Afrikaans groot wild tellen met drones

De nieuwe techniek maakt een snelle en nauwkeurige telling mogelijk van gnoes, oryxen en andere grote zoogdieren in natuurreservaten. Met drones wordt het wild op afstand gefotografeerd en de beelden worden vervolgens geanalyseerd met behulp van objectherkenningssoftware en geverifieerd door mensen. De studie is vandaag gepubliceerd in het wetenschappelijke tijdschrift Remote Sensing of Environment.

Het tellen van wild in Afrika is een enorme uitdaging: sommige Afrikaanse nationale parken strekken zich uit over gebieden die half zo groot zijn als Zwitserland, zegt Devis Tuia, lid van het team achter het Zwitserse Savmap-project van de École polytechnique fédérale de Lausanne (EPFL). "Het automatiseren van een deel van de tellingen maakt het makkelijker om meer accurate en actuele informatie te verzamelen."

De drones maken het mogelijk (en economisch verantwoord) om over grote gebieden te tellen. Maar het is niet een kwestie van gewoon drones ergens heen sturen en ze aan het fotograferen zetten: er worden meer dan 150 foto's per vierkante kilometer gemaakt. Op het eerste gezicht is het moeilijk om de dieren te onderscheiden van andere kenmerken van het landschap, zoals struiken en rotsen. Om deze massa onbewerkte visuele gegevens te ontcijferen, gebruiken de onderzoekers een soort kunstmatige intelligentie (AI) die bekend staat als 'deep learning’.

Geen dier mag worden gemist

Het algoritme, bedacht door promovendus Benjamin Kellenberger, stelt onderzoekers in staat om de meeste van de beelden die geen wilde dieren bevatten onmiddellijk te elimineren. In de overblijvende beelden zoekt het algoritme de patronen die het meest waarschijnlijk op dieren duiden. Deze eerste fase van eliminatie en sorteren is de langste en meest zorgvuldige, zegt Devis Tuia. "Om succesvol te zijn mag het systeem geen enkel dier missen. Het moet dus een vrij grote tolerantie hebben, zelfs als dat betekent dat er meer valse positieven worden gegenereerd, zoals struiken die ten onrechte als dieren worden geïdentificeerd en die vervolgens handmatig moeten worden geëlimineerd."

Het team is begonnen met het voorbereiden van de gegevens die nodig zijn om het systeem te ‘trainen’ om interessante kenmerken te herkennen. Tijdens een internationale crowdsourcing-campagne van de École polytechnique fédérale de Lausanne hebben zo'n 200 vrijwilligers alle dieren geteld op duizenden luchtfoto's van de savanne, gemaakt door onderzoekers van het natuurreservaat Kuzikus in Namibië. Deze beelden werden vervolgens geanalyseerd door het systeem, dat was getraind op verschillende soorten fouten: het systeem krijgt één strafpunt voor het verwarren van een struik voor een dier, en 80 strafpunten voor het volledig missen van een dier.

Als gevolg hiervan leert de software dieren te onderscheiden van levenloze functies, maar vooral om geen dieren te missen. Zodra de verzameling beelden door het systeem is gecontroleerd, en dus het aantal beelden met mogelijke dieren is verminderd, neemt een mens de uiteindelijke beslissing over, wat makkelijker wordt gemaakt door een gekleurd kader dat automatisch rond dubieuze plekken (dier of geen dier?) wordt geplaatst.

100 vierkante kilometer per week

Deze semi-automatische techniek is ontwikkeld in samenwerking met biologen van het natuurreservaat Kuzikus in Namibië. Sinds 2014 hebben de onderzoekers periodiek met drones boven het reservaat gevlogen. Die drones zijn ontworpen en geoptimaliseerd door SenseFly, een Zwitsers bedrijf, en uitgerust met compacte camera's. "In het begin waren we nogal sceptisch," zegt Friedrich Reinhard, directeur van het reservaat. "De drones produceren zoveel beelden dat ik dacht dat het moeilijk zou zijn om ze in de praktijk te gebruiken."

Maar dankzij de sortering zoals die door het AI-systeem wordt gedaan, kan slechts één persoon in ongeveer een week een volledige telling uitvoeren van het Namibische reservaat - een gebied van ongeveer 100 vierkante kilometer. Conventionele methoden daarentegen houden in dat hele teams aan boord van een helikopter de waarnemingen moeten doen. Deze methoden zijn ook nog eens minder nauwkeurig en zo duur dat ze zelden worden gebruikt - in Kuzikus hooguit een keer per jaar.

De onderzoekers zetten hun werk in het Namibische reservaat voort. EPFL-studenten reizen er regelmatig naar toe. De Keniaanse autoriteiten hebben ook belangstelling getoond, evenals het Veluwe Nationaal Park in Nederland. Devis Tuia, onlangs nog tot hoogleraar aan Wageningen Universiteit benoemd, werkt nog steeds nauw samen met de Universiteit van Zürich (waar hij SNSF-hoogleraar was) en met EPFL, die het Savmap-project coördineert.

Klik hier voor ‘Detecting Mammals in UAV Images: Best practices to address a substantially imbalanced dataset with deep learning’