Afrika'da akbaba türlerinin izlenmesi için bilgisayar görüşü
Tam Çözüm
Declas ile Ak Sırtlı Akbaba tespiti
Stanislas Mahussi Gandaho
Yapay zeka destekli bu çözüm, türlerin izlenmesini güçlendirmek ve biyoçeşitliliğin korunması için teknoloji transferini teşvik etmek üzere biyoteknolojiden yararlanarak Küresel Biyoçeşitlilik Çerçevesi (GBF) Hedef 17 ve 20'yi desteklemektedir. "You Only Look Once version 11" (YOLOv11) adlı derin öğrenme modelini kullanarak, drone ve kamera tuzağı verilerinde kritik tehlike altındaki akbabaların(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) tanımlanmasını ve analizini otomatikleştirmektedir. African Parks Network (APN), Southern African Wildlife College (SAWC), Endangered Wildlife Trust (EWT), iNaturalist ve GBIF gibi platformlardan elde edilen veriler, modeli eğitmek ve doğrulamak için kullanılacak.
Proje, yoğun emek gerektiren izleme ve veri eksiklikleri gibi zorlukların üstesinden geliyor. Açık kaynak tasarımı, Afrika koruma ağları arasında erişilebilirliği, işbirliğini ve kapasite geliştirmeyi teşvik ederek biyoçeşitlilik verileri ve izleme sistemlerindeki boşlukları doğrudan ele alıyor.
Son güncelleme: 10 Oct 2025
87 Görünümler
Tech4Nature Ödülü
Teknoloji Açıklaması
Çözüm, gerçek zamanlı nesne tespiti için son teknoloji ürünü bir çerçeve olan "You Only Look Once version 11 (YOLOv11)" derin öğrenme modeli üzerine inşa edilmiştir. Bu yapay zeka modeli, kamera tuzağı ve drone görüntülerinden oluşan bir veri seti kullanılarak, Gyps africanus'tan başlayarak kritik tehlike altındaki akbaba türlerini tanımlamak ve izlemek için özel olarak eğitilmiştir. Eğitilen model, Wildfier (https://github.com/stangandaho/wildfier) adlı açık kaynaklı bir yazılım uygulamasına entegre edildi. Erişilebilirliği artırmak için yazılım, koruma uygulamaları için tasarlanmış ölçeklenebilir bir dağıtım sistemi olan Declas platformuna (https://github.com/stangandaho/declas) genişletilmektedir. Gelecekteki geliştirmeler, modelin tespit yeteneklerini Gyps coprotheres, Gyps rueppelli ve Torgos tracheliotos dahil olmak üzere ek akbaba türlerine genişleterek koruma etkisini daha da artıracaktır.
Teknoloji, yaklaşık 3.265 kamera tuzağı görüntüsü ve videosunun analiz edildiği iki Güney Afrika rezervi olan Kempiana ve Manyeleti'de başarıyla kullanıldı. Sistem akbaba varlığı, popülasyon bolluğu ve davranış kalıpları hakkında kritik veriler sağladı. Tür tanımlama ve analizini otomatikleştiren çözüm, manuel izleme için gereken zaman ve çabayı önemli ölçüde azaltırken, koruma planlaması için kesin ve eyleme geçirilebilir içgörüler sağladı.
- Önemli Gelişmeler ve Yenilikler
Bu çözümün en önemli ilerlemelerinden biri, geleneksel olarak yoğun emek gerektiren yöntemleri yapay zeka odaklı verimlilikle değiştirerek yaban hayatı izleme otomasyonudur. YOLOv11 modeli, yoğun çalılıklardan açık savana kadar farklı ekolojik ortamlarda güvenilir bir şekilde performans göstererek güçlü bir uyarlanabilirlik sergilemiştir. Bu esneklik, modelin çeşitli koruma projelerinde uygulanabilirliğini sağlamaktadır. Ek olarak, yazılımın açık kaynaklı yapısı, dünya çapındaki araştırmacıların ve korumacıların aracı kendi ihtiyaçları için kullanmalarına ve uyarlamalarına olanak tanıyarak yaygın bir şekilde benimsenmesini teşvik etmektedir.
2. Toplum Katılımı ve Güçlendirme
Girişim, yerel toplulukları, Yerli grupları ve gençleri aktif olarak sürece dahil etmiştir. Güney Afrika'daki Kempiana ve Manyeleti'de ve Benin'deki Kandi Ormancılık Müfettişliği'nde korucular ve koruma görevlileri için eğitim oturumları düzenlenerek yazılımı bağımsız olarak kullanabilmeleri sağlandı. Geleneksel ekolojik bilgi ile modern yapay zeka teknolojisini harmanlayarak akbabaların korunması konusunda farkındalığı artırmak için eğitim atölyeleri de düzenlendi.
