Cameravallen

Ogen in de bush, hersenen in de cloud

  • door Stijn Verschueren 1 februari 2022
Ogen in de bush, hersenen in de cloud

Technologie maakt de weg vrij voor uitdagingen op het gebied van natuurbehoud

Op afstand geplaatste camera's met bewegingsdetectie geven ons een uniek beeld van het dierenleven in het wild. Ze stellen ons in staat de natuur te observeren en te begrijpen met minimale menselijke tussenkomst, wat cruciaal is voor het bestuderen van raadselachtige en ongrijpbare soorten zoals cheeta's. Cameravallen zijn onmisbaar in de gereedschapskist van een ecoloog en CCF-onderzoekers vertrouwen dan ook sterk op het gebruik ervan in hun missie om de cheeta te redden.

De afgelopen jaren heeft technologische vooruitgang de methodologie van camera-trapping radicaal veranderd. Waar onderzoekers twintig jaar geleden wekelijks analoge filmrollen moesten verzamelen, verbeterde het digitale tijdperk de beeldkwaliteit, verlengde de batterijduur en nam de geheugencapaciteit toe. Onderzoekers verzamelen nu enorme hoeveelheden beelden, tot een punt waarop de binnenkomende datastroom overweldigend en te groot wordt om handmatig te verwerken.

Afbeelding van een analoge cameraval
Digitale camera's vangen beelden op. Digitale camera's zorgen voor een grotere efficiëntie bij het verzamelen van beelden, wat grote hoeveelheden data oplevert!

Kunstmatige intelligentie schiet te hulp! Computervisie, machinaal leren, patroonherkenning en diverse geavanceerde algoritmen hebben talloze toepassingen in de moderne samenleving. Dus waarom zouden we deze niet inzetten voor de bescherming van onze planeet? Deze vraag werd onderzocht door de Canadese non-profitorganisatie Tech 4 Conservation , waarmee CCF samenwerkt om technische oplossingen toe te passen voor de bescherming van cheeta's en de uitdagingen die gepaard gaan met cameravallen.

Het verwerken van beelden van cameravallen verloopt volgens verschillende stappen. De eerste is het filteren van 'lege' beelden. Golvende vegetatie op winderige dagen activeert vaak onterecht de bewegingsdetector van cameravallen en kan tot wel 90% van de verzamelde beelden uitmaken. Vervolgens moet het dier op de afbeelding worden gedetecteerd en als de juiste soort worden gelabeld. Bij cheeta's is individuele identificatie ook vereist om een ​​diepgaand inzicht te krijgen in hun populatiestatus en -dynamiek. Dit kan worden bereikt door de vlekkenpatronen en hun vachten te vergelijken, die lijken op vingerafdrukken en vaak worden gebruikt als een unieke identificatie.

CCF werkt sinds kort samen met twee AI-gestuurde platforms voor de verwerking van cameravalgegevens: TrapTagger en African Carnivore Wildbook . Beide platforms automatiseren de verschillende stappen in het classificatieproces, waardoor de verwerkingstijd van de gegevens aanzienlijk wordt verkort. Medewerkers van CCF kunnen zich nu richten op de analyse van de gegevens zelf en op het ontwikkelen van weloverwogen en gerichte natuurbeschermingsmaatregelen die cheeta's en hun leefomgeving beschermen!

De TrapTagger-interface toont een cameravalfoto waarop het algoritme drie cheeta's heeft gedetecteerd. Het platform stroomlijnt het classificatieproces en kan tot 55 soorten wilde dieren uit zuidelijk Afrika herkennen!
Beide afbeeldingen van dezelfde cheeta (op verschillende momenten vastgelegd) werden gekoppeld via het African Carnivore Wildbook. Dankzij dit platform hebben CCF-onderzoekers individuen kunnen koppelen aan afbeeldingen die tot wel 10 jaar geleden zijn verzameld!

Technologie maakt de weg vrij voor natuurbehouduitdagingen, waardoor CCF haar werk op het gebied van natuurbehoud in het hele leefgebied van de cheeta kan voortzetten en uitbreiden. Cameravallen vormen een fundamenteel aspect van dit werk en CCF-onderzoekers zijn vastbesloten dit werk voort te zetten met behulp van geavanceerde technologie.

De cameravallen werden gefinancierd door de Indianapolis Zoo Awards Global Conservation Grant , het Go Green Fund (een initiatief van Nedbank Namibia en Namibia Nature Foundation) en particuliere donaties.

Delen met vrienden