Pages

Utilizar el aprendizaje automático para acelerar la investigación ecológica


El Serengeti es uno de los últimos sitios que quedan en el mundo que alberga una comunidad intacta de grandes mamíferos. Estos animales deambulan por vastas extensiones de tierra, algunos de los cuales migran miles de kilómetros a través de múltiples países tras las lluvias estacionales. A medida que la invasión humana alrededor del parque se hace más intensa, estas especies se ven obligadas a alterar su comportamiento para sobrevivir. El aumento de la agricultura, la caza furtiva y las anomalías climáticas contribuyen a los cambios en los comportamientos de los animales y en la dinámica de las poblaciones, pero estos cambios se han producido a escalas espaciales y temporales que son difíciles de controlar con los métodos de investigación tradicionales. Existe una gran urgencia por entender cómo funcionan estas comunidades animales a medida que crecen las presiones humanas, tanto para entender la dinámica de estos últimos ecosistemas prístinos, como para formular planes de manejo efectivos para conservar y proteger la integridad de este hotspot de biodiversidad único.

Con este fin, DeepMind está colaborando con ecologistas y conservacionistas para desarrollar métodos de aprendizaje automático que ayuden a estudiar la dinámica de comportamiento de toda una comunidad animal africana en el Parque Nacional del Serengeti en Tanzania. La región del Serengeti no tiene parangón en el mundo por su biodiversidad, ya que alberga unas 70 especies de grandes mamíferos y 500 especies de aves, gracias en parte a su geología única y a la variedad de sus hábitats. Hace casi una década, el programa de Investigación del León del Serengeti instaló cientos de cámaras sensibles al movimiento en el centro del área protegida. Las cámaras se activan al pasar por la fauna silvestre, capturando imágenes de animales con frecuencia, a través de vastas escalas espaciales, lo que permite a los investigadores estudiar el comportamiento, la distribución y la demografía de los animales con gran resolución espacial y temporal.

Durante los últimos nueve años, el equipo ha recopilado y almacenado millones de fotos como la anterior. Hasta ahora, voluntarios de todo el mundo han ayudado a identificar y contar las especies en las fotos a mano utilizando la plataforma web Zooniverso, que alberga muchos proyectos similares para científicos-ciudadanos. Esto ha dado como resultado un rico conjunto de datos, Snapshot Serengeti, que incluye etiquetas y cuenta con alrededor de 50 especies diferentes. En la actualidad, el proceso de anotación requiere mucho trabajo y mucho tiempo: se tarda hasta un año desde el momento en que se activa la cámara hasta que se recogen las etiquetas de los voluntarios. Este cuello de botella no sólo ha impedido la capacidad de los científicos para llevar a cabo investigaciones básicas, sino que también ha dificultado que los conservacionistas reaccionen de manera adaptativa ante los desafíos y perturbaciones que perturban el ecosistema. Para ayudar a los investigadores a desbloquear estos datos con mayor eficiencia, hemos utilizado el conjunto de datos Snapshot Serengeti para entrenar modelos de aprendizaje de máquinas para detectar, identificar y contar automáticamente los animales.

El uso del aprendizaje automático para la conservación no es algo nuevo. Por ejemplo, los investigadores han aprovechado previamente las fotos de turistas y los videos de YouTube para rastrear animales, y las grabaciones de audio para identificar especies por sus llamadas. Los datos de las trampas de la cámara pueden ser difíciles de trabajar con animales que pueden aparecer desenfocados, y pueden estar a muchas distancias y posiciones diferentes con respecto a la cámara (como en la imagen de arriba). Con el aporte experto de la Dra. Meredith Palmer, destacada ecologista y conservacionista, nuestro proyecto tomó forma rápidamente, y ahora tenemos un modelo que puede funcionar a la par con, o mejor que, los anotadores humanos para la mayoría de las especies de la región. Es importante destacar que este método acorta el proceso de procesamiento de datos en hasta 9 meses, lo que tiene un inmenso potencial para ayudar a los investigadores en el campo.

Por supuesto, el trabajo de campo es desafiante y está plagado de peligros inesperados, tales como fallas en las líneas eléctricas y un acceso limitado o nulo a Internet. Actualmente están preparando el software para su despliegue en el campo, y buscando formas de ejecutar de forma segura el modelo pre-entrenado con modestos requisitos de hardware y poco acceso a Internet. Han trabajado estrechamente con los colaboradores en el campo para asegurarse de que la tecnología sea utilizada de manera responsable. Una vez en funcionamiento, los investigadores del Serengeti podrán hacer uso directo de esta herramienta, ayudándoles a proporcionarles información actualizada sobre las especies para apoyar mejor sus esfuerzos de conservación.

Enlace Web - Fuente

CompuTekni

¡No olvides seguirnos en Telegram para recibir las mejores noticias del día!

No hay comentarios.:

Publicar un comentario