Aprendizaje profundo, reconocimiento facial y osos: los investigadores adoptan un enfoque de alta tecnología para monitorear la vida silvestre
Imagen: Melanie Clapham
Los algoritmos informáticos están desempeñando un papel cada vez más importante en la investigación científica y los esfuerzos de conservación en todo el mundo; esto incluye los esfuerzos para mitigar los incendios forestales para ayudar a los geofísicos a comprender la actividad sísmica de deslizamiento lento. Como parte del proyecto BearID, los investigadores de la Columbia Británica utilizan el aprendizaje profundo y el reconocimiento facial para monitorear las poblaciones de osos pardos. Hablamos con la Dra. Melanie Clapham, becaria postdoctoral en la Universidad de Victoria, codirectora del proyecto BearID y científica conservacionista, que ha estado estudiando a los osos pardos en la costa oeste de la Columbia Británica desde 2009.
Cambio climático y comportamiento de la vida silvestre
El cambio climático está afectando negativamente al oeste de Canadá de varias maneras, desde el calor extremo y las inundaciones hasta el cambio del hábitat de la vida silvestre. En particular, las poblaciones de salmón, un alimento básico para los osos de la región, han disminuido significativamente en los últimos años. La disminución de estos recursos alimentarios puede ser responsable de la actividad y el comportamiento inusuales de los osos en la región.
«Estamos viendo grizzlies mudarse a áreas donde quizás no hayan vivido o vivido antes. Hay [are] Hay varias razones potenciales diferentes para esto, pero una de las hipótesis que se están dando es que está relacionado con la falta de disponibilidad de alimentos, específicamente una reducción en el retorno del salmón», dijo Clapham.
«Esto puede crear una dinámica interesante entre los humanos y la vida silvestre cuando los grandes depredadores se trasladan a áreas en las que las personas podrían no estar acostumbradas a vivir a su alrededor», dijo Clapham.
Clapham describió numerosos casos de osos pardos que atravesaban las vías fluviales entre la isla de Vancouver y el continente.
«Probablemente lo hacen todo el tiempo, pero no tenemos una población de osos pardos residentes en la isla de Vancouver», dijo Clapham.
mirar: Internet de la vida silvestre: la tecnología y la lucha contra la pérdida de biodiversidad y el cambio climático (Artículo de portada PDF) (República tecnológica)
Imagen: Melanie Clapham
El proyecto BearID se enfoca en monitorear las poblaciones de osos para comprender estos cambios de comportamiento relacionados con la disminución de los recursos alimentarios, el cambio climático, la coexistencia con humanos en el área y más. Con ese fin, como explica Clapham, su investigación implica estudiar el comportamiento social de los osos pardos e identificar osos individuales a lo largo del tiempo.
«Paso mucho tiempo mirando osos individuales, estudiando las diferencias entre ellos, conociendo a los individuos para poder identificar osos individuales, pero hay algunos osos que entran en la población que no conocemos y podemos». No me identifico fácilmente», dijo Clapham.
Identificar osos usando reconocimiento facial
Al igual que los humanos cambian con el tiempo, explicó Clapham, los osos también cambian de apariencia con las estaciones y los años. Históricamente, las cámaras trampa han jugado un papel central en la identificación y análisis de osos y otras especies. Cuando un animal deambula por un área, la cámara se activa para recopilar imágenes y/o videos. Los investigadores necesitan analizar la foto, y esta identificación manual puede ser una tarea que requiere mucho tiempo, explicó Clapham.
«Tradicionalmente, tendrías un investigador sentado frente a una computadora que tiene que revisar cada foto o cada video para ver si hay algo digno de mención en la imagen, por lo que cualquier especie, o cualquier cosa que deba documentarse. Obviamente, va tomar mucho tiempo».
«[Automation] permitirá a los científicos dedicar más tiempo a los datos reales en sí mismos y a hacer y resolver preguntas de investigación, en lugar de pasar meses o incluso un año simplemente navegando y filtrando las lagunas del metraje recopilado. «
El proyecto BearID utiliza aprendizaje profundo y reconocimiento facial para ayudar en este proceso de identificación manual. Para entrenar su algoritmo de reconocimiento, el equipo utilizó datos recopilados en Knight Inlet, Columbia Británica, así como imágenes de colaboración colectiva de los guardabosques del Parque Nacional Katmai, según Clapman.
mirar: Calendario editorial de Tecnopedia Premium: política de TI, listas de verificación, kits de herramientas e investigaciones disponibles para descargar (Edición Premium de Tecnopedia)
Según Clapham, estos datos se agrupan, el 80 por ciento de los cuales se utilizan con fines de capacitación y el 20 por ciento para pruebas. Inicialmente, el equipo se centró en probar el reconocimiento positivo básico antes de mejorar el modelo.
