Jedes Frühjahr machen sich die in den Küstengewässern von Massachusetts lebenden Flussheringe auf den Weg zu ihren Süßwasserlaichgebieten. Ihre Wanderung, die ökologisch von entscheidender Bedeutung ist, hat leider im Laufe der Jahre zu einem beunruhigenden Rückgang der Populationen geführt. Um dem entgegenzuwirken, beobachten Experten in der gesamten Region die Wanderungen mit Hilfe von Programmen, die meist auf Freiwilligenbasis durchgeführt werden, und traditionellen visuellen Zählmethoden.
Die Fischbewegungen und die Populationsdynamik sind für die Erarbeitung von Erhaltungsmaßnahmen und die Unterstützung des Fischereimanagements von größter Bedeutung. Mit dem Beginn der jährlichen Heringswanderung wird es für Forscher und Ressourcenmanager immer schwieriger, den wandernden Fischbestand zu schätzen und genau zu zählen.
Um dieses Bedürfnis zu befriedigen, wählten Forscher aus renommierten Institutionen wie dem Woodwell Climate Research Center, MIT Sea Grant, MIT CSAIL, MIT Lincoln Laboratory und Intuit bahnbrechende Methoden. Unter der Leitung von Zhongqi Chen, Linda Deegan, Robert Vincent, Kevin Bennett, Sara Beery, Timm Haucke, Austin Powell und Lydia Zuehsow entwickelte das Team eine innovative Methode zur Nutzung von Unterwasservideos und Computervision zur Unterstützung der Bürgerwissenschaften. Diese bahnbrechende Forschung wurde in der angesehenen Zeitschrift Fernerkundung in Ökologie und Naturschutz.
Die Untersuchung mit dem Titel “Von Schnappschüssen zu kontinuierlichen Schätzungen: Ergänzung der Bürgerwissenschaft durch Computer Vision für die Fischüberwachung,Die Studie zeigt auf, wie Fortschritte in der Computer Vision und im Deep Learning praktikable Lösungen für die Automatisierung der Fischzählung bieten. Diese Methoden umgehen die Einschränkungen hinsichtlich Zeit, Umweltbedingungen und Arbeitsintensität, die bei herkömmlichen Überwachungsmethoden bestehen, und versprechen eine höhere Effizienz und Datenqualität.
In ihrem Bestreben, eine automatische Fischzählung zu erreichen, entwickelte das Team eine durchgängige Pipeline - von den Unterwasserkameras vor Ort über die Videobeschriftung bis hin zum Modelltraining. Sie sammelten Videos aus drei Flüssen in Massachusetts, insbesondere aus dem Coonamessett River in Falmouth, dem Ipswich River und dem Santuit River in Mashpee. Anschließend beschrifteten und kommentierten die Forscher in mühevoller Kleinarbeit die Bilder von Tausenden von Videoclips, um ihr Computer-Vision-Modell zu trainieren.
Durch den Vergleich mit menschlichen Videobewertungen, visuellen Zählungen am Fluss und Daten aus der passiven integrierten Transpondermarkierung (PIT) wurde die Wirksamkeit der Computer-Vision-Zählungen bestätigt. Modelle, die auf umfangreichen Daten mehrerer Standorte und mehrerer Jahre trainiert wurden, schnitten am besten ab und lieferten saisonale, hochauflösende Zählungen, die mit traditionellen Schätzungen übereinstimmen. Noch beeindruckender war, dass das System Einblicke in das Migrationsverhalten, den Zeitplan und die Bewegungsmuster in Verbindung mit Umweltfaktoren lieferte.
Diese bahnbrechende Forschungsarbeit zielt darauf ab, die Grenzen der Computer Vision im Fischereimanagement zu erweitern und einen Rahmen für die Einbeziehung der Technologie in die Bemühungen um die Erhaltung der aquatischen Arten zu schaffen. “Diese hervorragende Arbeit von Zhongqi Chen und Kollegen wird die Möglichkeiten der Fischereiüberwachung verbessern”, so Robert Vincent. Darüber hinaus wird ihre Arbeit auch die Ausbildung und Schulung von Studentengruppen, der Öffentlichkeit und von Bürgerwissenschaftlern fördern und damit die ökologisch und kulturell wichtigen Flussheringsbestände an unseren Küsten stärken.
Trotz dieser Fortschritte bleibt die Notwendigkeit der traditionellen Überwachung bestehen. Sie wird die Datenkonsistenz in langfristigen Datensätzen sicherstellen, bis automatisierte Systeme vollständig eingeführt sind. Selbst dann werden sich Computer Vision und Citizen Science gegenseitig ergänzen. Bürgerwissenschaftler werden vor allem bei der Wartung von Kameras und der direkten Mitwirkung am Computer-Vision-Workflow eine zentrale Rolle spielen, was einen umfassenden Ansatz für die Umweltüberwachung verspricht.
Diese Studie wurde unter anderem durch die finanzielle Unterstützung des MIT Sea Grant ermöglicht. Weitere Einzelheiten finden Sie in dem ursprünglichen Nachrichtenartikel hier. Wenn Sie auf der Suche nach KI-Automatisierung für Ihr Unternehmen sind, sollten Sie einen Blick auf die Lösungen von implementi.ai.
Diese Website verwendet Cookies.