Компьютерное зрение для мониторинга видов стервятников в Африке
Полное решение
Обнаружение белоспинного стервятника с помощью Declas
Stanislas Mahussi Gandaho
Это решение на базе искусственного интеллекта поддерживает Цели 17 и 20 Глобальной рамочной программы сохранения биоразнообразия (GBF), используя биотехнологии для усиления мониторинга видов и содействия передаче технологий для сохранения биоразнообразия. Используя модель глубокого обучения "You Only Look Once version 11" (YOLOv11), оно автоматизирует идентификацию и анализ находящихся под угрозой исчезновения грифов(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) в данных с беспилотников и фотоловушек. Данные Африканской сети парков (APN), Южноафриканского колледжа дикой природы (SAWC), Endangered Wildlife Trust (EWT), таких платформ, как iNaturalist, и GBIF послужат для обучения и проверки модели.
Проект решает такие проблемы, как трудоемкий мониторинг и нехватка данных. Его дизайн с открытым исходным кодом способствует доступности, сотрудничеству и наращиванию потенциала африканских природоохранных сетей, непосредственно устраняя пробелы в системах сбора данных и мониторинга биоразнообразия.
Последнее обновление: 10 Oct 2025
87 Просмотров
Премия Tech4Nature
Описание технологии
Решение построено на основе модели глубокого обучения "You Only Look Once version 11 (YOLOv11)" - современной системы обнаружения объектов в режиме реального времени. Эта модель искусственного интеллекта была специально обучена выявлять и отслеживать находящиеся под угрозой исчезновения виды стервятников, начиная с Gyps africanus, используя набор данных, полученных с помощью камер-ловушек и беспилотных летательных аппаратов. Обученная модель была интегрирована в программное приложение с открытым исходным кодом под названием Wildfier (https://github.com/stangandaho/wildfier). Для улучшения доступности программное обеспечение расширяется до платформы Declas (https://github.com/stangandaho/declas), масштабируемой системы развертывания, предназначенной для природоохранных приложений. Будущие усовершенствования позволят расширить возможности модели по обнаружению дополнительных видов грифов, включая Gyps coprotheres, Gyps rueppelli и Torgos tracheliotos, что еще больше увеличит ее природоохранное воздействие.
Технология была успешно внедрена в двух южноафриканских заповедниках - Кемпиана и Маньелети, где было проанализировано около 3265 изображений и видеозаписей с камер-ловушек. Система предоставила важнейшие данные о присутствии стервятников, численности популяции и особенностях поведения. Автоматизировав идентификацию и анализ видов, решение позволило значительно сократить время и усилия, необходимые для ручного мониторинга, и получить точные и практичные данные для планирования природоохранных мероприятий.
- Заметные достижения и инновации
Одним из ключевых достижений этого решения является автоматизация мониторинга дикой природы, заменяющая традиционные трудоемкие методы эффективностью, основанной на искусственном интеллекте. Модель YOLOv11 продемонстрировала высокую адаптивность, надежно работая в различных экологических условиях, от густого кустарника до открытой саванны. Такая гибкость обеспечивает ее применимость в различных природоохранных проектах. Кроме того, открытый исходный код программы способствует ее широкому распространению, позволяя исследователям и специалистам по охране природы по всему миру использовать и адаптировать инструмент для своих нужд.
2. Вовлечение сообществ и расширение прав и возможностей
В рамках инициативы активно привлекались местные сообщества, группы коренных народов и молодежь. Были проведены учебные занятия для егерей и специалистов по охране природы в Кемпиане и Маньелети в Южной Африке и в лесной инспекции Канди в Бенине, чтобы они могли самостоятельно работать с программным обеспечением. Также были проведены образовательные семинары для повышения осведомленности о сохранении стервятников, сочетающие традиционные экологические знания с современными технологиями искусственного интеллекта.
3. Долгосрочная устойчивость и экологическая ответственность
Долгосрочным обслуживанием и развитием этого решения будет заниматься Phorux, компания по управлению технологиями и данными (https://dath.phorux.com/). В составе этой команды мы стремимся обеспечить постоянное совершенствование платформы, ее масштабируемость и адаптируемость к возникающим проблемам сохранения природы.
