Команда MIT Sea Grant, Woodwell Climate Research Center и других партнеров представила рабочую систему мониторинга рыбы на базе глубокого обучения. Проект посвящен речной сельди (river herring), которая каждую весну поднимается из прибрежных вод Массачусетса вверх по рекам к местам нереста. За последние десятилетия численность этих популяций заметно снизилась, поэтому точный учет миграции критически важен для охраны вида и управления рыболовством.
Материал опубликован в журнале Remote Sensing in Ecology and Conservation. Авторы описали, как перевести мониторинг из редких «снимков» в почти непрерывные оценки, используя подводное видео и модели computer vision. Источник новости: news.mit.edu.
Почему старые методы уже не справляются
Традиционный учет часто строится на визуальных подсчетах с берега и работе волонтеров. Такой подход полезен, но у него есть ограничения: короткие дневные окна наблюдений, зависимость от погоды и человеческого ресурса. В результате часть миграции просто выпадает из статистики, особенно ночные проходы и короткие «всплески», когда за несколько минут проходит сразу много рыбы.
Даже при наличии камер ручной просмотр видео занимает слишком много времени. Поэтому исследователи сделали ставку на автоматизацию: оставить человеку важную экспертную роль, а рутинный подсчет передать алгоритму.
Как устроена новая система на базе ИИ
Команда собрала полноценный конвейер, от съемки в поле до обучения модели. Подводные камеры работали в трех реках Массачусетса: Coonamessett (Фалмут), Ipswich (Ипсвич) и Santuit (Машпи).
Чтобы модель была устойчивой в реальной среде, в датасет включили разные условия: мутность воды, освещение, плотность рыб, сезон и время суток. Затем ролики вручную размечали по кадрам, отмечая рыбу ограничивающими рамками. Всего подготовлено 1 435 видеоклипов и размечено 59 850 кадров.
Проверка качества: ИИ против ручных подсчетов
Результаты модели сравнили сразу с несколькими независимыми источниками: ручным просмотром видео, визуальными наблюдениями на реке и данными PIT-тегирования (метода, где рыбу отслеживают по специальным меткам). Лучшие показатели дали модели, обученные на разнородных данных из нескольких рек и разных лет. Их оценки по сезону в целом совпали с традиционными методами.
Что удалось узнать о поведении рыбы
Система дала не только итоговые числа, но и более детальную картину миграции. На данных 2024 года по реке Coonamessett алгоритм насчитал 42 510 особей речной сельди. Также выявилось, что пик движения вверх по реке приходился на рассвет, а обратное движение вниз чаще шло ночью, вероятно в более темные и тихие часы, когда ниже риск встречи с хищниками.
Это важный момент: компьютерное зрение помогает увидеть временные паттерны, которые сложно поймать при эпизодических наблюдениях человеком.
Почему это важно для индустрии ИИ и экологии
Проект показывает зрелый сценарий применения AI for Nature, где ИИ не «заменяет людей», а усиливает существующие практики. Для ИИ-индустрии это пример масштабируемого и недорогого внедрения: камеры, открытые инструменты разметки, проверяемая модель и понятная валидация.
Для природоохранных служб это шанс получать более плотные и точные данные в течение всего сезона, а значит, быстрее принимать решения по ограничениям вылова, восстановлению среды и защите миграционных коридоров.
Волонтеры остаются в центре процесса
Авторы отдельно подчеркивают: классический мониторинг пока нельзя выключать, потому что длинные исторические ряды данных должны оставаться сопоставимыми. Даже при автоматизации роль гражданской науки остается ключевой.
- Волонтеры нужны для обслуживания камер в поле.
- Они помогают в разметке новых видео для дообучения моделей.
- Они участвуют в проверке качества предсказаний ИИ.
Итоговая идея проста: объединение наблюдений людей и данных, сгенерированных алгоритмами, дает более целостный мониторинг экосистем.
Кто участвовал и кто поддержал исследование
В работе участвовали специалисты из MIT Sea Grant, MIT CSAIL, MIT Lincoln Laboratory, Woodwell Climate Research Center и компании Intuit. Финансирование обеспечил MIT Sea Grant, а также ряд исследовательских программ в сфере климата, биоразнообразия и водных систем.
Для рынка это хороший ориентир: междисциплинарные проекты на стыке машинного обучения, экологии и полевых измерений уже дают практический эффект, а не только лабораторные демо.