3. Uzun Vadeli Sürdürülebilirlik ve Çevresel Sorumluluk
Bu çözümün uzun vadeli bakımı ve gelişimi, bir teknoloji ve veri yönetimi şirketi olan Phorux tarafından yönetilecektir (https://dath.phorux.com/). Bu ekibin bir parçası olarak, platformun sürekli iyileştirilmesini, ölçeklenebilirliğini ve ortaya çıkan koruma zorluklarına uyarlanabilirliğini sağlamaya kararlıyız.
Sürdürülebilir finansmanı güvence altına almak için Naben NGO, Endangered Wildlife Trust (EWT) ve Southern African Wildlife College (SAWC) dahil olmak üzere teknik ortaklar ve bağışçılarla aktif olarak çalışıyoruz. Naben'in bir parçası olduğumuz araştırma ekibi, platformun performansının izlenmesinde, kullanıcı geri bildirimlerinin (araştırmacılardan, koruma uzmanlarından ve öğrencilerden) toplanmasında ve işlevselliğini artırmak için yeni özellikler önerilmesinde kilit bir rol oynayacak. Bu geri bildirim döngüsü, çözümün gerçek dünyadaki koruma ihtiyaçlarıyla uyumlu kalmasını sağlar.
Ayrıca, Dr. Lindy Thompson (Proje Koordinatörü: Akbabaların Korunması ve Araştırılması, EWT Yırtıcı Kuşlar Programı, lindyt@ewt.or.za) ile yaptığımız işbirliği, yapay zeka modelinin tespit yeteneklerini geliştirmek ve genişletmek için kritik veriler sağlayacaktır. Benzer şekilde, Peter Hamming (Uygulamalı Öğrenme ve Araştırma Bölümü Öğretim Görevlisi, phamming@sawc.org.za) ile işbirliğimiz saha tabanlı doğrulama ve uygulamayı güçlendirecektir.
Finansal sürdürülebilirlik, kamera tuzağı veri yönetimi ve YZ tabanlı yaban hayatı tespiti için yazılım geliştirme projemizi finanse eden R Konsorsiyumu Altyapı Yönlendirme Komitesi (ISC) (https://r-consortium.org/posts/r-consortium-awards-first-round-of-2025-isc-grants/) (hibe ID 25-ISC-1-04) gibi hibelerle daha da desteklenmektedir. Teknik uzmanlığı, koruma ortaklıklarını ve stratejik finansmanı bir araya getiren bu çok paydaşlı yaklaşım, çözümün uzun ömürlü olmasını sağlarken verimli, düşük kaynaklı yapay zeka dağıtımı yoluyla çevresel etkiyi en aza indirir.
Bağışçılar ve Finansman
2024 yılında, Güney Afrika'da potansiyel Akbaba yuva ağaçlarını belirlemek, ağaç özelliklerini ve sağlığını değerlendirmek ve yuva ve akbaba tespiti için yapay zeka kullanmanın fizibilitesini değerlendirmek için saha çalışması yaptık. Bu proje Güney Afrika Yaban Hayatı Koleji ve Avrupa Birliği Komisyonu tarafından ortaklaşa finanse edilmiştir. Ayrıca, doğrudan finansman ortağı olmamakla birlikte, bu çözümün uygulanmasına yardımcı olmayı kabul eden Afrika Parkları Ağı Benin'in desteğine de teşekkür ederiz. Onların işbirliği, koruma çabalarımızın ilerletilmesinde çok değerli olmuştur.
Fotoğraf ve video galerisi
Bağlam
Ele alınan zorluklar
Çevresel açıdan bu çözüm, nesli kritik derecede tehlike altında olan akbabaların doğru bir şekilde izlenmesini sağlayarak popülasyon düşüşüyle mücadele ediyor. Bu, hedeflenen korumaya yardımcı olur ve hastalıkların yayılmasını önlemek ve ekosistem sağlığını korumak için gerekli olan çöpçüler olarak ekolojik rollerinin korunmasına yardımcı olur (Den Heever ve ark., 2021). Sosyal olarak, çözümümüz akbabaları kamera tuzağı ile etkili bir şekilde izlemeyi amaçlamaktadır (de Freitas vd., 2025; Fernández-Bellon vd., 2017; Harrison vd., 2019; Maphalala ve Monadjem, 2017), çünkü kamera tuzağı kullanarak geleneksel izleme zor olmaya devam etmektedir (Young, Rode-Margono ve Amin, 2018; Vélez vd., 2023). Eğitim kampanyalarını desteklemek için veri üreterek akbabaların önemi hakkındaki farkındalık eksikliğini giderir ve sınırlı kaynaklara sahip korumacıları güçlendiren erişilebilir, açık kaynaklı bir araç sunar. Ekonomik olarak, emek yoğun anketlere dayanan geleneksel izlemenin yüksek maliyetlerini azaltır.
