ИИ пришёл в рыбный мониторинг: что сделали MIT и партнёры
Команда MIT Sea Grant, Woodwell Climate Research Center, MIT CSAIL, MIT Lincoln Laboratory и компании Intuit представила рабочую систему подсчёта рыбы на базе глубокого обучения и компьютерного зрения. Проект посвящён мониторингу речной сельди в Массачусетсе, где каждую весну рыба поднимается вверх по рекам к местам нереста.
Для региона это важная задача: популяции речной сельди заметно снизились за последние десятилетия. Поэтому экологам и службам управления рыболовством нужны более точные и непрерывные данные о миграции.
Почему старых методов уже недостаточно
Традиционный подход, когда рыбу считают визуально на берегу или по коротким наблюдениям волонтёров, даёт лишь фрагменты картины. Такие наблюдения часто проходят днём и в ограниченные интервалы, а значит, ночные перемещения и «всплески» миграции могут выпадать из статистики.
Подводное видео потенциально решает проблему непрерывности, но ручной просмотр тысяч часов записей слишком трудоёмок. Именно здесь помогает автоматизация на базе ИИ: алгоритм берёт на себя рутину и ускоряет обработку данных.
Как работает новая система
Исследователи построили полный конвейер: от установки подводных камер в реках до разметки кадров и обучения модели. Видео собирали сразу в трёх локациях Массачусетса, чтобы система видела разные условия, а не училась на «идеальной» картинке.
Для тренировки модели в датасет включили сцены с разной освещённостью, мутностью воды, плотностью рыбы, временем суток и сезоном. Затем кадры размечали вручную: отмечали рыбу прямоугольниками, чтобы алгоритм учился её находить, отслеживать и считать. В итоге команда обработала 1 435 видеоклипов и размечала 59 850 кадров.
Проверка качества
Результаты ИИ сравнили с тремя независимыми источниками: ручным просмотром видео, визуальными подсчётами у реки и данными PIT-меток (электронных меток для отслеживания животных). Наилучший результат дали модели, обученные на данных из разных рек и разных лет. Такие модели показали стабильные сезонные оценки, сопоставимые с классическими методами.
Что удалось узнать о поведении рыбы
Система не только считает особей, но и показывает динамику миграции во времени. На данных по реке Coonamessett за 2024 год алгоритм насчитал 42 510 рыб и выявил чёткие паттерны: движение вверх по течению чаще всего усиливалось на рассвете, а движение вниз происходило в основном ночью.
Проще говоря, ИИ помог увидеть, когда именно рыба проходит и как её перемещения связаны с условиями среды. Для биологов и природоохранных служб это ценно: можно точнее планировать меры защиты и оценивать состояние популяции.
Почему это важно для индустрии ИИ
Этот кейс показывает, как прикладной ИИ выходит за пределы офисной аналитики и работает в реальной экологии. Здесь важен не «красивый демо-ролик», а надёжная система, которая выдерживает сложные полевые условия и даёт проверяемые результаты.
Кроме того, проект демонстрирует модель сотрудничества, где гражданская наука и ИИ не конкурируют, а дополняют друг друга. Волонтёры остаются необходимыми: обслуживают камеры, участвуют в разметке и помогают валидировать модели. Такой гибридный подход может стать стандартом не только для рыбы, но и для мониторинга других водных видов.
Что дальше
Авторы подчёркивают: полностью отказываться от традиционных наблюдений пока рано. Долгие исторические ряды данных нужно сохранять, чтобы переход к автоматическим подсчётам был корректным и сопоставимым.
Но направление уже ясно: сочетание компьютерного зрения, полевых наблюдений и участия сообщества даёт более полную картину экосистемы. Для рыбного хозяйства и охраны природы это шаг к более точным, быстрым и масштабируемым решениям.
- Источник: news.mit.edu
- Публикация: Remote Sensing in Ecology and Conservation
- Тема исследования: автоматический подсчёт мигрирующей рыбы по подводному видео
