Visi komputer untuk pemantauan spesies burung nasar di seluruh Afrika
Solusi Lengkap
Deteksi burung bangkai punggung putih dengan Declas
Stanislas Mahussi Gandaho
Solusi bertenaga AI ini mendukung Kerangka Kerja Keanekaragaman Hayati Global (GBF) Target 17 dan 20 dengan memanfaatkan bioteknologi untuk memperkuat pemantauan spesies dan mendorong transfer teknologi untuk konservasi keanekaragaman hayati. Dengan menggunakan model pembelajaran yang mendalam, "You Only Look Once version 11" (YOLOv11), solusi ini mengotomatiskan identifikasi dan analisis burung nasar yang terancam punah(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) pada data perangkap kamera dan drone. Data dari African Parks Network (APN), Southern African Wildlife College (SAWC), Endangered Wildlife Trust (EWT), platform seperti iNaturalist, dan GBIF akan digunakan untuk melatih dan memvalidasi model.
Proyek ini mengatasi tantangan seperti pemantauan padat karya dan kesenjangan data. Desain open-source-nya mendorong aksesibilitas, kolaborasi, dan pengembangan kapasitas di seluruh jaringan konservasi Afrika, yang secara langsung mengatasi kesenjangan data keanekaragaman hayati dan sistem pemantauan.
Pembaruan terakhir: 31 Oct 2025
112 Tampilan
Galeri foto dan video
Konteks
Tantangan yang dihadapi
Dari sisi lingkungan, solusi ini memerangi penurunan populasi dengan memungkinkan pemantauan yang akurat terhadap burung nasar yang terancam punah. Hal ini membantu konservasi yang ditargetkan dan membantu melindungi peran ekologis mereka sebagai pemulung, yang penting untuk mencegah penyebaran penyakit dan menjaga kesehatan ekosistem (Den Heever et al., 2021). Secara sosial, solusi kami bertujuan untuk memantau burung nasar secara efektif dengan perangkap kamera (de Freitas et al., 2025; Fernández-Bellon et al., 2017; Harrison et al., 2019; Maphalala & Monadjem, 2017), karena pemantauan tradisional dengan perangkap kamera masih sulit dilakukan (Young, Rode-Margono, & Amin, 2018; Vélez et al., 2023). Teknologi ini mengatasi kurangnya kesadaran akan pentingnya burung nasar dengan menghasilkan data untuk mendukung kampanye pendidikan dan menawarkan alat yang dapat diakses dan bersumber terbuka yang memberdayakan para pelestari lingkungan dengan sumber daya yang terbatas. Secara ekonomi, hal ini mengurangi biaya tinggi dari pemantauan tradisional, yang bergantung pada survei padat karya.
Lokasi
Benin
Afrika Selatan
Afrika Barat dan Tengah
Afrika Utara
Afrika Timur dan Selatan
Proses
Ringkasan prosesnya
Keberhasilan solusi terintegrasi ini bergantung pada bagaimana komponen-komponennya saling memperkuat satu sama lain: Pengumpulan data dan pengembangan AI (Blok 1) memberikan dasar data pelatihan model berkualitas tinggi yang mendukung alat pemantauan Declas (Blok 2), untuk memastikan deteksi spesies yang akurat. Kemampuan teknologi ini kemudian memungkinkan program peningkatan kapasitas dan advokasi (Blok 3) untuk secara efektif mentransfer keterampilan kepada para praktisi konservasi. Jaringan mitra lokal memperkuat dampak ini dengan memfasilitasi pengumpulan data dan partisipasi pelatihan penerima manfaat, sementara dukungan pasca-pelatihan memastikan adopsi alat yang berkelanjutan.
Blok Bangunan
Model pengenalan spesies burung nasar bertenaga AI
Blok bangunan ini bertujuan untuk mengotomatisasi pemantauan burung nasar dengan mengembangkan model untuk mendeteksi dan mengklasifikasikan empat spesies burung nasar(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) dari data visual, sehingga mengurangi upaya manual, mempercepat analisis, dan memastikan konsistensi. Sistem ini memanfaatkan Google Colab Pro+ untuk menjalankan kode Python dan melatih model pada dataset gambar yang besar, memanfaatkan paket Ultralytics dengan YOLOv11 untuk klasifikasi burung bangkai. Gambar disimpan di Google Drive sebesar 2 TB, bersumber dari basis data iNaturalist melalui paket rinat R dan dilengkapi dengan data dari Southern African Wildlife College dan Endangered Wildlife Trust. Paket tim Computer Vision Annotation Tool (CVAT) memungkinkan anotasi gambar secara kolaboratif, yang memungkinkan beberapa pengguna untuk melabeli dan mengekspor gambar dengan anotasi untuk pelatihan dan validasi.
Faktor-faktor pendukung
- Dataset beranotasi berkualitas tinggi dengan beragam gambar yang mewakili spesies target dalam lingkungan dan kondisi yang berbeda.
- Akses ke sumber daya komputasi (Google Colab Pro+) untuk melatih dan memvalidasi model AI.