Konum
Benin
Güney Afrika
Batı ve Orta Afrika
Kuzey Afrika
Doğu ve Güney Afrika
Süreç
Sürecin özeti
Bu entegre çözümün başarısı, bileşenlerinin birbirini nasıl güçlendirdiğine bağlıdır: Veri toplama ve yapay zeka geliştirme (Blok 1), Declas izleme aracına (Blok 2) güç veren yüksek kaliteli model eğitim verilerinin temelini oluşturarak türlerin doğru tespit edilmesini sağlar. Bu teknolojik yetenek daha sonra kapasite geliştirme ve savunuculuk programının (Blok 3) becerileri koruma uygulayıcılarına etkili bir şekilde aktarmasını sağlar. Yerel ortak ağları, hem veri toplamayı hem de yararlanıcıların eğitime katılımını kolaylaştırarak bu etkiyi artırırken, eğitim sonrası destek, aracın sürekli olarak benimsenmesini sağlar.
Yapı Taşları
Yapay zeka destekli akbaba türü tanıma modeli
Yapı taşı, görsel verilerden dört akbaba türünü(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) tespit etmek ve sınıflandırmak için bir model geliştirerek akbaba izlemeyi otomatikleştirmeyi, manuel çabayı azaltmayı, analizi hızlandırmayı ve tutarlılığı sağlamayı amaçlamaktadır. Python kodunu çalıştırmak ve modeli büyük görüntü veri kümeleri üzerinde eğitmek için Google Colab Pro+'dan yararlanır ve akbaba sınıflandırması için YOLOv11 ile Ultralytics paketini kullanır. Görüntüler 2 TB'lık bir Google Drive'da saklanmakta, rinat R paketi aracılığıyla iNaturalist veritabanından alınmakta ve Southern African Wildlife College ve Endangered Wildlife Trust'tan alınan verilerle desteklenmektedir. Computer Vision Annotation Tool (CVAT) ekip planı, birden fazla kullanıcının eğitim ve doğrulama için görüntüleri ek açıklamalarla etiketlemesine ve dışa aktarmasına olanak tanıyarak işbirliğine dayalı görüntü açıklamasına olanak tanır.
Etkinleştirici faktörler
- Hedef türleri farklı ortam ve koşullarda temsil eden çeşitli görüntüler içeren yüksek kaliteli, açıklamalı bir veri seti.
- Yapay zeka modelini eğitmek ve doğrulamak için hesaplama kaynaklarına (Google Colab Pro+) erişim.
- Modelin sonuçlarını saha koşullarında doğrulamak için koruma uzmanlarıyla işbirliği.
Çıkarılan dersler
- Tespitte yanlılığı önlemek için veri setinin gerçek dünya koşullarını temsil ettiğinden emin olun (örn. aydınlatma, açılar, habitatlar).
- Modelin yeni verilerle düzenli olarak güncellenmesi doğruluğu ve uyarlanabilirliği artırır.
- Zorluklar arasında örtüşen tür özellikleri nedeniyle yanlış sınıflandırmalar yer alır; uzmanların ilk sonuçları doğrulaması çok önemlidir.
Kaynaklar
Akbaba izleme için açık kaynaklı yazılım
Bu yapı taşı, akbaba izlemeyi otomatikleştirmek için açık kaynaklı bir yapay zeka aracı olan Declas'tan yararlanıyor. Görüntüleri veya videoları analiz ederek türleri yüksek doğrulukla tespit eder ve sınıflandırır. Sistem, manuel sayımı ortadan kaldırarak ölçeklenebilir, uygun maliyetli yaban hayatı takibi sağlar. Kullanıcılar-araştırmacılar, korucular veya koruma görevlileri- basitçe görsel verileri yüklüyor ve araç bilinçli karar verme için gerçek zamanlı içgörüler üretiyor. YOLOv11 (Ultralytics) üzerine inşa edilmiş ve kitle kaynaklı veriler üzerinde eğitilmiştir.
Etkinleştirici faktörler
- Teknik olmayan kullanıcılar için erişilebilirliği sağlamak için basit ve sezgisel bir kullanıcı arayüzü.
