Оглавление

Исследователи из Кембриджского университета разработали необычный подход к мониторингу популяции ежей: вместо поиска самих животных искусственный интеллект анализирует спутниковые снимки в поисках их естественной среды обитания — зарослей ежевики. Об этом пишет Ars Technica.

Космический детектив для маленьких млекопитающих

Европейские ежи потеряли от 30 до 50 процентов своей популяции за последнее десятилетие, что делает традиционные методы отслеживания этих ночных животных сложными и дорогостоящими. Габриэль Махлер и его коллеги предложили инновационное решение: использовать спутниковые снимки и машинное обучение для идентификации ежевичных зарослей — ключевого элемента среды обитания ежей.

Эти колючие кустарники служат ежам укрытием от хищников, местом для гнездования и источником пищи, привлекая насекомых и обеспечивая ягоды. Традиционные методы мониторинга требуют масштабных ночных полевых работ, специального оборудования или отчетов гражданских ученых, что плохо масштабируется для национального планирования охраны природы.

Простая, но эффективная технология

Вопреки современным трендам, исследователи не использовали сложные языковые модели типа ChatGPT. Вместо этого они применили относительно простые методы машинного обучения: логистическую регрессию и метод k-ближайших соседей.

Детектор ежевики сочетает TESSERA — представления земной поверхности из снимков спутников ESA Sentinel — с данными наблюдений с платформы гражданской науки iNaturalist.

Для спасения милых ежей пришлось использовать космические технологии и искусственный интеллект. Это прекрасный пример того, как простые ML-алгоритмы могут решать реальные экологические проблемы без необходимости в GPT-4. Иногда меньше — действительно значит больше, особенно когда дело доходит до интерпретации спутниковых снимков.

Полевые испытания: от теории к практике

Чтобы проверить эффективность модели, исследователи провели день, обходя Кембридж со смартфонами и GPS-устройствами, сверяя предсказания ИИ с реальностью. Результаты оказались впечатляющими: первая ежевичная заросль была найдена всего через 20 секунд после начала поисков в зоне, отмеченной моделью.

В парке Милтон Кантри каждый участок с высокой уверенностью предсказания содержал значительные заросли ежевики. Самое забавное открытие ждало их в Северном Кембридже — модель привела их прямиком в заповедник Брамблфилдс (Bramblefields Local Nature Reserve), который полностью оправдал свое название.

Модель показала наилучшие результаты при обнаружении крупных, открытых зарослей ежевики, видимых сверху. Меньшие заросли под пологом деревьев получали более низкие оценки уверенности — логичное ограничение, учитывая перспективу съемки со спутника.

Перспективы и ограничения

Исследователи подчеркивают, что их работа представляет собой proof-of-concept, который все еще находится в стадии активной разработки. Модель еще не опубликована в рецензируемом журнале, а полевые испытания были скорее неформальным тестом, чем научным исследованием.

Однако простота детектора ежевики предлагает практические преимущества. В отличие от более ресурсоемких моделей глубокого обучения, эта система потенциально может работать на мобильных устройствах, обеспечивая проверку в реальном времени. Команда рассматривает возможность разработки системы активного обучения на основе телефона, которая позволит полевым исследователям улучшать модель во время проверки ее предсказаний.

В будущем подобные подходы, сочетающие спутниковое дистанционное зондирование с данными гражданской науки, могут использоваться для:

  • Картирования инвазивных видов
  • Отслеживания сельскохозяйственных вредителей
  • Мониторинга изменений в различных экосистемах

Для угрожаемых видов, таких как ежи, быстрое картирование критических элементов среды обитания становится все более ценным в условиях, когда изменение климата и урбанизация активно преобразуют места, которые ежи называют домом.