Для обеспечения устойчивого финансирования мы активно взаимодействуем с техническими партнерами и донорами, включая НПО Naben, Фонд дикой природы, находящейся под угрозой исчезновения (EWT), и Южноафриканский колледж дикой природы (SAWC). Исследовательская группа Naben, в которую мы входим, будет играть ключевую роль в мониторинге работы платформы, сборе отзывов пользователей (исследователей, специалистов по охране природы и студентов) и предложении новых функций для расширения ее функциональности. Этот цикл обратной связи гарантирует, что решение будет соответствовать реальным потребностям сохранения природы.
Кроме того, наше сотрудничество с доктором Линди Томпсон (координатор проектов: Сохранение и исследование стервятников, программа EWT Birds of Prey, lindyt@ewt.or.za) предоставит важные данные для уточнения и расширения возможностей обнаружения в модели ИИ. Аналогичным образом, наше сотрудничество с Питером Хэммингом (лектором факультета прикладного обучения и исследований, phamming@sawc.org.za) будет способствовать проверке и внедрению модели на местах.
Финансовая устойчивость также поддерживается грантами, такими как Руководящий комитет по инфраструктуре консорциума R (ISC) (https://r-consortium.org/posts/r-consortium-awards-first-round-of-2025-isc-grants/) (грант ID 25-ISC-1-04), который финансировал наш проект по разработке программного обеспечения для управления данными камер-ловушек и обнаружения дикой природы на основе ИИ. Такой многосторонний подход, объединяющий технические знания, партнерские отношения в области охраны природы и стратегическое финансирование, обеспечивает долговечность решения и минимизацию воздействия на окружающую среду благодаря эффективному внедрению ИИ с минимальными затратами ресурсов.
Доноры и финансирование
В 2024 году мы провели полевые работы в Южной Африке, чтобы определить потенциальные деревья для гнездования белоспинных грифов, оценить характеристики и состояние деревьев и оценить возможность использования искусственного интеллекта для обнаружения гнезд и грифов. Этот проект был совместно профинансирован Южноафриканским колледжем дикой природы и Комиссией Европейского союза. Мы также признательны за поддержку Африканской сети парков Бенина, которая, хотя и не является прямым партнером по финансированию, согласилась помочь в реализации этого решения. Их сотрудничество оказало неоценимую помощь в продвижении наших усилий по сохранению природы.
Фотогалерея и видеогалерея
Контекст
Решаемые задачи
С экологической точки зрения это решение позволяет бороться с сокращением популяции, обеспечивая точный мониторинг находящихся под угрозой исчезновения грифов. Это способствует целенаправленному сохранению популяции и помогает защитить их экологическую роль падальщиков, необходимую для предотвращения распространения болезней и поддержания здоровья экосистемы (Den Heever et al., 2021). С социальной точки зрения наше решение направлено на эффективный мониторинг грифов с помощью камер-ловушек (de Freitas et al., 2025; Fernández-Bellon et al., 2017; Harrison et al., 2019; Maphalala & Monadjem, 2017), поскольку традиционный мониторинг с помощью камер-ловушек остается сложным (Young, Rode-Margono, & Amin, 2018; Vélez et al., 2023). Он решает проблему недостаточной осведомленности о важности стервятников, генерируя данные для поддержки образовательных кампаний, и предлагает доступный инструмент с открытым исходным кодом, который расширяет возможности природоохранных организаций с ограниченными ресурсами. С экономической точки зрения он снижает высокие затраты на традиционный мониторинг, который опирается на трудоемкие исследования.
Расположение
Бенин
Южная Африка
Западная и Центральная Африка
Северная Африка
Восточная и Южная Африка
Процесс
Краткое описание процесса
Успех этого комплексного решения зависит от того, как его компоненты усиливают друг друга: Сбор данных и разработка ИИ (Блок 1) создают основу для высококачественных данных обучения моделированию, которые используются в инструменте мониторинга Declas (Блок 2), обеспечивая точное обнаружение видов. Этот технологический потенциал позволяет программе наращивания потенциала и адвокации (блок 3) эффективно передавать навыки специалистам по охране природы. Местные партнерские сети усиливают это воздействие, способствуя сбору данных и участию в тренингах бенефициаров, а поддержка после тренингов обеспечивает устойчивое внедрение инструмента.
Строительные блоки
Модель распознавания видов стервятников с помощью искусственного интеллекта
Этот блок направлен на автоматизацию мониторинга стервятников путем разработки модели для обнаружения и классификации четырех видов стервятников(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) по визуальным данным, сокращая ручные усилия, ускоряя анализ и обеспечивая согласованность. Для выполнения кода на языке Python и обучения модели на больших наборах изображений используется Google Colab Pro+, а для классификации грифов - пакет Ultralytics с YOLOv11. Изображения хранятся на диске Google Drive объемом 2 ТБ, берутся из базы данных iNaturalist с помощью пакета rinat R и дополняются данными из Южноафриканского колледжа дикой природы и фонда Endangered Wildlife Trust. Командный план Computer Vision Annotation Tool (CVAT) обеспечивает совместное аннотирование изображений, позволяя нескольким пользователям маркировать и экспортировать изображения с аннотациями для обучения и проверки.