- Kullanıcıların uygulamayı anlaması ve etkin bir şekilde kullanması için dokümantasyon ve eğitim kaynakları.
- Aracın kullanılabilirliğini ve özelliklerini sürekli olarak geliştirmek için topluluk geri bildirimi.
Çıkarılan dersler
- Kullanılabilirlik çok önemlidir; aşırı karmaşık arayüzler kullanıcıları caydırır.
- Teknik destek ve açık dokümantasyon sunmak daha geniş bir benimseme sağlar.
- Entegrasyon zorlukları arasında yapay zeka modelinin çıktısını kullanıcı dostu görselleştirme araçlarıyla uyumlu hale getirmek de vardı; bunu çözmek için yinelemeli testler şarttı.
Kaynaklar
Hibrit eğitim ve koruma savunuculuğu
Bu yapı taşı, Benin ve Güney Afrika'daki (çevrimdışı) ve küresel olarak (Zoom aracılığıyla çevrimiçi) araştırmacılar ve koruma uzmanları için Declas kullanımı konusunda uygulamalı eğitim sağlamaktadır. Oturumlar şunları kapsamaktadır:
- Yazılım kullanımı: Verilerin yüklenmesi, yapay zeka tarafından üretilen sonuçların yorumlanması ve bulguların koruma stratejilerine entegre edilmesi.
- Koruma savunuculuğu: Akbabaların azalması ve yapay zekanın ölçeklenebilir izlemedeki rolü hakkında farkındalık yaratma.
Kursiyerler, saha araştırmalarında Declas'ı kullanmayı öğrenecek ve veri doğruluğunu artırırken manuel sayımlara olan bağımlılığı azaltacaktır. Hibrit yaklaşım, yerel ekipleri uygun maliyetli teknoloji ile güçlendirerek geniş erişilebilirlik sağlar.
Etkinleştirici faktörler
- Çevrimiçi/çevrimdışı oturumlar için güvenilir internet ve güç.
- Lojistik ve katılım için yerel ortak desteği.
- Eğitim öncesi hazırlık (materyaller, yazılım kurulumu).
Etkiler
Proje çevresel, sosyal ve ekonomik boyutlarda önemli olumlu etkiler göstermiştir.
Çevresel Etkiler
Yapay zeka destekli model Sota, Trois Rivières ve Alibori Supérieur Ormanı (Benin) ile Kempiana ve Manyeleti rezervlerinde (Güney Afrika) test edilmiştir. Bu sahalarda, analiz edilen görüntülerin %89'undan fazlasında Gyps africanus 'u doğru bir şekilde tespit ederek bu ekosistemlerdeki varlığını doğrulamıştır. Benin'de, önceki manuel araştırmalara göre %15 daha fazla bolluk tespit ederek akbaba popülasyonlarını izlemek için güvenilir veriler sağlamadaki etkinliğinin altını çizmiştir. En yoğun günlük faaliyet modellerini belirleyerek, en yoğun beslenme zamanlarında karkas mevcudiyetinin sağlanması gibi koruma stratejilerinin iyileştirilmesine yardımcı oldu.
Sosyal Etkiler
Declas yazılımı, 4 ay önce piyasaya sürülmesinden bu yana (https://zenodo.org/records/14166440) tanıtım veya hibrit eğitim olmaksızın 90'dan fazla kez indirilmiştir.
Ekonomik Etkiler
Bu araç, izleme maliyetlerini %40 oranında azaltarak daha önce kameralı tuzaklarla yapılan saha araştırmalarına harcanan kaynaklardan tasarruf edilmesini sağlamıştır. Akbabaların korunması dolaylı olarak yerel ekonomilere de fayda sağladı.
Yararlanıcılar
Afrikalı koruma kuruluşları, araştırmacılar ve yerel topluluklar, türlerin izlenmesi, veri erişiminin artırılması, kapasite geliştirme ve nesli kritik derecede tehlike altında olan akbabalar için koruma sonuçlarının güçlendirilmesi yoluyla fayda sağladı.
Ayrıca, Çözümünüzün ölçeklenebilirlik potansiyelini açıklayın. Diğer bölgelere veya ekosisteme kopyalanabilir veya genişletilebilir mi?
