ИИ пришёл в экологический мониторинг рек
Команда из MIT Sea Grant, Woodwell Climate Research Center, MIT CSAIL, MIT Lincoln Laboratory и Intuit представила рабочую систему автоматического учёта рыбы на базе компьютерного зрения. Проект посвящён речной сельди (river herring), численность которой в Новой Англии заметно снижалась в последние десятилетия.
Каждую весну эти рыбы поднимаются из прибрежных вод в реки и ручьи на нерест. Для экологов и регуляторов это важный период: от точности подсчётов зависит качество решений по сохранению популяций и управлению рыболовством.
Почему старые методы уже не справляются в одиночку
Традиционный мониторинг обычно строится на визуальных наблюдениях, часто с участием волонтёров. Такой подход полезен, но имеет ограничения: наблюдения ведутся в короткие дневные окна, зависят от погоды, освещения и человеческого ресурса.
Из-за этого легко пропустить ночные перемещения и короткие «пики» миграции, когда за несколько минут проходит сразу много рыбы. Другие технологии, вроде гидроакустики и сонаров, тоже помогают, но не всегда доступны по цене и условиям.
Как устроена новая система
Исследователи собрали полноценный pipeline, то есть цепочку «от камеры до результата». Сначала в трёх реках Массачусетса установили подводные камеры: Coonamessett (Falmouth), Ipswich и Santuit (Mashpee). Затем видео разметили и обучили модели глубокого обучения.
Чтобы ИИ работал в реальных условиях, в датасет включили разные сценарии: мутность воды, перепады света, разное время суток, сезонные отличия, плотность и виды рыб. В итоге команда вручную разметила 1 435 видеоклипов и 59 850 кадров с bounding boxes (рамками вокруг объектов), по которым алгоритм учится находить и отслеживать рыбу.
Проверка точности
Автоматические подсчёты сравнили с ручным просмотром видео, визуальными учётами на берегу и данными PIT-меток (passive integrated transponder, электронные метки для отслеживания животных). Лучший результат дали модели, обученные на данных из нескольких рек и нескольких лет.
По качеству итоговые сезонные оценки совпали с традиционными методами, но дали более детальную картину по времени и интенсивности миграции.
Что показали реальные данные 2024 года
На примере реки Coonamessett система насчитала 42 510 особей речной сельди за сезон миграции 2024 года. Дополнительно ИИ выявил поведенческие паттерны: пик движения вверх по течению приходился на рассвет, а обратное движение чаще происходило ночью.
Это важный результат: автоматизация не только «считает головы», но и помогает понять, как рыба реагирует на среду, освещённость и риск хищников.
Почему это важно для индустрии ИИ
Проект демонстрирует зрелый кейс AI for Nature, где ИИ решает прикладную задачу с понятной пользой для экологии и экономики. Здесь хорошо видно, что ценность создаёт не одна модель, а вся инфраструктура: сбор данных, разметка, валидация, интеграция с полевыми практиками.
Для отрасли это сигнал: компьютерное зрение всё активнее выходит за пределы классических коммерческих сценариев и становится частью критически важного природоохранного мониторинга.
Людей ИИ не заменяет, а усиливает
Авторы подчёркивают, что полностью отказываться от традиционного мониторинга пока рано. Долгосрочные экологические ряды требуют сопоставимости, поэтому ручные методики ещё нужны, пока агентства не внедрят автоматический учёт повсеместно.
Волонтёры также остаются ключевыми участниками процесса: обслуживают камеры, помогают с разметкой и проверяют работу моделей. Оптимальный подход, по мнению команды, это связка гражданской науки и компьютерного зрения, где данные дополняют друг друга и дают более целостную картину состояния экосистем.
Исследование опубликовано в журнале Remote Sensing in Ecology and Conservation. Источник новости: MIT News.
