ИИ пришел в экологию рек: рыбу теперь считает не только человек
Каждую весну речная сельдь в Массачусетсе поднимается из прибрежных вод вверх по рекам к местам нереста. Но за последние десятилетия ее популяция заметно сократилась, поэтому точный учет рыбы стал критически важной задачей для экологии и рыболовства.
Команда из MIT Sea Grant, Woodwell Climate Research Center, MIT CSAIL, MIT Lincoln Laboratory и Intuit представила практичное решение: автоматический подсчет рыбы с помощью подводного видео и компьютерного зрения. Результаты опубликованы в журнале Remote Sensing in Ecology and Conservation.
Почему старые методы уже не справляются
Традиционный мониторинг обычно строится на визуальных наблюдениях и участии волонтеров. Это важная работа, но у нее есть ограничения: подсчеты идут в короткие дневные окна, зависят от погоды, освещения и человеческого ресурса.
Из-за этого легко пропустить ночные перемещения и краткие «волны» миграции, когда за несколько минут проходит сразу много рыбы. В итоге ученые получают неполную картину, а именно на этих данных строятся решения по охране видов и управлению промыслом.
Как работает новая система на базе глубокого обучения
Исследователи собрали полный рабочий конвейер: от установки камер в реках до обучения моделей. Это называется end-to-end pipeline, то есть единая цепочка, где данные проходят все этапы без ручных разрывов.
Видео записывали в трех реках Массачусетса: Coonamessett, Ipswich и Santuit. Затем ролики вручную размечали покадрово: специалисты отмечали рыбу прямоугольниками, чтобы алгоритм научился ее находить, отслеживать и считать.
Для обучения использовали разнообразные условия: разное время суток, сезон, прозрачность воды, освещенность, плотность и виды рыбы. Всего команда обработала 1 435 видеоклипов и разметила 59 850 кадров.
Проверка точности
Подсчеты ИИ сравнили сразу с несколькими источниками: ручной проверкой видео, наблюдениями у реки и данными PIT-меток (система индивидуальных меток для отслеживания животных). Такой кросс-контроль показал, что модели, обученные на данных из разных рек и сезонов, дают наиболее надежный результат.
Что удалось узнать о миграции рыбы
Система не только считает особей, но и выявляет поведенческие паттерны. На данных миграции 2024 года в реке Coonamessett алгоритм зафиксировал 42 510 речных сельдей.
Также ИИ показал, что пик движения вверх по реке приходится на рассвет, а обратное движение чаще происходит ночью. Это важный сигнал: рыба, вероятно, использует темное и более тихое время, чтобы снижать риск встречи с хищниками.
Почему это важно для индустрии ИИ и природоохранных проектов
Этот кейс показывает зрелость AI for Good: искусственный интеллект выходит за пределы лабораторий и решает прикладные задачи в реальной среде. В отличие от дорогих и сложных систем, подход с видео и нейросетями выглядит масштабируемым и сравнительно доступным для региональных программ мониторинга.
Для ИИ-отрасли это пример того, как deep learning повышает качество данных в науках о природе. Чем лучше данные, тем точнее экологические прогнозы, а значит, эффективнее решения регуляторов и природоохранных организаций.
ИИ не заменяет волонтеров, а усиливает их
Авторы подчеркивают: полностью отказываться от традиционных наблюдений пока рано. Долгосрочные ряды данных нужно сохранять сопоставимыми, пока агентства не внедрят автоматизацию повсеместно.
Оптимальный путь, по мнению исследователей, это совместная модель: гражданская наука + компьютерное зрение. Волонтеры остаются ключевыми участниками процесса, от обслуживания камер до разметки и верификации результатов моделей.
- Для ученых: более детальные и непрерывные данные о миграции.
- Для регуляторов: надежная база для решений по управлению ресурсами.
- Для общества: понятный пример, как ИИ помогает сохранять биоразнообразие.
Проект финансировался MIT Sea Grant и рядом партнерских программ, включая инициативы в области климатической адаптации, воды, продовольственных систем и исследований влияния ИИ на биоразнообразие.