«Realmente no filtramos mucho los datos [went] Básicamente, si la cara del oso se puede ver en la imagen, especialmente si podemos ver ambos ojos, eso es lo que estamos buscando para detectar la cara», dijo Clapham.
Si bien este enfoque funcionó para las pruebas de detección iniciales, el equipo ahora se enfoca en mejorar el algoritmo y obtener una mejor comprensión de cuándo y dónde el modelo falla al identificar osos.
«Ahora, queremos regresar y ver los datos y ver los errores con más detalle, como qué osos se equivocaron, cuándo se equivocaron esos osos y posiblemente por qué. Esperamos que esto nos ayude a comprender más sobre el comportamiento del modelo, lo que podría ayudarnos a mejorar la precisión en el futuro», dijo Clapham.
Por ejemplo, explicó que el algoritmo actualmente no puede identificar de manera consistente un conjunto específico de hermanos osos; un oso siempre se identifica con precisión, pero el otro a menudo se confunde con otros osos.
«Fue muy interesante para nosotros por qué dos osos estrechamente relacionados podrían verse muy diferentes en el sistema», dijo Clapham.
Imagen: Melanie Clapham
Ayudar a los equipos de investigación con la automatización.
Este enfoque asistido por algoritmos podría permitir a los investigadores monitorear los movimientos de los osos en diferentes paisajes; actualmente, según Clapham, este tipo de análisis de población es posible gracias al ADN extraído de muestras de piel y collares GPS. Por el contrario, estos métodos de observación automatizados ofrecen un enfoque menos invasivo para la investigación de osos.
«Colocar cámaras en el paisaje es una forma realmente no invasiva de estudiarlos, y también creemos que podemos usar cámaras para estudiar a muchos más individuos de lo que podríamos si intentáramos capturar y ponerles un collar a osos individuales. Más individuos serán estudiado», dijo Clapham.
«Ese es el lugar [researchers] noble [bear] Las poblaciones se han vuelto más amenazadas y en peligro, y la gente está buscando técnicas más no invasivas para estudiarlas y técnicas que también puedan recopilar más datos», dijo Clapham.
Estas herramientas de análisis automatizadas y no invasivas también hacen que los investigadores sean más «rentables» en el campo porque, como dice Clapham, «el financiamiento siempre es un problema para la investigación de la vida silvestre». para permitir que los investigadores de todos los campos aprovechen los conjuntos de datos colectivos.
«Definitivamente hay un impulso para centralizar este tipo de análisis de cámaras trampa para que también esté disponible para la comunidad en general, porque claramente hay [are] miles de investigadores [out] Allí, hay millones de imágenes en sus discos duros en casa. A veces, solo se usan para hacer preguntas sobre una especie en particular, pero también se pueden aplicar a otras especies», dijo Clapham.
Según Clapham, el equipo espera crear un portal en línea que permita a los investigadores, gobiernos, organizaciones sin fines de lucro y otros aprovechar el software de reconocimiento para vigilancia específica según sea necesario.
Imagen: Melanie Clapham
Un enfoque de código abierto para la investigación de la vida silvestre
Si bien el proyecto BearID se centra en el análisis de osos, los investigadores que estudian otros animales se han puesto en contacto con Clapham para usar la identificación automática para estudiar caribúes, varias especies de ciervos, lobos y más. Sin embargo, como ella señala, estos modelos son tan buenos como lo permite el conjunto de datos dado.
«Estos métodos de aprendizaje profundo consumen muchos datos, por lo que cuando las personas tienen [contacted] Pregunto a diferentes especies y tengo que profundizar para ver cuántos datos tienen, cuántas imágenes de cada individuo, cuántas personas tienen y el tipo de tomas», dijo Clapham.
«No hay nada que decir que no puede, siempre que tengamos algunos datos de entrenamiento para volver a entrenar potencialmente algunos algoritmos», dijo Clapham.
Código abierto: un informe de lectura obligada
En general, una mejor comprensión del conjunto de datos podría darle a Clapham una idea más clara de si el enfoque podría funcionar en otras especies, explicó. Para ayudar a otros proyectos de investigación, el equipo ha hecho que todo el código sea de código abierto en línea.
«Realmente no hay nada que detenga a otros grupos. Si pueden ordenar los datos de entrenamiento, regresen y verifiquen nuestro código y sintonícenlo con otras especies».
