En su investigación, el profesor asociado del Departamento de NRS Tiejun Wang y su estudiante de maestría Zijing Wu desarrollaron un modelo de IA para localizar y contar automáticamente grandes manadas de ungulados migratorios (ñus y cebras). Utilizaron su método en el ecosistema Serengeti-Mara utilizando imágenes satelitales de alta resolución (38–50 cm).
Lograron una detección precisa de casi 500 000 individuos en miles de kilómetros cuadrados y múltiples tipos de hábitat. Los científicos del Departamento de Recursos Naturales (Facultad TIC-Universidad de Twente) publicaron recientemente sus resultados en la revista Comunicaciones de la naturaleza.
La Gran Migración de ñus es la migración de mamíferos terrestres más grande de nuestro planeta. Impulsa múltiples procesos ecológicos que respaldan la salud de los humanos y la vida silvestre en toda la región. Sin embargo, debido al cambio climático y de uso/cobertura de la tierra, este proceso natural se está viendo comprometido. El desarrollo de métodos de monitoreo precisos y rentables se ha convertido rápidamente en una necesidad vital para proteger a los ñus y al ecosistema.
Para abordar este problema, Tiejun Wang demuestra, por primera vez, la capacidad de las técnicas de aprendizaje automático y detección remota por satélite para contar de forma automática y precisa poblaciones muy grandes de ñus y cebras. Incluso a través del paisaje altamente heterogéneo de su viaje migratorio.
«Actualmente estamos en el primer año de implementación del marco global de biodiversidad posterior a 2020, que la ONU adoptó en la 15.ª Conferencia de las Partes del Convenio de la ONU sobre la Diversidad Biológica. La ONU también estableció recientemente los Objetivos de Desarrollo de Sostenibilidad Global, así como el primera ronda de evaluaciones de riesgos sobre la biodiversidad y los servicios de los ecosistemas a través de la Plataforma Intergubernamental sobre Biodiversidad y Servicios de los Ecosistemas», explica Wang.
«La pérdida de biodiversidad sin precedentes, así como las lagunas en el conocimiento sobre aspectos clave de la biodiversidad (p. ej., poblaciones de especies) aclaran la necesidad de integrar mediciones de biodiversidad en la Tierra desde el suelo y desde el espacio. Por lo tanto, el esfuerzo por combinar de abajo hacia arriba y de arriba Los enfoques reducidos para el monitoreo de la biodiversidad nunca han sido tan críticos», dijo Wang.
Las nuevas técnicas de aprendizaje automático y teledetección satelital hacen posible monitorear la biodiversidad global con rapidez y precisión. Estas eficiencias prometen revelar nuevos conocimientos ecológicos a escalas espaciales que son pertinentes para la gestión de poblaciones y ecosistemas completos. La investigación de Wang demuestra, por primera vez, la capacidad de las técnicas de aprendizaje automático y detección remota por satélite para contar de forma automática y precisa poblaciones muy grandes de mamíferos terrestres en un paisaje altamente heterogéneo.
Este estudio arrojó resultados altamente precisos y el conjunto de datos de entrenamiento más grande jamás publicado de un estudio de vida silvestre basado en satélites (53,906 anotaciones). Más allá de proporcionar un método verdaderamente transferible y de código abierto para estudios de vida silvestre basados en satélites, el enfoque es espacialmente escalable para los primeros conteos totales de ungulados migratorios en paisajes abiertos. La observación de manadas expansivas de ungulados migratorios desde el espacio presenta una perspectiva completamente novedosa para el estudio de la ecología de las agregaciones animales.
Más información:
Zijing Wu et al, El aprendizaje profundo permite el monitoreo satelital de grandes poblaciones de mamíferos terrestres en paisajes heterogéneos, Comunicaciones de la naturaleza (2023). DOI: 10.1038/s41467-023-38901-y
Proporcionado por la Universidad de Twente
Citación: Uso de IA para empujar los límites de las tecnologías de estudio de la vida silvestre (2 de junio de 2023) consultado el 3 de junio de 2023 en https://phys.org/news/2023-06-ai-boundaries-wildlife-survey-technologies.html
Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.