概述
它將大量的相機陷阱影像和聲音記錄轉化為可行的保護決策。
深入探討
環保人士部署了數千個動作觸發的相機陷阱、麥克風和 GPS 項圈,這些設備產生的數據遠遠超過人們可以查看的數據。人工智慧改變了數學。電腦視覺模型掃描相機陷阱影像來偵測和識別物種、計數個體,甚至透過條紋或斑點圖案識別特定動物。生物聲學模型聆聽森林和海洋的錄音,以標記鳥鳴聲、鯨魚叫聲或表示偷獵的電鋸和槍聲。衛星影像模型幾乎即時繪製森林砍伐和棲息地喪失的地圖。 Wildlife Insights、Zamba 和 Rainforest Connection 等專案可處理數百萬個文件,使護林員和生物學家能夠專注於回應,而不是繁瑣的手動排序和標記。
現實世界的實施
Wildlife Insights 使用 Google AI 對數億張相機陷阱照片進行自動分類,將研究人員的影像審查時間從幾小時縮短到幾秒。
Rainforest Connection 將舊智慧型手機改造成太陽能監聽設備,可以偵測電鋸和卡車的聲音,並即時向護林員發出非法伐木警報。
鯨魚叫聲偵測模型掃描水下水聽器記錄,以定位瀕臨滅絕的北大西洋露脊鯨,並改變船隻路線以防止致命的碰撞。
條紋和斑點圖案辨識工具(如用於斑馬、老虎和鯨鯊的工具)可識別照片中的個別動物,以估計族群規模。
人工智慧在野生動物保育監測的未來
預期較小型模型能直接在現場的邊緣裝置上運行。局部分析可減少需要傳輸的原始資料量,例如當裝置發送警報或選定偵測時;實際的頻寬與電池節省取決於模型大小、硬體、使用週期與網路設定。即時反偷獵網路、搭載熱成像的無人機以及聲學陣列將越來越多地即時啟動巡邏員。跨多種物種與感測器訓練的基礎模型應能減少每個專案所需的標記資料,而開放平台則使模型可共享,即使是資金有限的小型保育團體也能受益。
付諸實踐
為什麼這很重要
- 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
- 團隊與工作流程. 良好的工作流程整合可以創造使用者值得信賴的生產力效益。
- 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。
留意
- 將損壞的流程自動化可能會加劇現有問題。
- 團隊可能會過度自動化並消除所需的人工判斷。
- 如果不持續評估輸出,品質可能會出現偏差。
後續步驟
- 繪製目前工作流程並確定摩擦最大的步驟。
- 在完全自動化之前定義人工檢查點。
- 對使用者進行提示、升級路徑和品質標準的訓練。
- 追蹤任務級結果以確認持續價值。
不斷探索
常見問題
什麼是野生動物保育監測中的人工智慧?
人工智慧以人類無法做到的規模自動分析照片、聲音和感測器數據,幫助科學家計數、追蹤和保護野生動物。它將大量的相機陷阱影像和聲音記錄轉化為可行的保護決策。
為什麼人工智慧對於相機陷阱保護專案特別有用?
相機陷阱專案可累積的影像數量遠超人力能有效檢視的範圍;Wildlife Insights 描述利用 AI 識別空白照片並分類物種,以協助優先審查。
在自動化森林-野生動物聲音分類工作流程中,CNN 如何接收錄音?
美國林務局的一項研究工作流程透過卷積神經網路,將短音訊片段產生的頻譜圖像分類,以偵測動物聲音。
動物個體的「重新識別」靠什麼?
度量學習將動物獨特的條紋或斑點映射到嵌入空間中,使模型能夠在不同的目擊中匹配同一個體。
雨林連接系統如何幫助打擊非法採伐?
经过改造的智能手机可以监听电锯和卡车的独特声音,发送即时警报,以便护林员可以在损害蔓延之前进行干预。
為什麼遷移學習在野生動物視覺模型中很常見?
许多物种几乎没有带标签的照片,因此从大型预训练模型开始并进行微调,可以让系统在有限的数据下表现良好。