هوش مصنوعی چگونه آینده حفاظت از پرندگان را تغییر می‌دهد؟
دانشمندان با استفاده از هوش مصنوعی در حال تجزیه‌وتحلیل حجم عظیمی از تصاویر و صداها هستند و به اطلاعات بی‌سابقه‌ای درباره زندگی پرندگان و راه‌های مؤثرتر برای حفاظت از آن‌ها دست پیدا می‌کنند.
مترجم: نگار نادری
چرا پایش پرندگان به هوش مصنوعی نیاز پیدا کرده است؟
پژوهشگران حوزه حفاظت از طبیعت برای بررسی و سرشماری پرندگان، گاهی زحمت زیادی را به جان می‌خرند؛ پیش از طلوع آفتاب از خواب بیدار می‌شوند، ساعت‌ها در جاده‌های فرعی رانندگی می‌کنند و مسیرهای دشوار را پیاده طی می‌کنند؛ همه این تلاش‌ها برای به‌دست آوردن اطلاعاتی درباره گونه‌های موجود در یک منطقه و تعداد پرندگان هر گونه انجام می‌شود. متیو وِلدی، مدیر ارشد بخش علوم کمی در انجمن آدوبون، می‌گوید این تلاش‌ها ارزشمندند، زیرا داده‌هایی را فراهم می‌کنند که برای پایش و حفاظت از جمعیت پرندگان در زیستگاه‌های مهم سراسر جهان ضروری هستند. دوربین‌ها و دستگاه‌های ضبط صدا که به‌صورت راهبردی در مناطق مختلف نصب می‌شوند، می‌توانند دامنه دسترسی پژوهشگران را افزایش دهند؛ اما حجم بسیار زیاد اطلاعاتی که این دستگاه‌ها ثبت می‌کنند، خیلی زود از توان بررسی و تحلیل پژوهشگران خارج می‌شود.
هوش مصنوعی با سرعت زیادی در حال متحول کردن روش‌های پایش و بررسی پرندگان است. دانشمندان از این فناوری استفاده می‌کنند تا مثلاً از میان ماه‌ها فایل صوتی ضبط‌شده در یک جنگل یا هفته‌ها تصویر ثبت‌شده در جزیره‌ای دورافتاده، اطلاعات و یافته‌های ارزشمندی به دست آورند. تام دنتون، مهندس نرم‌افزاری که بعدها به پژوهشگر حوزه علمی تبدیل شد و مدل هوش مصنوعی Perch را توسعه داد، می‌گوید: «موضوع فقط بررسی و دسته‌بندی حجم زیادی از داده‌ها نیست؛ هوش مصنوعی کمک می‌کند خیلی سریع‌تر به پاسخ برسیم.» Perch یکی از چندین مدل هوش مصنوعی پیش‌بینی‌کننده‌ای است که پژوهشگران برای تحلیل صداهای پرندگان از آن استفاده می‌کنند.
امروزه زیست‌شناسان حیات‌وحش بیش از پیش از هوش مصنوعی برای مقابله با چالش‌های حفاظت از طبیعت در مناطق گسترده و بررسی پرسش‌های جدید پژوهشی استفاده می‌کنند. وِلدی می‌گوید: «این فناوری برای این حوزه یک تحول اساسی ایجاد کرده است.» در شرایطی که تنوع زیستی با سرعت زیادی در حال کاهش است، زیستگاه‌ها تخریب می‌شوند و تغییرات اقلیمی ادامه دارد، هرچه زودتر به پاسخ این پرسش‌ها برسیم، بهتر است.
هوش مصنوعی و توانمندسازی جوامع محلی
جنگل‌های گسترده مانگرو در خلیج پاریتا در پاناما، پناهگاه ده‌ها هزار پرنده مهاجر هستند و یکی از ایستگاه‌های مهم توقف پرندگان در مسیر مهاجرت اقیانوس آرام به شمار می‌روند. برای تقویت استدلال‌ها در حمایت از حفاظت از این زیستگاه، فعالان و پژوهشگران حوزه حفاظت از طبیعت می‌خواستند بررسی کنند که جمعیت پرندگان چه ارتباطی با سلامت این اکوسیستم دارد؛ به‌ویژه اینکه چه میزان کربن در خاک و درختان این اکوسیستم ذخیره شده است. اما به گفته خورخه ولاسکس، مدیر بخش علوم آدوبون در آمریکای لاتین و کارائیب، سرشماری پرندگانی که در میان گل‌ولای و ریشه‌های درهم‌تنیده مانگروها زندگی می‌کنند، کار بسیار دشواری بود.
