 фотоловушек для обследования популяций млекопитающих в Лоп é и Вака. Национальные парки (включая 7000 км2 сплошного леса). Целью этого проекта было создание потенциала для долгосрочного и тщательного с научной точки зрения мониторинга биоразнообразия как в национальных парках, так и в Агентстве национальных парков в целом. Доктор Уайток будет использовать опыт, полученный в результате работы с местными исследовательскими группами в Габоне в течение последних двух лет, чтобы помочь нам разработать и создать инструмент, который действительно будет полезен местным менеджерам по охране природы, которые имеют ограниченный доступ в Интернет и имеют только базовые компьютерные навыки, но которые все чаще используют фотоловушки для наблюдения за дикой природой в более крупных пространственных масштабах и в течение более длительных периодов времени.

Наш план

Вскоре мы проведем интенсивный Sprint, чтобы создать пилотную версию решения, которая будет доступна для ОС Windows и будет отвечать основным требованиям специалистов по охране окружающей среды, работающих в Габоне. Мы профинансируем этот MVP за счет собственных средств в рамках нашей инициативы AI for Good и кредитов Google Cloud Platform, предоставленных профессору Абернети фондом Google for Education. Мы будем использовать кредиты для обучения нашей модели машинного обучения.

В дополнение к этому MVP мы хотели бы создать полностью многоплатформенное решение с открытым исходным кодом для классификации изображений дикой природы, которое будет доступно во всем мире. В случае успеха MVP мы планируем запустить масштабный проект во второй половине этого года.

Обязательно посетите наш блог в ближайшие недели, так как мы будем публиковать обновления о нашем прогрессе. Эти обновления будут включать более техническое обсуждение методов, которые мы используем для создания модели и приложения машинного зрения, включая подход к дизайну UX / UI, который должен позволить нам удовлетворить потребности нетехнических исследователей биоразнообразия.

А пока, если вы хотите узнать о моделях классификации изображений в контексте сохранения дикой природы, ознакомьтесь с записью в блоге нашего технического директора Марека Рогала о нашем недавнем участии в Конкурсе данных Hakuna-ma, организованном DrivenData, в котором участникам задавали вопросы создать алгоритм обнаружения диких животных, который будет хорошо обобщаться во времени и в разных местах.

Спасибо за прочтение! Чтобы узнать больше, ознакомьтесь с другими моими статьями здесь и подпишитесь на меня в LinkedIn и Twitter.

Содержание этого сообщения в блоге было разработано при значительной поддержке доктора Робина Уайтока.