Computer vision voor het monitoren van giersoorten in Afrika
Volledige oplossing
Detectie witruggier met Declas
Stanislas Mahussi Gandaho
Deze AI-oplossing ondersteunt de doelen 17 en 20 van het Global Biodiversity Framework (GBF) door gebruik te maken van biotechnologie om de monitoring van soorten te versterken en de overdracht van technologie voor het behoud van biodiversiteit te bevorderen. Met behulp van een deep learning-model, "You Only Look Once version 11" (YOLOv11), wordt de identificatie en analyse van ernstig bedreigde gieren(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) in drone- en cameravalgegevens geautomatiseerd. Gegevens van African Parks Network (APN), Southern African Wildlife College (SAWC), Endangered Wildlife Trust (EWT), platforms zoals iNaturalist en GBIF zullen dienen om het model te trainen en te valideren.
Het project pakt uitdagingen aan zoals arbeidsintensieve monitoring en hiaten in de gegevens. Het open-source ontwerp bevordert de toegankelijkheid, samenwerking en capaciteitsopbouw binnen Afrikaanse natuurbeschermingsnetwerken, waardoor hiaten in biodiversiteitsgegevens en monitoringsystemen direct worden aangepakt.
Laatst bijgewerkt: 31 Oct 2025
112 Weergaven
Foto- en videogalerij
Context
Uitdagingen
Op milieugebied gaat de oplossing de afname van de populatie tegen door nauwkeurige monitoring van ernstig bedreigde gieren mogelijk te maken. Dit helpt bij gerichte natuurbescherming en helpt hun ecologische rol als aaseters te beschermen, die essentieel is voor het voorkomen van ziekteverspreiding en het in stand houden van de gezondheid van ecosystemen (Den Heever et al., 2021). Sociaal gezien is onze oplossing erop gericht om gieren effectief te monitoren met een cameraval (de Freitas et al., 2025; Fernández-Bellon et al., 2017; Harrison et al., 2019; Maphalala & Monadjem, 2017), aangezien de traditionele monitoring met behulp van een cameraval een uitdaging blijft (Young, Rode-Margono, & Amin, 2018; Vélez et al., 2023). Het pakt het gebrek aan bewustzijn over het belang van gieren aan door gegevens te genereren ter ondersteuning van educatieve campagnes en biedt een toegankelijke, open-source tool die natuurbeschermers met beperkte middelen in staat stelt hun werk te doen. Economisch gezien verlaagt het de hoge kosten van traditionele monitoring, die gebaseerd is op arbeidsintensieve onderzoeken.
Locatie
Benin
Zuid-Afrika
West- en Centraal-Afrika
Noord-Afrika
Oost- en Zuid-Afrika
Proces
Samenvatting van het proces
Het succes van deze geïntegreerde oplossing is afhankelijk van hoe de componenten elkaar versterken: De gegevensverzameling en AI-ontwikkeling (Blok 1) levert de basis voor hoogwaardige modeltrainingsgegevens die de Declas-monitoringtool (Blok 2) voeden, waardoor een nauwkeurige soortdetectie wordt gegarandeerd. Deze technologische capaciteit stelt vervolgens het capaciteitsopbouw- en belangenbehartigingsprogramma (Blok 3) in staat om vaardigheden effectief over te dragen aan natuurbeschermers. Lokale partnernetwerken versterken deze impact door zowel de gegevensverzameling als de deelname van begunstigden aan trainingen te vergemakkelijken, terwijl ondersteuning na de training zorgt voor een duurzame toepassing van het instrument.
Bouwstenen
AI-herkenningsmodel voor gierensoorten
De bouwsteen is gericht op het automatiseren van gierenmonitoring door het ontwikkelen van een model om vier giersoorten(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) te detecteren en classificeren op basis van visuele gegevens, waardoor de handmatige inspanning wordt verminderd, de analyse wordt versneld en de consistentie wordt gewaarborgd. Het maakt gebruik van Google Colab Pro+ om Python-code uit te voeren en het model te trainen op grote beelddatasets, waarbij het Ultralytics-pakket met YOLOv11 wordt gebruikt voor gierenclassificatie. Afbeeldingen worden opgeslagen op een 2 TB Google Drive, komen uit de iNaturalist database via het rinat R-pakket en worden aangevuld met gegevens van het Southern African Wildlife College en Endangered Wildlife Trust. Het Computer Vision Annotation Tool (CVAT) teamplan maakt collaboratieve beeldannotatie mogelijk, waardoor meerdere gebruikers beelden kunnen labelen en exporteren met annotaties voor training en validatie.
Sleutelfactoren
- Een geannoteerde dataset van hoge kwaliteit met diverse beelden die de doelsoort in verschillende omgevingen en omstandigheden vertegenwoordigen.