Çözüm güçlü bir ölçeklenebilirlik potansiyeline sahiptir ve küresel olarak diğer bölgelerde veya ekosistemlerde çoğaltılabilir. Yapay zeka modeli, farklı türleri izlemek için yerel verilerle yeniden eğitilebilirken, açık kaynaklı uygulama çeşitli koruma ekipleri için erişilebilirlik sağlar. Örneğin, Asya veya Latin Amerika'daki çöpçü türlerini, hatta yırtıcılar veya tozlayıcılar gibi diğer kilit taşı türlerini izlemek için genişletilebilir. Çözüm, küresel koruma ağlarıyla ortaklıklardan yararlanarak, uyarlanabilirliğini artırmak için birden fazla bölgeden veri kümelerini entegre edebilir. Minimum ayarlamalarla, ilgili görüntü verileri ve tür ek açıklamalarının mevcut olması koşuluyla, savanlardan ılıman bölgelere kadar farklı ekosistemlere de uygulanabilir. Maliyet etkinliği ve kullanıcı dostu tasarımı, sınırlı kaynaklara sahip ekipler için erişilebilir olmasını sağlayarak yaygın bir şekilde benimsenmesini daha da mümkün kılmaktadır.
Küresel Biyoçeşitlilik Çerçevesi (GBF)
GBF Hedef 17 - Biyogüvenliğin Güçlendirilmesi ve Biyoteknolojinin Faydalarının Dağıtılması
GBF Hedef 20 - Biyoçeşitlilik için Kapasite Geliştirme, Teknoloji Transferi ve Bilimsel ve Teknik İşbirliğinin Güçlendirilmesi
Sürdürülebilir Kalkınma Hedefleri
SKA 3 - İyi sağlık ve esenlik
SKA 9 - Sanayi, yenilikçilik ve altyapı
SKA 15 - Karada yaşam
SKA 17 - Hedefler için ortaklıklar
Hikaye
Benin'deki Sota'nın kalbinde, Ange adında genç bir doğa korumacı bir kamera tuzağının önünde durmuş, kadraja giren akbabaları hayretle izliyordu. Bu akbabalar sadece parkın vahşi yaşamının bir parçası değildi; parkın ekosistem sağlığının bir göstergesiydi ve çevredeki topluluklar için hayati önem taşıyordu. Ancak önemlerine rağmen akbabalar, özellikle de nesli kritik derecede tehlike altında olan Gyps africanus, zehirlenme, habitat kaybı ve yeterli izleme yapılmaması nedeniyle büyük tehditlerle karşı karşıyaydı.
Ange uzun süredir yaban hayatının korunmasıyla ilgileniyordu ancak akbabalar gibi türleri eski ve yoğun emek gerektiren yöntemlerle takip etmenin sinir bozucu olduğunu düşünüyordu. Araştırmalar genellikle düzensizdi ve deneyimli korumacılar bile akbaba türlerinin elle tanımlanması gibi zaman alan bir görevle mücadele ediyordu. Bu kuşları izlemek için daha etkili ve doğru bir yola duyulan ihtiyaç açıktı, ancak bu sıçramanın nasıl yapılacağı belirsizdi. Ta ki Ange bizim çözümümüzü öğrenene kadar. İlgisini çekmişti ve sınırlı kaynakların etkili izlemeyi nasıl engellediğini ilk elden görmüştü ve bu, daha doğru, gerçek zamanlı veriler sağlamak için mükemmel bir yol gibi görünüyordu.
Ange ve ekibi aracı Sota'da kullanmaya başladı. İlk birkaç ay içinde, çalışma şekillerinde dramatik bir değişim olduğunu gördüler. Araç sadece akbabaları doğru bir şekilde tespit etmekle kalmadı, aynı zamanda günlük aktivitelerini ve nüfus yoğunluklarını takip etmeye de yardımcı oldu. Modelin test edildiği Güney Afrika'daki Kempiana ve Manyeleti Rezervlerinde de sonuçlar aynı şekilde dönüştürücü oldu. Araştırmacılar artık akbabaların varlığını ve davranışlarını saatlerce saha çalışması yapmadan hızlı bir şekilde değerlendirebiliyordu.
Aminata'nın çalışmaları üzerindeki etkisi çok derin oldu. Artık geleneksel yöntemlerin kısıtlamalarıyla sınırlı değildi. Bunun yerine, artık yalnızca akbabaların korunmasını desteklemekle kalmayan, aynı zamanda Afrika'daki ekosistemlerin uzun vadeli sürdürülebilirliğine de katkıda bulunan sağlam, ölçeklenebilir ve verimli bir izleme aracına erişimi vardı. Aminata'nın başarı öyküsü, koruma alanında inovasyonun gücünün bir kanıtıdır. Teknoloji ve yerel uzmanlığın bir araya gelmesinin, hassas türlerin korunmasında ve gezegenimizin sağlığının güvence altına alınmasında nasıl gerçek bir değişim yaratabileceğini göstermektedir.