برای شناسایی گونه‌های حاضر در این منطقه، پژوهشگران از دستگاه‌های ضبط صدای محیطی استفاده کردند تا آوازها و صداهای پرندگان را ثبت کنند. سپس داده‌های به‌دست‌آمده را با کمک یک مدل هوش مصنوعی تحلیل کردند. این مدل پیش‌تر با هزاران ساعت فایل صوتی آموزش دیده بود تا الگوهای ظریف و پیچیده موجود در صداهای پرندگان را تشخیص دهد. پژوهشگران در این بررسی ۲۷ گونه پرنده را شناسایی کردند که پیش از آن در خلیج پاریتا ثبت نشده بودند. علاوه بر این، یافته‌های آن‌ها نشان داد که حفاظت از مانگروهایی که پرندگان فراوانی در آن‌ها زندگی می‌کنند، به حفظ مناطق سرشار از کربن نیز کمک می‌کند؛ مناطقی که نقش مهمی در کاهش اثرات تغییرات اقلیمی دارند.
این تیم ۲۷ گونه را مشاهده کرد که پیش‌تر در خلیج پاریتا ثبت نشده بودند.
این پروژه به ولاسکس نشان داد که ابزارهای هوش مصنوعی چگونه می‌توانند تلاش‌ها برای حفاظت از مناطق ارزشمند از نظر تنوع زیستی را سرعت ببخشند. اکنون انجمن آدوبون با دریافت کمک‌هزینه ۲ میلیون دلاری از «صندوق زمین بزوس» (Bezos Earth Fund)، در قالب پروژه‌ای مشارکتی به نام Escucha Aves و با همکاری مجموعه‌ای از شرکای حوزه فناوری و حفاظت از طبیعت، در حال گسترش استفاده از این فناوری است.
این پروژه کار خود را از ۹ منطقه در کلمبیا آغاز کرده و قرار است در ادامه به پرو و بولیوی نیز گسترش پیدا کند. ولاسکس و همکارانش به اعضای جوامع محلی و سازمان‌های منطقه‌ای آموزش می‌دهند تا دستگاه‌های ضبط صدای محیطی را نصب و راه‌اندازی کنند. او می‌گوید افراد محلی در این پروژه به‌عنوان همکاران پژوهشی فعالیت می‌کنند؛ آن‌ها در انتخاب محل نصب دستگاه‌ها مشارکت دارند، داده‌های ثبت‌شده را جمع‌آوری می‌کنند، مدل هوش مصنوعی را اجرا می‌کنند و نتایج به‌دست‌آمده را نیز بررسی و تأیید می‌کنند. سپس کارشناسان داده‌ها را بررسی می‌کنند، فهرستی از گونه‌های شناسایی‌شده ارائه می‌دهند و نتایج را روی نقشه نیز ثبت می‌کنند.
این پروژه در سن کارلوس، منطقه‌ای کوهستانی و صعب‌العبور در شرق آنتیوکیا، کلمبیا، تاکنون نتایج امیدوارکننده‌ای به همراه داشته است. کارکنان سازمان محلی Fundación Darién که با مالکان زمین همکاری می‌کند، دستگاه‌های ضبط صدا را در مناطقی نصب کردند که امیدوار بودند بتوانند شبکه موجود مناطق حفاظت‌شده را در آن‌ها گسترش دهند. تحلیل‌های هوش مصنوعی به شناسایی پرنده‌ای غیرمنتظره، یعنی Tawny-faced Quail (Rhynchortyx cinctus)، انجامید؛ این پرنده در محلی شناسایی شد که بیش از ۶۰ مایل، معادل حدود ۹۷ کیلومتر، با محدوده شناخته‌شده پراکنش آن فاصله داشت
پس از آن، پژوهشگران برای تأیید حضور این پرنده، یک دوربین تله‌ای در منطقه نصب کردند و حضور بلدرچین را تأیید کردند. اکنون گروه‌های محلی قصد دارند از این کشف برای جذب پرنده‌نگرهای بیشتر به این منطقه استفاده کنند. ایجاد چنین فرصت‌های اقتصادی مرتبط با حفاظت از طبیعت می‌تواند حمایت جوامع محلی از مناطق حفاظت‌شده را افزایش دهد و به تأمین هزینه‌های این مناطق و پایداری مالی آن‌ها کمک کند.
