A behaviour-centric digital twin framework for animal monitoring: from managed enclosures to landscapes

Decennialang was de manier waarop we dieren observeren een spel van fragmenten. In dierentuinen, natuurreservaten en revalidatiecentra vertrouwen onderzoekers op vaste camera's om gedrag te observeren. Een camera in een hoek ziet de linkerkant van een vijver; een andere op een paal ziet de rechterkant. Elke lens legt een deel van de wereld vast, maar geen enkele camera ziet het hele plaatje. Wanneer wetenschappers proberen te begrijpen hoe een dier zijn ruimte gebruikt, moeten ze deze onsamenhangende beelden vaak handmatig aan elkaar naaien, of erger nog, ze verwarren een blinde vlek met een plek waar het dier simpelweg niet van houdt. Deze aanpak is niet alleen incompleet; het is vaak ook verstorend. Het installeren van nieuwe camera's in een bezet verblijf vereist boren, bekabeling en herhaalde menselijke aanwezigheid, wat de dieren die worden bestudeerd stress geeft. Idealiter zou het monitoringsysteem perfect moeten zijn voordat er ook maar één gereedschap de grond raakt, en de data zouden de werkelijke wereld van het dier moeten weerspiegelen, niet alleen het beperkte zicht van de camera.

Dit is waar het concept van een "digitale tweeling" (digital twin) in beeld komt. Stel je een perfecte, virtuele kopie voor van een fysieke plaats, gebouwd met dezelfde afmetingen, texturen en verlichting als de werkelijkheid. In de techniek worden deze tweelingen gebruikt om machines te testen voordat ze worden gebouwd. In de ecologie helpen ze wetenschappers in de dop om populaties te begrijpen, maar ze zijn zelden gebruikt om individuele dieren in hun dagelijkse habitats te observeren. Een nieuw raamwerk, ontwikkeld door onderzoekers van Vantara, een centrum voor wildopvang en -revalidatie in India, heeft tot doel dit gat te vullen. Zij hebben een systeem gecreëerd dat een verblijf in een dierentuin transformeert in een levende, interactieve kaart. Dit systeem registreert niet alleen video; het begrijpt de driedimensionale ruimte, weet precies wat elke camera wel en niet kan zien, en vertaalt elke beweging naar een precieze locatie op een kaart die de werkelijke wereld van het dier vertegenwoordigt.

De onderzoekers pasten dit raamwerk toe op twee specifieke verblijven in hun centrum: één voor Amerikaanse zwarte beren en een ander voor dwernhippopotamussen. Voor het zwarte berenverblijf, dat bijna 1.000 vierkante meter beslaat, bouwden zij een gedetailleerde virtuele replica met behulp van satellietbeelden, dronefoto's en landmetingen. Dit digitale model bevat het terrein, een vijver, rotswanden, klimstructuren en zelfs de specifieke bomen en boomstammen die het zicht kunnen blokkeren. Ze plaatsten virtuele camera's op exact dezelfde plekken waar de echte camera's waren geïnstalleerd, waarbij ze de hoogte en hoek nabootsten. Voordat het systeem met echte data vertrouwd kon worden, voerde het team een rigoureuze zelftest uit. Ze genereerden duizenden synthetische, door de computer gegenereerde bewegingen voor twee virtuele beren, waardoor een "ground truth" ontstond van waar de dieren zich zouden moeten bevinden. Vervolgens voedden ze deze nepbewegingen aan hun detectiesysteem om te zien of de software de posities nauwkeurig kon herstellen.

De resultaten van deze simulatie waren precies. Wanneer het systeem naar de data van een enkele camera keek, kon het de locatie van een beer aanwijzen met een mediane fout van ongeveer 19 centimeter. De ware kracht van het systeem kwam echter naar voren toen het de beelden van meerdere camera's combineerde. Door de data vanuit verschillende hoeken te fuseren, daalde de fout naar slechts 7 centimeter. Deze fusie stelde het systeem in staat om 94,8% van de tijd dat de dieren actief waren te zien, waardoor de "blinde vlekken" die de traditionele monitoring teisteren effectief werden geëlimineerd. Cruciaal was dat het systeem ook het onderscheid kon maken tussen een ruimte die echt leeg was en een ruimte die simpelweg buiten het zicht lag. Bij oudere methoden, als een camera een hoek van het verblijf niet kon zien, zou de software kunnen aannemen dat het dier die hoek vermeed. Dit nieuwe raamwerk markeert die verborgen gebieden als "onwaarneembaar", wat ervoor zorgt dat de data reflecteren wat er daadwerkelijk is gezien, en niet wat er is gemist.