- Kolaborasi dengan ahli konservasi untuk memvalidasi hasil model dalam kondisi lapangan.
Pelajaran yang dipetik
- Pastikan dataset mewakili kondisi dunia nyata untuk menghindari bias dalam pendeteksian (misalnya, pencahayaan, sudut, habitat).
- Pembaruan model secara berkala dengan data baru akan meningkatkan akurasi dan kemampuan beradaptasi.
- Tantangannya termasuk kesalahan klasifikasi karena tumpang tindihnya ciri-ciri spesies; meminta para ahli untuk memvalidasi hasil awal sangatlah penting.
Sumber daya
Perangkat lunak sumber terbuka untuk pemantauan burung nasar
Blok bangunan ini memanfaatkan Declas, alat AI sumber terbuka, untuk mengotomatiskan pemantauan burung nasar. Dengan menganalisis gambar atau video, alat ini mendeteksi dan mengklasifikasikan spesies dengan akurasi tinggi. Sistem ini menghilangkan penghitungan manual, sehingga memungkinkan pelacakan satwa liar yang terukur dan hemat biaya. Pengguna-peneliti, penjaga hutan, atau konservasionis-cukup mengunggah data visual, dan alat ini menghasilkan wawasan waktu nyata untuk pengambilan keputusan yang tepat. Dibangun di atas YOLOv11 (Ultralytics) dan dilatih dengan data yang dikumpulkan secara massal.
Faktor-faktor pendukung
- Antarmuka pengguna yang sederhana dan intuitif untuk memastikan aksesibilitas bagi pengguna non-teknis.
- Dokumentasi dan sumber daya pelatihan bagi pengguna untuk memahami dan memanfaatkan aplikasi secara efektif.
- Umpan balik dari komunitas untuk terus meningkatkan kegunaan dan fitur-fitur aplikasi.
Pelajaran yang dipetik
- Kegunaan adalah kuncinya; antarmuka yang terlalu rumit menghalangi pengguna.
- Menawarkan dukungan teknis dan dokumentasi yang jelas memastikan adopsi yang lebih luas.
- Tantangan integrasi termasuk menyelaraskan output model AI dengan alat visualisasi yang ramah pengguna; pengujian berulang-ulang sangat penting untuk mengatasi hal ini.
Sumber daya
Pelatihan hibrida & advokasi konservasi
Blok bangunan ini memberikan pelatihan langsung bagi para peneliti dan konservasionis di Benin dan Afrika Selatan (luring) dan secara global (daring melalui Zoom) dalam menggunakan Declas. Sesi ini mencakup:
- Penggunaan perangkat lunak: Mengunggah data, menginterpretasikan hasil yang dihasilkan oleh AI, dan mengintegrasikan temuan ke dalam strategi konservasi.
- Advokasi konservasi: Meningkatkan kesadaran tentang penurunan jumlah burung nasar dan peran AI dalam pemantauan yang terukur.
Peserta pelatihan akan belajar menggunakan Declas dalam survei lapangan, mengurangi ketergantungan pada penghitungan manual sekaligus meningkatkan akurasi data. Pendekatan hibrida memastikan aksesibilitas yang luas, memberdayakan tim lokal dengan teknologi yang hemat biaya.
Faktor-faktor pendukung
- Internet dan daya listrik yang andal untuk sesi online/offline.
- Dukungan mitra lokal untuk logistik dan keterlibatan.
- Persiapan pra-pelatihan (materi, penyiapan perangkat lunak).
Dampak
Proyek ini telah menunjukkan dampak positif yang signifikan di seluruh dimensi lingkungan, sosial, dan ekonomi.
Dampak Lingkungan
Model bertenaga AI telah diuji di Sota, Trois Rivières, dan Hutan Alibori Supérieur (Benin) serta cagar alam Kempiana dan Manyeleti (Afrika Selatan). Di seluruh lokasi tersebut, model ini secara akurat mengidentifikasi Gyps africanus di lebih dari 89% gambar yang dianalisis, mengonfirmasi keberadaan mereka di ekosistem ini. Di Benin, alat ini mendeteksi kelimpahan 15% lebih tinggi daripada survei manual sebelumnya, menggarisbawahi keefektifannya dalam menyediakan data yang dapat diandalkan untuk memantau populasi burung nasar. Dengan mengidentifikasi pola aktivitas harian puncak, hal ini membantu menyempurnakan strategi konservasi, seperti memastikan ketersediaan karkas selama waktu makan puncak.
Dampak Sosial
Perangkat lunak Declas telah diunduh lebih dari 90 kali sejak dirilis 4 bulan yang lalu (https://zenodo.org/records/14166440) tanpa promosi atau pelatihan gabungan.
Dampak Ekonomi
Alat ini secara signifikan mengurangi biaya pemantauan hingga 40%, menghemat sumber daya yang sebelumnya dihabiskan untuk survei lapangan dengan perangkap kamera. Perlindungan burung nasar secara tidak langsung memberikan manfaat bagi ekonomi lokal.