ولاسکس می‌گوید: «ما این پلتفرم را ایجاد کرده‌ایم تا جوامع محلی را توانمند کنیم.» او اضافه می‌کند که تاکنون «میزان مشارکت آن‌ها فوق‌العاده بوده است. در ساده‌ترین سطح، مردم می‌خواهند بدانند چه چیزهایی در محیط اطرافشان دارند تا بتوانند از آن‌ها محافظت کنند.»
هوش مصنوعی برای مدیریت اکوسیستم‌ها
تصویر: Sébastien Plassard
بوم‌شناس، کانر وود، فعالیت پژوهشی خود در زمینه بررسی صداهای طبیعت را در سال ۲۰۱۷ آغاز کرد؛ زمانی که تلاش داشت کاهش جمعیت جغد خالدار (Spotted Owl) را در منطقه سیرا نوادا در کالیفرنیا بررسی کند؛ منطقه‌ای وسیع با مساحتی تقریباً برابر با ایالت ورمونت را برای ردیابی این پرنده شب‌زی که شب‌ها با صداهایی مانند هوت‌هوت و سوت ارتباط برقرار می‌کند، به همراه زک پیری، بوم‌شناس دانشگاه ویسکانسین–مدیسن، و یک گروه میدانی بررسی کردند و با نصب دستگاه‌های ضبط صدا در سراسر منطقه پژوهش خود را آغاز کردند.
این دستگاه‌ها به‌تدریج به شبکه‌ای متشکل از ۱۶۰۰ دستگاه تبدیل شدند که بخش گسترده‌ای از منطقه را پوشش می‌دادند. به پیشنهاد یکی از همکاران، وود دستگاه‌ها را طوری برنامه‌ریزی کرد که تا صبح به ضبط ادامه دهند؛ شاید صداهایی که ثبت می‌کردند، اطلاعات ارزشمندی در اختیار پژوهشگران قرار می‌دادند.
وود می‌گوید این تصمیم نتیجه خوبی به همراه داشت. او که اکنون در مرکز «کورنل کی. لیزا یانگ برای زیست‌آواشناسی حفاظت» به‌عنوان پژوهشگر فعالیت می‌کند، توضیح می‌دهد که در سال ۲۰۲۰، داده‌های صوتی جمع‌آوری‌شده امکان نخستین آزمون موفق و گسترده BirdNET را فراهم کردند؛ مدلی متن‌باز که در دانشگاه کرنل مدیریت می‌شود و امروزه پژوهشگران سراسر جهان از آن برای شناسایی پرندگان بر اساس بخش‌هایی از آواز آن‌ها استفاده می‌کنند. این برنامه بعدها توانست بیش از ۹۰ گونه پرنده را در میان یک میلیون ساعت فایل صوتی ضبط‌شده توسط وود شناسایی کند.
پس از موفقیت در شناسایی گونه‌های مختلف پرندگان، وود و پیری دامنه فعالیت خود را در سیرا نوادا گسترش دادند. آن‌ها دیگر تنها یک گونه را پایش نمی‌کردند، بلکه هدف بلندپروازانه‌تری را دنبال می‌کردند: کمک به نهادهای مسئول مدیریت اراضی عمومی برای مدیریت بهتر اکوسیستم. آن‌ها با دریافت کمک‌هزینه‌ای از ناسا، داده‌های صوتی مربوط به پرندگان را با تصاویر ماهواره‌ای ترکیب کردند؛ تصاویری که اطلاعاتی مانند میزان پوشش تاج درختان و ارتفاع آن‌ها را نشان می‌دهند. سپس با استفاده از این داده‌ها، ابزاری برای پشتیبانی از تصمیم‌گیری سازمان جنگل‌داری ایالات متحده در کالیفرنیا ساختند.