Благоприятные факторы
- Высококачественный аннотированный набор данных с разнообразными изображениями, представляющими целевые виды в различных средах и условиях.
- Доступ к вычислительным ресурсам (Google Colab Pro+) для обучения и проверки модели ИИ.
- Сотрудничество со специалистами по охране природы для проверки результатов модели в полевых условиях.
Извлеченный урок
- Убедитесь, что набор данных соответствует реальным условиям, чтобы избежать погрешностей в обнаружении (например, освещение, углы, места обитания).
- Регулярное обновление модели новыми данными повышает точность и адаптивность.
- К числу трудностей относятся неправильные классификации из-за совпадения видовых признаков; важно, чтобы эксперты подтвердили первоначальные результаты.
Ресурсы
Программное обеспечение с открытым исходным кодом для мониторинга стервятников
Этот строительный блок использует Declas, инструмент искусственного интеллекта с открытым исходным кодом, для автоматизации мониторинга стервятников. Анализируя изображения или видео, он обнаруживает и классифицирует виды с высокой точностью. Система исключает ручной подсчет, обеспечивая масштабируемый и экономически эффективный мониторинг дикой природы. Пользователи - исследователи, рейнджеры или специалисты по охране природы - просто загружают визуальные данные, а инструмент в режиме реального времени генерирует информацию для принятия обоснованных решений. Построен на базе YOLOv11 (Ultralytics) и обучен на данных, полученных с помощью краудсорсинга.
Благоприятные факторы
- Простой и интуитивно понятный пользовательский интерфейс, обеспечивающий доступность для нетехнических пользователей.
- Документация и обучающие ресурсы, позволяющие пользователям понять и эффективно использовать приложение.
- Обратная связь с сообществом для постоянного повышения удобства использования и расширения возможностей инструмента.
Извлеченный урок
- Удобство использования - ключевой момент; слишком сложные интерфейсы отпугивают пользователей.
- Предоставление технической поддержки и четкой документации обеспечивает более широкое внедрение.
- Проблемы интеграции включали согласование выходных данных модели искусственного интеллекта с удобными для пользователя инструментами визуализации; для их решения потребовалось итеративное тестирование.
Ресурсы
Гибридное обучение и пропаганда охраны природы
В рамках этого блока проводится практическое обучение исследователей и специалистов по охране природы в Бенине и Южной Африке (офлайн) и по всему миру (онлайн через Zoom) по использованию Declas. Занятия охватывают:
- Использование программного обеспечения: Загрузка данных, интерпретация результатов, полученных с помощью ИИ, и интеграция полученных результатов в стратегии сохранения.
- Природоохранная пропаганда: Повышение осведомленности о сокращении численности грифов и роли ИИ в масштабируемом мониторинге.
Стажеры научатся применять систему Declas в полевых исследованиях, что позволит снизить зависимость от ручного подсчета и повысить точность данных. Гибридный подход обеспечивает широкую доступность, расширяя возможности местных команд с помощью экономически эффективной технологии.
Благоприятные факторы
- Надежный интернет и электропитание для проведения онлайн/оффлайн-сессий.
- Поддержка местных партнеров по логистике и взаимодействию.
- Предварительная подготовка к тренингу (материалы, настройка программного обеспечения).
Воздействие
Проект продемонстрировал значительное положительное воздействие на окружающую среду, социальную сферу и экономику.
Воздействие на окружающую среду
Модель с искусственным интеллектом была протестирована в лесах Сота, Труа-Ривьер и Алибори (Бенин), а также в заповедниках Кемпиана и Маньелети (ЮАР). В этих местах модель точно определила Gyps africanus на более чем 89 % проанализированных изображений, что подтверждает их присутствие в этих экосистемах. В Бенине численность стервятников была на 15 % выше, чем при предыдущих ручных исследованиях, что подтверждает эффективность прибора в обеспечении надежных данных для мониторинга популяций стервятников. Выявление пиков дневной активности позволило уточнить стратегии сохранения популяции, например, обеспечить доступность туш в пиковые периоды кормления.
