Automated AI image recognition tools improve the efficiency of aerial wildlife counts: A multi-species case study on breeding seabirds and pinnipeds at the sub-Antarctic Bounty Islands.

Dit onderzoek toont aan dat het combineren van pilootgestuurde luchtfoto's met AI-gebaseerde beeldherkenning de telling van broedende zeevogels en zeezoogdieren op de Bounty-eilanden aanzienlijk versnelt en nauwkeuriger maakt dan traditionele handmatige methoden.

De kern

Hoe een digitale 'super-oog' duizenden vogels in enkele minuten telt: Een verhaal over de Bounty-eilanden

Stel je voor dat je een enorme, afgelegen eilandengroep in de koude wateren van de sub-Antarctica moet bezoeken. Op deze rotsachtige plekken, de Bounty-eilanden, wonen duizenden zeevogels en zeehonden. Ze zijn hier om te broeden. Maar hoe tel je ze allemaal?

Vroeger was dit een ware avontuurlijke (en vermoeiende) klus. Een team van onderzoekers moest met een boot uren varen, landen op de rotsen (wat gevaarlijk en lastig is) en vervolgens met een vergrootglas en een klikker door duizenden foto's bladeren. Het was alsof je probeerde een speld in een hooiberg te vinden, alleen dan met duizenden spelden die op elkaar lijken. Dit duurde weken, kostte veel geld en kon de vogels zelfs verstoren.

De nieuwe aanpak: Een vliegtuig en een slimme computer

In dit onderzoek hebben de auteurs een slimme oplossing bedacht. Ze hebben een piloot met een vliegtuigje gestuurd om van bovenaf heel scherpe foto's te maken van de eilanden. In plaats van dat mensen urenlang naar deze foto's staren, hebben ze een kunstmatige intelligentie (AI) ingeschakeld.

Je kunt je deze AI voorstellen als een super-snelle, nooit moe wordende teller die net zo goed kan zien als een ervaren vogelkenner, maar dan met een snelheid die een mens niet kan evenaren.

Wat hebben ze gedaan?

1. De foto's: Ze maakten een soort gigantische puzzel van de eilanden door honderden foto's aan elkaar te plakken.
2. De training: Ze leerden de computer wat een Salvin's albatross is (een grote, witte vogel). Ze gaven de computer ongeveer 1.000 voorbeelden te zien, net zoals je een kind leert een hond te herkennen door er veel foto's van te tonen.
3. De test: Vervolgens liet ze de computer de foto's opnieuw tellen en vergeleek ze dit met de oude, handmatige tellingen van de mensen.

De resultaten: Een race tussen mens en machine

Het resultaat was verbazingwekkend:

• Snelheid: Waar het de mens ongeveer 66 uur (ongeveer 1,5 werkweken) kostte om de vogels te tellen, deed de computer dit in 4 minuten. Dat is 963 keer sneller! Het is alsof je een berg wasgoed in een minuut hebt opgeborgen in plaats van een hele dag.
• Nauwkeurigheid: De computer telde bijna perfect. Het verschil met de menselijke telling was slechts 3%. De computer had een 'F1-score' van 92,8%, wat betekent dat hij in bijna alle gevallen de juiste vogel zag.
• Meer dan alleen vogels: Omdat de computer zo slim was, kon hij ook andere dieren tellen die op de foto stonden, zoals pinguïns, zeehonden en kleine zeevogels (prions), allemaal in één keer.

Waarom is dit belangrijk?

Stel je voor dat je een tuin hebt waar je de bloemen wilt tellen. Als je dat met je handen doet, duurt het dagen. Als je een drone met een slimme camera boven je tuin laat vliegen, heb je het antwoord in een seconde.

Voor de natuurbehoud is dit een game-changer:

• Minder verstoring: De vogels worden niet gestoord door mensen die over hun nesten lopen.
• Veiligheid: Onderzoekers hoeven niet meer op gevaarlijke rotsen te klimmen.
• Toekomst: Omdat het zo snel gaat, kunnen we vaker tellen. Zo weten we sneller of een diersoort in gevaar komt of herstelt.

Conclusie

Dit onderzoek laat zien dat we de oude, zware methoden kunnen vervangen door een combinatie van vliegtuigen en slimme software. Het is alsof we een zware, handmatige schep hebben vervangen door een snelle, digitale stofzuiger. De natuurwacht krijgt hierdoor een krachtig nieuw gereedschap om bedreigde soorten, zoals de kwetsbare Salvin's albatross, beter te beschermen.

Technische samenvatting

Titel: Geautomatiseerde AI-beeldherkenning verbetert de efficiëntie van luchtopnames van wilde dieren: Een multi-soort case study over broedende zeevogels en pinnipeds op de sub-Antarctische Bounty-eilanden.

1. Het Probleem

Accurate populatiemonitoring is cruciaal voor het behoud van kwetsbare soorten, zoals de Salvin-albatros (Thalassarche salvini), die als 'Kwetsbaar' (Vulnerable) is ingedeeld. Traditionele grondopnames op afgelegen locaties zoals de Bounty-eilanden (Nieuw-Zeeland) zijn logistiek uitdagend, tijdrovend, kostbaar en kunnen de broedende vogels verstoren.
Hoewel luchtopnames (vanuit bemande vliegtuigen, drones of satellieten) een oplossing bieden, is de manuele telling van dieren op de verkregen beelden een bottleneck. Dit proces is vatbaar voor fouten, vooral bij onervaren telers, en kan duizenden uren in beslag nemen. Bestaande AI-oplossingen zijn vaak beperkt tot drone-beelden (met lagere resolutie of dekking) of satellietbeelden (vaak onvoldoende resolutie voor individuele vogels). Er is een behoefte aan een schaalbare, nauwkeurige methode die hoge-resolutie beelden van bemande vliegtuigen combineert met geautomatiseerde telling.

