Команда MIT Sea Grant, Woodwell Climate Research Center и других партнеров представила рабочую систему, которая автоматически считает рыбу с помощью компьютерного зрения. Проект нацелен на мониторинг речной сельди, чья численность в Новой Англии снижается уже много лет.
Исследование показывает, что сочетание добровольческого наблюдения и глубокого обучения дает более полную картину миграции рыб, чем ручной подсчет в одиночку. Работа опубликована в журнале Remote Sensing in Ecology and Conservation.
Почему старая схема учета рыбы уже не справляется
Традиционный мониторинг часто опирается на визуальный подсчет с берега и участие волонтеров. Такой подход полезен, но у него есть ограничения: наблюдения идут короткими интервалами днем, зависят от погоды, освещения и человеческого ресурса.
Из-за этого можно пропустить важные пики миграции, когда за несколько минут проходит сразу много рыбы. Ночные перемещения тоже часто остаются вне статистики, а это искажает итоговые оценки.
Как работает новая AI-система мониторинга
Исследователи собрали полный конвейер: от установки подводных камер до обучения модели и проверки результатов. Проще говоря, система «видит» рыбу в видео, распознает ее, отслеживает траекторию и автоматически ведет подсчет.
Видео записывали в трех реках штата Массачусетс: Coonamessett, Ipswich и Santuit. Чтобы модель не ломалась в реальных условиях, в датасет включили разные сцены: мутную и прозрачную воду, разное освещение, сезоны, плотность рыбы и время суток.
Что сделали с данными
- Отобрали клипы с максимально разнообразными условиями съемки.
- Разметили рыбу вручную по кадрам с помощью bounding boxes (рамок вокруг объектов).
- Подготовили 1 435 видеоклипов и 59 850 размеченных кадров для обучения модели.
После этого AI-счет сравнили с ручным просмотром видео, визуальными береговыми наблюдениями и данными PIT-меток. Совпадение оказалось высоким, особенно у моделей, обученных на данных из нескольких рек и за несколько лет.
Главный результат: не только «сколько», но и «когда» и «как»
На видео миграции 2024 года в реке Coonamessett система насчитала 42 510 речных сельдей. Но главное, она выявила поведенческие закономерности, которые трудно уловить вручную.
Пик движения вверх по реке пришелся на рассвет, а обратное движение чаще происходило ночью. Это важный сигнал для экологов: рыба, вероятно, использует темное и более тихое время, чтобы снижать риск встречи с хищниками.
Почему это важно для индустрии ИИ и экологии
Для отрасли AI for Earth это показательный кейс, где модель работает не в лаборатории, а в «грязных» полевых условиях. Такой подход масштабируется: его можно адаптировать для других видов рыб и водных экосистем.
Для природоохранных служб это шанс получать непрерывные и детальные данные без резкого роста затрат. Чем точнее мониторинг, тем лучше решения по восстановлению популяций, правилам рыболовства и защите нерестилищ.
Заменит ли нейросеть волонтеров
Нет, по крайней мере в ближайшие годы. Авторы подчеркивают: ручной мониторинг нужно сохранять, чтобы не разрывать долгосрочные ряды наблюдений и корректно сравнивать данные по годам.
Оптимальная модель, по мнению команды, это сотрудничество: гражданская наука + компьютерное зрение. Волонтеры по-прежнему нужны для обслуживания камер, разметки новых видео и проверки качества предсказаний моделей.
Кто участвовал в проекте
В работе участвовали специалисты из MIT Sea Grant, MIT CSAIL, MIT Lincoln Laboratory, Woodwell Climate Research Center и компании Intuit. Финансирование обеспечили MIT Sea Grant и ряд научных программ, включая инициативы по климатической адаптации, биоразнообразию и студенческим исследованиям.
Итог проекта можно сформулировать просто: AI не отменяет человека, а усиливает его. В задачах экологического мониторинга именно такой гибридный подход может стать новым стандартом в ближайшие годы.