Социальные последствия
С момента выпуска программного обеспечения Declas 4 месяца назад (https://zenodo.org/records/14166440) его уже скачали более 90 раз без продвижения и гибридного обучения.
Экономические последствия
Инструмент значительно сократил расходы на мониторинг на 40 %, сэкономив ресурсы, которые ранее тратились на постполевые исследования с помощью фотоловушек. Защита грифов косвенно принесла пользу местной экономике.
Бенефициары
Африканские природоохранные организации, исследователи и местные сообщества получили выгоду благодаря улучшению мониторинга видов, расширению доступа к данным, наращиванию потенциала и усилению результатов по сохранению находящихся под угрозой исчезновения грифов.
Кроме того, объясните потенциал масштабируемости вашего решения. Можно ли его тиражировать или распространить на другие регионы или экосистемы?
Решение обладает большим потенциалом масштабируемости и может быть воспроизведено в других регионах или экосистемах по всему миру. Модель искусственного интеллекта может быть переобучена на основе местных данных для мониторинга различных видов, а приложение с открытым исходным кодом обеспечивает доступность для различных природоохранных групп. Например, его можно расширить, чтобы отслеживать виды падальщиков в Азии или Латинской Америке, или даже другие ключевые виды, такие как хищники или опылители. Благодаря партнерству с глобальными природоохранными сетями решение может объединять наборы данных из разных регионов, что повышает его адаптивность. С минимальными изменениями его можно применять в различных экосистемах, от саванн до зон с умеренным климатом, при условии наличия соответствующих данных изображений и аннотаций видов. Экономическая эффективность и удобный дизайн делают ее доступной для команд с ограниченными ресурсами, что способствует широкому распространению.
Глобальная рамочная программа по биоразнообразию (ГРП)
Задача 17 ГБФ - Усиление биобезопасности и распределение преимуществ биотехнологии
Задача 20 ГБФ - Усилить создание потенциала, передачу технологий и научно-техническое сотрудничество в области биоразнообразия
Цели устойчивого развития
ЦУР 3 - Хорошее здоровье и благополучие
ЦУР 9 - Промышленность, инновации и инфраструктура
ЦУР 15 - Жизнь на земле
ЦУР 17 - Партнерство для достижения целей
История
В самом сердце парка Сота в Бенине молодой специалист по охране природы по имени Анж стоял перед фотоловушкой, восхищаясь видом стервятников, попавших в кадр. Эти грифы были не просто частью дикой природы парка; они служили индикатором здоровья экосистемы парка и были жизненно важны для окружающих сообществ. Но, несмотря на свою важность, грифы, особенно находящийся под угрозой исчезновения Gyps africanus, сталкивались с серьезными угрозами, связанными с отравлением, потерей среды обитания и отсутствием надлежащего мониторинга.
Анж давно занимается охраной дикой природы, но обнаружила, что отслеживать такие виды, как грифы, с помощью устаревших и трудоемких методов очень сложно. Обследования часто носили спорадический характер, и даже опытные специалисты по охране природы с трудом справлялись с трудоемкой задачей ручной идентификации видов грифов. Необходимость в более эффективном и точном способе мониторинга этих птиц была очевидна, но было неясно, как совершить этот скачок. Так было до тех пор, пока Анж не узнал о нашем решении. Он был заинтригован и на собственном опыте убедился, что ограниченные ресурсы часто мешают эффективному мониторингу, и это решение показалось ему идеальным способом получения более точных данных в режиме реального времени.
Анж и ее команда начали использовать этот инструмент в Sota. Уже через несколько месяцев они увидели, как резко изменилась их работа. Инструмент не только точно определял стервятников, но и помогал отслеживать их ежедневную активность и плотность популяции. В заповедниках Кемпиана и Маньелети в Южной Африке, где также тестировалась модель, результаты оказались столь же преобразующими. Исследователи теперь могли быстро оценить присутствие и поведение грифов без многочасовых полевых работ.
Это оказало глубокое влияние на работу Аминаты. Она больше не была ограничена рамками традиционных методов. Вместо этого она получила доступ к надежному, масштабируемому и эффективному инструменту мониторинга, который не только способствовал сохранению стервятников, но и внес вклад в долгосрочную устойчивость экосистем в Африке. История успеха Аминаты - это свидетельство силы инноваций в природоохранной деятельности. Она показывает, как объединение технологий и местного опыта может создать реальные изменения в защите уязвимых видов и обеспечении здоровья нашей планеты.