2. Methodologie

De studie combineerde luchtopnames met geavanceerde deep learning-technieken:

• Datacollectie:

  • Locatie: Bounty-eilanden, Nieuw-Zeeland.
  • Platform: Een bemand tweemotorige turboprop (Reims F406).
  • Camera: Full-frame DSLR (Nikon D800) met een telelens (70-200mm), gemonteerd in een luik voor nadi-beelden (verticaal).
  • Parameters: Vlieghoogte 1200 ft, snelheid 120 knopen, 20% zijdelingse overlap en 45% frontale overlap.
  • Data: 450 individuele foto's werden samengevoegd tot orthomosaïeken (9 beelden) die de volledige broedkolomies dekken.

• Referentiedata (Ground Truth):

  • Een ervaren waarnemer telde manueel alle Salvin-albatrossen op de orthomosaïeken (30.899 vogels) met behulp van Photoshop en Mousecount-software. Dit proces duurde ongeveer 66 uur.

• AI-model Architectuur:

  • Model: Faster R-CNN (Region-based Convolutional Neural Network) met een Residual Network (ResNet) backbone en Feature Pyramid Network (FPN).
  • Inferentie-methode: Slicing-Aided Hyper-Inference (SAHI) om detectie te verbeteren in beelden met een groot aantal individuen door beelden in kleinere stukjes te snijden.
  • Training: Het model werd getraind op ongeveer 1.000 voorbeelden van de primaire doelsoort (albatros). Secundaire soorten (kuifpinguïns, New-Zeelandse zeehonden, fulmarprions) werden "opportunistisch" getraind met de beschikbare data in de primaire dataset (minder dan 1.000 voorbeelden per soort).
  • Validatie: Het model werd getest op een dataset van ca. 1.410 dieren. De prestaties werden gemeten aan de hand van F1-scores (harmonisch gemiddelde van precisie en recall) en een confusiematrix.

3. Belangrijkste Resultaten

• Snelheid: De AI verwerkte de beelden en telde 31.718 albatrossen in slechts 246 seconden (4,1 minuten). Dit is een versnelling van 963 keer ten opzichte van de manuele telling (66 uur).
• Nauwkeurigheid (Albatros):
  • De AI behaalde een initiële F1-score van 92,8% voor de Salvin-albatros.
  • Het totaal aantal door AI getelde vogels (31.718) verschilde met slechts 3% van de manuele telling (30.899).
  • De algehele nauwkeurigheid per locatie varieerde van 95% tot ~100%, met uitzondering van één locatie (Main Group 3b) waar een grotere afwijking was (63%), waarschijnlijk door complexe achtergronden of overlappingen.
• Multi-soort Detectie: Het model kon gelijktijdig andere soorten detecteren, zij het met lagere nauwkeurigheid door minder trainingsdata:
  • Kuifpinguïns: F1-score 89,4%.
  • Zeehonden: F1-score 48,0%.
  • Prions (petrels): F1-score 30,0%.
• Trainingseisen: Er werd een exponentiële relatie gevonden tussen de hoeveelheid trainingsdata en de nauwkeurigheid. Een minimum van 1.000 voorbeelden per soort bleek nodig om een modelnauwkeurigheid van >75% te bereiken.

4. Kernbijdragen

1. Validatie van Bemande Vliegtuigen + AI: Het bewijst dat hoogwaardige beelden van bemande vliegtuigen, gecombineerd met AI, superieur zijn aan drone- of satellietoplossingen voor het tellen van individuele vogels in grote, afgelegen kolonies.
2. Efficiëntie-Revolutie: Het reduceert de verwerkingstijd van weken naar minuten, waardoor populatiecensussen haalbaar worden binnen één vliegdag.
3. Multi-soort Schaalbaarheid: Het demonstreert dat één model meerdere soorten (vogels en zoogdieren) gelijktijdig kan tellen, wat de efficiëntie van toekomstige surveys verder verhoogt.
4. Technische Specificatie: Het biedt een gedetailleerde analyse van de impact van trainingsdatagrootte op de F1-score en introduceert SAHI voor het omgaan met dichte populaties in hoge-resolutie beelden.

5. Betekenis en Toekomstperspectief

Deze studie toont aan dat de combinatie van gevestigde luchtopnametechnieken en moderne AI-beeldanalyse een schaalbare, snelle en nauwkeurige methode biedt voor het monitoren van bedreigde zeevogelpopulaties.

• Behoud: Het stelt beheerders in staat om sneller en vaker populatiegegevens te verkrijgen zonder de dieren te verstoren, wat essentieel is voor kwetsbare soorten zoals de Salvin-albatros.
• Kostenbesparing: Het elimineert de noodzaak voor langdurige veldteams op afgelegen eilanden, wat logistieke kosten en bioveiligheidsrisico's verlaagt.
• Verbeteringspotentieel: De huidige AI telt ook vliegende vogels mee, wat de telling iets hoger maakt dan de manuele telling (die alleen nestende vogels telt). Toekomstige modellen kunnen worden getraind om vliegende en nestende vogels te onderscheiden voor nog nauwkeurigere broedpaartjes-schattingen.
• Toepasbaarheid: De methode is compatibel met bestaande workflows en kan worden uitgebreid naar andere soorten en zelfs interacties tussen schepen en zeevogels.

Kortom, dit onderzoek markeert een belangrijke stap in de automatisering van ecologisch monitoring, waarbij AI de logistieke barrières van traditionele tellingen wegneemt.