- Toegang tot computationele bronnen (Google Colab Pro+) voor het trainen en valideren van het AI-model.
- Samenwerking met natuurbeschermers om de resultaten van het model te valideren in veldomstandigheden.
Geleerde les
- Zorg ervoor dat de dataset representatief is voor echte omstandigheden om vertekening in de detectie te voorkomen (bijv. verlichting, hoeken, habitats).
- Regelmatige updates van het model met nieuwe gegevens verbeteren de nauwkeurigheid en het aanpassingsvermogen.
- Uitdagingen zijn onder andere misclassificaties als gevolg van overlappende soortskenmerken; het laten valideren van initiële resultaten door experts is essentieel.
Bronnen
Open-source software voor gierenmonitoring
Deze bouwsteen maakt gebruik van Declas, een open-source AI-tool, om het monitoren van gieren te automatiseren. Door beelden of video's te analyseren, detecteert en classificeert het met hoge nauwkeurigheid soorten. Het systeem maakt handmatig tellen overbodig, waardoor het volgen van wilde dieren schaalbaar en kosteneffectief wordt. Gebruikers - onderzoekers, rangers of natuurbeschermers - hoeven alleen maar visuele gegevens te uploaden en de tool genereert realtime inzichten voor geïnformeerde besluitvorming. Gebouwd op YOLOv11 (Ultralytics) en getraind op crowdsourcedata.
Sleutelfactoren
- Een eenvoudige en intuïtieve gebruikersinterface om de toegankelijkheid voor niet-technische gebruikers te garanderen.
- Documentatie en training voor gebruikers om de applicatie te begrijpen en effectief te gebruiken.
- Feedback van de gemeenschap om de bruikbaarheid en functies van de tool voortdurend te verbeteren.
Geleerde les
- Bruikbaarheid is essentieel; te complexe interfaces schrikken gebruikers af.
- Het aanbieden van technische ondersteuning en duidelijke documentatie zorgt voor een bredere acceptatie.
- Integratie-uitdagingen waren onder andere het afstemmen van de output van het AI-model op gebruiksvriendelijke visualisatietools; iteratief testen was essentieel om dit op te lossen.
Bronnen
Hybride training en bescherming
Deze bouwsteen biedt praktische training voor onderzoekers en natuurbeschermers in Benin en Zuid-Afrika (offline) en wereldwijd (online via Zoom) over het gebruik van Declas. De sessies behandelen:
- Softwaregebruik: Gegevens uploaden, AI-gegenereerde resultaten interpreteren en bevindingen integreren in beschermingsstrategieën.
- Belangenbehartiging voor natuurbehoud: Bewustmaken van de achteruitgang van gieren en de rol van AI in schaalbare monitoring.
Stagiairs leren Declas in te zetten bij veldonderzoeken, waardoor ze minder afhankelijk zijn van handmatige tellingen en de gegevens nauwkeuriger worden. De hybride aanpak zorgt voor brede toegankelijkheid en geeft lokale teams de mogelijkheid om gebruik te maken van kosteneffectieve technologie.
Sleutelfactoren
- Betrouwbaar internet en stroom voor online/offline sessies.
- Lokale partnerondersteuning voor logistiek en betrokkenheid.
- Voorbereiding van de training (materialen, software instellen).
Invloeden
Het project heeft aanzienlijke positieve effecten gehad op milieu-, sociaal en economisch gebied.
Milieueffecten
Het AI-model werd getest in Sota, Trois Rivières en Alibori Supérieur Forest (Benin) en Kempiana en Manyeleti reservaten (Zuid-Afrika). Op deze locaties identificeerde het model nauwkeurig Gyps africanus in meer dan 89% van de geanalyseerde beelden, wat hun aanwezigheid in deze ecosystemen bevestigt. In Benin detecteerde het systeem een 15% hogere dichtheid dan eerdere handmatige onderzoeken, wat onderstreept dat het systeem effectief is in het leveren van betrouwbare gegevens voor het monitoren van gierenpopulaties. Door het identificeren van dagelijkse activiteitspieken hielp het bij het verfijnen van beschermingsstrategieën, zoals het waarborgen van de beschikbaarheid van kadavers tijdens piekvoedertijden.
Sociale effecten
Declas software is al meer dan 90 keer gedownload sinds de release 4 maanden geleden (https://zenodo.org/records/14166440) zonder promotie of hybride training.
Economische effecten
De tool verminderde de monitoringkosten aanzienlijk met 40%, waardoor middelen bespaard werden die voorheen besteed werden aan postveldonderzoeken met cameravallen. De bescherming van gieren kwam indirect ten goede aan de lokale economie.
