WIO-ReefFish: A High-Resolution Dataset for Taxon-Aware Coral Reef Fish Detection in the Western Indian Ocean

لفهم صحة الشعاب المرجانية، غالباً ما ينظر العلماء إلى الأسماك التي تسبح فوقها. إذ يعمل تنوع وأعداد الأنواع المختلفة الموجودة بمثابة تقرير حي عن النظام البيئي، مما يكشف عما إذا كانت الشعاب المرجانية مزدهرة أم تعاني. لعقود من الزمن، اعتمد الباحثون على الغواصين للسباحة على طول الشعاب المرجانية، وعدّ الأسماك التي يروها، وتدوين ما وجدوه. هذا العمل اليدوي بطيء ومكلف ويصعب توسيع نطاقه ليشمل المساحات الشاسعة من المحيطات التي تحتاج إلى المراقبة. وفي السنوات الأخيرة، بدأت الحواسيب في تعلم كيفية رصد هذه الأسماك تلقائياً في مقاطع الفيديو تحت الماء، مما يوفر وسيلة لتسريع العملية. ومع ذلك، لكي تتعلم هذه البرامج الحاسوبية بفعالية، فإنها تحتاج إلى التدريب على مجموعات كبيرة من الصور الواقعية حيث يتم تحديد كل سمكة بعناً من قبل البشر. وكانت مثل هذه المجموعات نادرة، خاصة بالنسبة لغرب المحيط الهندي، مما ترك فجوة في قدرتنا على مراقبة هذه الموائل الحرجة باستخدام التكنولوجيا الحديثة.

تعالج دراسة جديدة هذه الفجوة من خلال تقديم مجموعة ضخمة وعالية الجودة من الصور تحت الماء المصممة خصيصاً لتعليم الحواسيب كيفية العثور على أسماك الشعاب المرجانية وتحديدها. فقد جمع الباحثون ألف صورة فائقة الوضوح، تلتقط كل منها مشهداً واسعاً للشعاب المرجانية كما يراها الغواص أثناء مسح قياسي. هذه الصور ليست مجرد لقطات؛ بل ترافقها آلاف الخطوط الدقيقة المرسومة حول كل سمكة على حدة، لتحدد بدقة مكان وجود كل واحدة منها ونوعها. تغطي مجموعة البيانات أربعة وعشرين مجموعة مختلفة من الأسماك، مما يحافظ على الطريقة المعقدة التي تعيش بها هذه الحيوانات معاً في بيئتها الطبيعية. ومن خلال جعل هذا المورد متاحاً للجمهور، وفر الفريق أرضية تدريب واقعية لأدوات الرؤية الحاسوبية، متجاوزين الاختبارات المختبرية البسيطة إلى الواقع المزدحم والمربك للشعاب المرجانية.

استخدم الفريق هذه الصور لاختبار مدى جودة أداء تسعة نماذج حاسوبية مختلفة في مهمتين محددتين. تطلبت المهمة الأولى من الحاسوب العثين على سمكة وتسمية نوعها المحدد، وهي عملية تُعرف باسم "الكشف المدرك للفئة" (class-aware detection). أما المهمة الثانية، فقد طلبت من الحاسوب فقط تحديد موقع السمكة، دون الحاجة لمعرفة نوعها بالضبط، وهو ما أطلقوا عليه "التحديد غير المرتبط بالفئة" (class-agnostic localization). أظهرت النتائج فرقاً واضحاً في الأداء؛ فعندما طُلب من الحواسيب ببساطة العثور على الأسماك، حققت أداءً جيداً جداً، ونجحت في تحديد مواقعها حتى عندما كانت الصور جديدة وغير مسبوقة. ومع ذلك، عندما تطلبت المهمة من الحاسوب أيضاً تحديد النوع المحدد للسمكة، انخفض الأداء بشكل ملحوظ. وقد رفع أفضل نموذج من دقة تحديد الأنواع من مستوى متوسط إلى مستوى أعلى بكثير عندما كان المطلوب هو مجرد العثد على وجود السمكة. يشير هذا إلى أنه بينما أصبحت الحواسيب جيدة جداً في رصد وجود سمكة ما، فإن التمييز بين نوع وآخر يظل تحدياً أصعب بكثير في ظل الضجيج البصري المعقد للشعاب المرجانية.

كما اختبرت الدراسة مدى جودة عمل هذه النماذج في أماكن لم ترها من قبل. فعندما قيم الباحثون الأنظمة باستخدام صور من مواقع مسح مختلفة ومن دول مختلفة، تراجعت القدرة على تحديد أنواع الأسماكن المحددة بشكل ملحوظ. واجهت النماذج صعوبة في تعميم معرفتها على بيئات جديدة عندما طُلب منها تسمية الأنواع. وفي المقابل، ظلت القدرة على تحديد موقع الأسماك فقط قوية وموثوقة عبر هذه الإعدادات المختلفة. يشير هذا إلى أنه بينما أصبحت الأدوات المؤتمتة جاهزة للمساعدة في عد كمية الأسماك في منطقة ما، فإن الاعتماد عليها لتصنيف الأنواع المحددة للأسماك في منطقة جديدة يتطلب مزيداً من التطوير. يضع هذا العمل معياراً جديداً لقياس التقدم في هذا المجال، مما يوفر أساساً لبناء أدوات أكثر قوة يمكنها في النهاية دعم المراقبة واسعة النطاق للتنوع البيولوجي للشعاب المرجانية في غرب المحيط الهندي.