Penerima manfaat
Organisasi konservasi, peneliti, dan masyarakat lokal di Afrika memperoleh manfaat melalui pemantauan spesies yang lebih baik, akses data yang lebih baik, peningkatan kapasitas, dan hasil konservasi yang lebih baik untuk burung nasar yang terancam punah.
Selain itu, jelaskan potensi skalabilitas Solusi Anda. Dapatkah solusi ini direplikasi atau diperluas ke wilayah atau ekosistem lain?
Solusi ini memiliki potensi skalabilitas yang kuat dan dapat direplikasi di wilayah atau ekosistem lain secara global. Model AI dapat dilatih ulang dengan data lokal untuk memantau spesies yang berbeda, sementara aplikasi sumber terbuka memastikan aksesibilitas bagi tim konservasi yang beragam. Sebagai contoh, model ini dapat diperluas untuk memantau spesies pemulung di Asia atau Amerika Latin, atau bahkan spesies kunci lainnya, seperti predator atau penyerbuk. Dengan memanfaatkan kemitraan dengan jaringan konservasi global, solusi ini dapat mengintegrasikan kumpulan data dari berbagai wilayah untuk meningkatkan kemampuan adaptasinya. Dengan sedikit penyesuaian, solusi ini juga dapat diterapkan pada ekosistem yang berbeda, dari sabana hingga daerah beriklim sedang, asalkan data gambar yang relevan dan anotasi spesies tersedia. Efektivitas biaya dan desain yang ramah pengguna membuatnya dapat diakses oleh tim dengan sumber daya yang terbatas, sehingga memungkinkan adopsi yang lebih luas.
Kerangka Kerja Keanekaragaman Hayati Global (Global Biodiversity Framework (GBF))
Target GBF 17 - Memperkuat Keamanan Hayati dan Mendistribusikan Manfaat Bioteknologi
Target GBF 20 - Memperkuat Pengembangan Kapasitas, Alih Teknologi, dan Kerjasama Ilmiah dan Teknis untuk Keanekaragaman Hayati
Tujuan Pembangunan Berkelanjutan
SDG 3 - Kesehatan dan kesejahteraan yang baik
TPB 9 - Industri, inovasi, dan infrastruktur
SDG 15 - Kehidupan di darat
TPB 17 - Kemitraan untuk mencapai tujuan
Cerita
Di jantung Sota di Benin, seorang konservasionis muda bernama Ange berdiri di depan kamera jebakan, mengagumi pemandangan burung nasar yang tertangkap dalam bingkai. Burung nasar ini bukan hanya bagian dari satwa liar di taman nasional, tetapi juga merupakan indikator kesehatan ekosistem taman nasional dan sangat penting bagi masyarakat sekitar. Namun, terlepas dari pentingnya peran mereka, burung nasar, terutama Gyps africanus yang terancam punah, menghadapi ancaman besar dari keracunan, hilangnya habitat, dan kurangnya pemantauan yang memadai.
Ange telah lama terlibat dalam konservasi satwa liar, namun ia merasa frustasi melacak spesies seperti burung nasar dengan metode yang sudah ketinggalan jaman dan menguras tenaga. Survei yang dilakukan sering kali bersifat sporadis, dan bahkan para ahli konservasi yang berpengalaman pun kesulitan dalam melakukan identifikasi spesies burung pemakan bangkai secara manual yang memakan waktu. Kebutuhan akan cara yang lebih efisien dan akurat untuk memantau burung-burung ini sudah jelas, tetapi tidak jelas bagaimana cara melakukan lompatan itu. Hingga akhirnya Ange mengetahui tentang solusi kami. Dia tertarik dan telah melihat secara langsung bagaimana sumber daya yang terbatas sering kali menghalangi pemantauan yang efektif, dan ini tampak seperti cara yang sempurna untuk memastikan data yang lebih akurat dan real-time.
Ange dan timnya mulai menggunakan alat ini di Sota. Dalam beberapa bulan pertama, mereka melihat perubahan dramatis dalam cara mereka beroperasi. Alat ini tidak hanya mengidentifikasi burung nasar dengan akurat, tetapi juga membantu melacak aktivitas harian dan kepadatan populasi mereka. Di Cagar Alam Kempiana dan Manyeleti di Afrika Selatan, di mana model ini juga diuji coba, hasilnya juga sama transformatifnya. Para peneliti sekarang dapat dengan cepat menilai keberadaan dan perilaku burung nasar tanpa harus melakukan penelitian lapangan selama berjam-jam.
Dampaknya sangat besar bagi pekerjaan Aminata. Ia tidak lagi dibatasi oleh kendala metode tradisional. Sebaliknya, ia kini memiliki akses ke alat pemantauan yang kuat, terukur, dan efisien yang tidak hanya mendukung konservasi burung nasar, tetapi juga berkontribusi pada keberlanjutan jangka panjang ekosistem di Afrika. Kisah sukses Aminata adalah bukti kekuatan inovasi dalam konservasi. Hal ini menunjukkan bagaimana perpaduan teknologi dan keahlian lokal dapat menciptakan perubahan nyata dalam melindungi spesies yang rentan dan memastikan kesehatan planet kita.
