Każdej wiosny śledzie rzeczne zamieszkujące wody przybrzeżne stanu Massachusetts wyruszają w podróż do swoich słodkowodnych siedlisk tarliskowych. Ich migracja, będąca krytycznym wydarzeniem ekologicznym, niestety na przestrzeni lat odnotowała niepokojący spadek liczebności populacji. Aby temu zaradzić, eksperci w całym regionie bacznie obserwują ich migrację, korzystając głównie z programów opartych na wolontariacie i tradycyjnych wizualnych metod liczenia.
Przemieszczanie się ryb i dynamika populacji mają kluczowe znaczenie dla opracowywania działań ochronnych i wspierania zarządzania rybołówstwem. Wraz z początkiem corocznego spływu śledzia, zadanie oszacowania i dokładnego policzenia migrującej populacji ryb staje się coraz bardziej uciążliwe zarówno dla badaczy, jak i zarządzających zasobami.
Aby zaspokoić tę potrzebę, naukowcy z renomowanych instytucji, takich jak Woodwell Climate Research Center, MIT Sea Grant, MIT CSAIL, MIT Lincoln Laboratory i Intuit, wybrali przełomowe metody. Kierowany przez Zhongqi Chena, Lindę Deegan, Roberta Vincenta, Kevina Bennetta, Sarę Beery, Timma Haucke, Austina Powella i Lydię Zuehsow, zespół opracował innowacyjną metodę wykorzystania podwodnego wideo i wizji komputerowej w celu wzmocnienia obywatelskich wysiłków naukowych. Te pionierskie badania zostały opublikowane w szanowanym czasopiśmie Teledetekcja w ekologii i ochronie przyrody.
Badanie zatytułowane “Od migawek do ciągłych szacunków: Rozszerzenie nauki obywatelskiej o wizję komputerową do monitorowania ryb,” analizuje, w jaki sposób postępy w wizji komputerowej i głębokim uczeniu się oferują wykonalne rozwiązania w zakresie automatyzacji liczenia ryb. Metody te unikają ograniczeń czasowych, warunków środowiskowych i pracochłonności występujących w tradycyjnych metodach monitorowania, obiecując zwiększoną wydajność i jakość danych.
Dążąc do zautomatyzowanego zliczania ryb, zespół opracował kompleksowy rurociąg - od podwodnych kamer w terenie po etykietowanie wideo i szkolenie modeli. Zebrano nagrania wideo z trzech rzek w Massachusetts, w szczególności z rzeki Coonamessett w Falmouth, rzeki Ipswich i rzeki Santuit w Mashpee. Następnie naukowcy skrupulatnie oznaczyli i opisali klatki tysięcy klipów wideo, aby wytrenować swój komputerowy model wizyjny.
Poprzez porównanie z przeglądami wideo dokonywanymi przez ludzi, liczeniami wizualnymi w strumieniu i danymi z pasywnego zintegrowanego transpondera (PIT), potwierdzono skuteczność komputerowego liczenia wizyjnego. Modele wyszkolone na bogatych danych z wielu miejsc i wielu lat działały najlepiej - zapewniając sezonowe zliczenia o wysokiej rozdzielczości zgodne z tradycyjnymi szacunkami. Co bardziej imponujące, system ujawnił wgląd w zachowania migracyjne, czas i wzorce ruchu związane z czynnikami środowiskowymi.
Te rewolucyjne badania mają na celu przesunięcie granicy wizji komputerowej w zarządzaniu rybołówstwem i ustanowienie ram dla włączenia technologii do wysiłków na rzecz ochrony gatunków wodnych. “Ta doskonała praca wykonana przez Zhongqi Chena i współpracowników zwiększy możliwości monitorowania rybołówstwa”, powiedział Robert Vincent. Oprócz tego ich praca wzmocni również edukację i szkolenia dla grup studenckich, społeczeństwa i obywatelskich grup naukowych, wzmacniając w ten sposób ważne dla środowiska i kultury populacje śledzia rzecznego wzdłuż naszych wybrzeży.
Pomimo tych postępów, przeważa potrzeba tradycyjnego monitorowania. Zapewni on spójność danych w długoterminowych zbiorach danych do czasu pełnego wdrożenia zautomatyzowanych systemów. Nawet wtedy wizja komputerowa i nauka obywatelska będą się wzajemnie uzupełniać. Naukowcy-obywatele będą odgrywać kluczową rolę, szczególnie w utrzymywaniu kamer i bezpośrednim przyczynianiu się do przepływu pracy w zakresie wizji komputerowej, obiecując kompleksowe podejście do monitorowania środowiska.
Badanie to było możliwe między innymi dzięki wsparciu finansowemu MIT Sea Grant. Dodatkowe szczegóły można znaleźć w oryginalnym artykule prasowym tutaj. Jeśli szukasz automatyzacji AI dla swojej organizacji, zapoznaj się z rozwiązaniami dostarczanymi przez implementi.ai.
Ta strona używa plików cookie.