Begunstigden
Afrikaanse natuurbeschermingsorganisaties, onderzoekers en lokale gemeenschappen hebben geprofiteerd van de verbeterde soortmonitoring, de verbeterde gegevenstoegang, de capaciteitsopbouw en de verbeterde resultaten voor het behoud van ernstig bedreigde gieren.
Licht daarnaast de schaalbaarheid van uw oplossing toe. Kan het worden gekopieerd of uitgebreid naar andere regio's of ecosystemen?
De oplossing heeft een sterk schaalbaar potentieel en kan wereldwijd worden gekopieerd in andere regio's of ecosystemen. Het AI-model kan worden bijgeschoold met lokale gegevens om verschillende soorten te monitoren, terwijl de open-source toepassing toegankelijkheid garandeert voor verschillende natuurbeschermingsteams. Het zou bijvoorbeeld kunnen worden uitgebreid om aasetersoorten in Azië of Latijns-Amerika te monitoren, of zelfs andere belangrijke soorten, zoals roofdieren of bestuivers. Door gebruik te maken van partnerschappen met wereldwijde natuurbeschermingsnetwerken kan de oplossing datasets uit meerdere regio's integreren om het aanpassingsvermogen te vergroten. Met minimale aanpassingen kan het ook worden toegepast op verschillende ecosystemen, van savannes tot gematigde zones, mits relevante beeldgegevens en annotaties van soorten beschikbaar zijn. De kosteneffectiviteit en het gebruiksvriendelijke ontwerp maken het toegankelijk voor teams met beperkte middelen, waardoor het op grote schaal kan worden toegepast.
Wereldwijd biodiversiteitsraamwerk (GBF)
GBF Doel 17 - De bioveiligheid versterken en de voordelen van biotechnologie verspreiden
GBF Streefdoel 20 - Capaciteitsopbouw, technologieoverdracht en wetenschappelijke en technische samenwerking voor biodiversiteit versterken
Duurzame Ontwikkelingsdoelen
SDG 3 - Goede gezondheid en welzijn
SDG 9 - Industrie, innovatie en infrastructuur
SDG 15 - Leven op het land
SDG 17 - Partnerschappen voor de doelen
Verhaal
In het hart van de Sota in Benin stond Ange, een jonge natuurbeschermer, voor een cameraval en verbaasde zich over de gieren die op de foto waren vastgelegd. Deze gieren maakten niet alleen deel uit van de natuur in het park; ze waren een indicator van de gezondheid van het ecosysteem in het park en van vitaal belang voor de omringende gemeenschappen. Maar ondanks hun belang werden gieren, vooral de ernstig bedreigde Gyps africanus, enorm bedreigd door vergiftiging, habitatverlies en een gebrek aan adequate monitoring.
Ange was al lang betrokken bij de bescherming van wilde dieren, maar vond het frustrerend om soorten als gieren te volgen met verouderde en arbeidsintensieve methoden. Surveys waren vaak sporadisch en zelfs ervaren natuurbeschermers hadden moeite met het tijdrovende handmatig identificeren van giersoorten. De behoefte aan een efficiëntere en nauwkeurigere manier om deze vogels in de gaten te houden was duidelijk, maar het was onduidelijk hoe die sprong te maken. Tot Ange over onze oplossing hoorde. Hij was geïntrigeerd en had met eigen ogen gezien hoe beperkte middelen een effectieve monitoring vaak in de weg stonden. Dit leek de perfecte manier om te zorgen voor nauwkeurigere, realtime gegevens.
Ange en haar team begonnen de tool te gebruiken in Sota. Binnen de eerste paar maanden zagen ze een drastische verandering in hun manier van werken. Het hulpmiddel identificeerde niet alleen nauwkeurig gieren, maar hielp ook bij het bijhouden van hun dagelijkse activiteiten en de populatiedichtheid. In de reservaten Kempiana en Manyeleti in Zuid-Afrika, waar het model ook werd getest, waren de resultaten net zo veranderlijk. Onderzoekers konden nu snel de aanwezigheid en het gedrag van gieren vaststellen zonder uren veldwerk.
Het effect op Aminata's werk was ingrijpend. Ze werd niet langer beperkt door de beperkingen van traditionele methoden. In plaats daarvan had ze nu toegang tot een robuuste, schaalbare en efficiënte monitoringtool die niet alleen het behoud van gieren ondersteunde, maar ook bijdroeg aan de duurzaamheid op lange termijn van ecosystemen in Afrika. Aminata's succesverhaal is een bewijs van de kracht van innovatie in natuurbehoud. Het laat zien hoe de samensmelting van technologie en lokale expertise echte verandering teweeg kan brengen in het beschermen van kwetsbare soorten en het waarborgen van de gezondheid van onze planeet.