Naast het louter volgen van bewegingen, maakt het raamwerk een niveau van planning mogelijk dat voorheen onmogelijk was. De onderzoekers gebruikten de digitale tweeling om het cameranetwerk te analyseren voordat er enige hardware werd geïnstalleerd, een proces dat in een echt, bezet verblijf onmogelijk zou zijn zonder de dieren te storen. Ze berekenden dat de vijfcamera-opstelling die ze uiteindelijk installeerden, 85,1% van het verblijf zichtbaar zou maken voor ten minste één camera, met 57,4% zichtbaar voor twee of meer camera's tegelijkertijd. Het systeem identificeerde dat één specifieke camera, gepositioneerd nabij de ingang van de grot, een specialist was die heel weinig van het algemene gebied zag, maar essentieel was voor het bewaken van de ingang. Het onthulde ook dat een andere camera, gelegen bij het einde van het zwembad, de meest kritieke was voor de algehele dekking; als die zou falen, zou het zichtbare gebied aanzienlijk afnemen. Bovendien kon de tweeling voorspellen wanneer de zon direct in de lenzen zou schijnen, wat voor reflecties zou zorgen die het beeld uitwassen. Het toonde aan dat de zuidgericht georiënteerde camera's tijdens de winterzonnewende tot tien uur per dag verblind zouden worden door de zon, een probleem dat nu opgelsvbaar is door de montagehoek aan te passen of infraroodverlichting te gebruiken, nog voordat de camera's werden aangezet.

Het uiteindelijke doel van dit werk is het creëren van een continu verhaal voor elk dier, van revalidatie tot vrijlating. Momenteel wordt het leven van een dier vaak bestudeerd in twee losstaande fasen: de tijd die doorgebracht wordt in een beheerd verblijf en de tijd in het wild. Dit raamwerk stelt een brug voor tussen die twee. Dezelfde digitale architectuur die wordt gebruikt om een beer in een dierentuin te monitoren, zou kunnen worden aangepast om diezelfde beer te monitoren nadat deze in het wild is uitgezet, met behulp van GPS-halsbanden en cameravallen in plaats van vaste CCTV. Dit zou wetenschappers in staat stellen om een enkel, consistent verslag bij te houden van het gedrag van een individu, waarbij ze vergelijken hoe het de ruimte gebruikte in gevangenschap versus hoe het navigeert in het wild. Hoewel de huidige studie zich richtte op de precisie van de monitoring in het verblijf, is het ontwerp gemaakt om op te schalen naar deze grotere, wildere omgevingen.

De onderzoekers benadrukken dat hun bevindingen gebaseerd zijn op een zeer nauwkeurige simulatie en een retrospectieve analyse van een reeds geïnstalleerd cameranetwerk. Het systeem is in deze specifieke studie nog niet getest op live, realtime beelden van de beren, hoewel de onderliggende detectiesoftware al draait op het netwerk van het centrum. Het succes van de simulatie bewijst dat de wiskundige en geometrische fundamenten solide zijn, wat een foutmarge oplevert die klein genoeg is om te vertrouwen op voor gedragsanalyse. Door de ontwerpfase en de testfase naar een virtuele wereld te verplaatsen, zorgt het raamwerk ervoor dat de fysieke installatie de eerste keer correct is, waardoor de dieren de stress van herhaalde constructie wordt bespaard. Het transformeert diermonitoring van een verzameling gefragmenteerde, tweedimensionale videoclips naar een verenigde, driedimensionale meting van het leven, waarbij elke stap wordt bijgehouden en elke blinde vlek bekend is.