این نرم‌افزار می‌تواند پیش‌بینی کند که برای مثال، اجرای یک آتش‌سوزی کنترل‌شده چه تأثیری بر جمعیت گونه‌های مختلف پرندگان خواهد داشت؛ از سسک‌ها گرفته تا دارکوب‌ها. این ابزار به مدیران اراضی کمک می‌کند تصمیم‌هایی آگاهانه‌تر و به‌موقع‌تر بگیرند و هنگام برنامه‌ریزی، طیف گسترده‌ای از گونه‌های جانوری و تنوع زیستی را در نظر داشته باشند. وود می‌گوید: «هدف ما این است که روند احیای جنگل‌ها را که به‌شدت لازم است، در مقیاسی بسیار بزرگ‌تر و با سرعت بیشتری انجام دهیم. در دنیای امروز، سرعت عمل ضروری است.»
در زمان انتشار مقاله اصلی در تابستان ۲۰۲۶، نسخه رایگان BirdNET امکان شناسایی حدود ۶۵۰۰ گونه پرنده را داشت. این برنامه در آینده می‌تواند به دانشمندان برای شناسایی گونه‌های جانوری بیشتری نیز کمک کند. BirdNET در ابتدا برای شناسایی پرندگان طراحی شده بود، اما این برنامه تمام صداها را به رشته‌ای طولانی از اعداد تبدیل می‌کند که عملاً مانند یک بارکد صوتی عمل می‌کند. وود از این قابلیت برای ردیابی گرگ‌های خاکستری، قورباغه‌ها و وزغ‌ها در سیرا نوادا استفاده کرده است. او پیش‌بینی می‌کند نسخه‌های سفارشی آینده این برنامه برای زیست‌بوم‌های مختلف به‌طور اختصاصی تنظیم شوند تا بتوانند طیف گسترده‌ای از جانوران صدا تولیدکننده را شناسایی کنند.
یکی از نخستین نمونه‌های آزمایشی این رویکرد، با نام BirdNET Pantanal، در حال توسعه است. وود با همکاری انجمن حفاظت از حیات‌وحش (Wildlife Conservation Society) قصد دارد از هوش مصنوعی برای پایش تمام گونه‌هایی که صدا تولید می‌کنند استفاده کند؛ از پرندگان آوازخوان و قورباغه‌های در حال قورقور گرفته تا جگوارهایی که غرش می‌کنند. هدف، پایش حیات‌وحش در تالاب گسترده پانتانال در آمریکای جنوبی است؛ منطقه‌ای که با تهدیدهای مختلفی روبه‌روست.
وود می‌گوید چنین پیشرفت‌هایی به «بوم‌شناسان اجازه می‌دهد بلندپروازانه‌تر فکر کنند». به کمک این فناوری، آن‌ها می‌توانند سلامت یک اکوسیستم را با جزئیات و دقت بیشتری بررسی کنند؛ دیدگاهی که وود زمانی تصور نمی‌کرد دستیابی به آن امکان‌پذیر باشد.
رمزگشایی از آواز پرندگان
با گرم‌تر شدن هوا، پرنده‌نگرها می‌توانند آواز متمایز و اغلب نافذ Ovenbird را بشنوند؛ آوازی که تکرار چند نت کوتاه، شبیه گفتن «تیچر، تیچر، تیچر» به گوش می‌رسد. پرنده‌ای از خانواده سسک‌ها با تاجی به رنگ طلایی که در شمال‌شرق ایالات متحده زادآوری می‌کند. اما آیا پرنده‌ای که یک صبح آوازش را می‌شنوید، همان پرنده‌ای است که روز بعد همان آواز را سر می‌دهد؟ سام لپ، دانشجوی دکتری دانشگاه پیتسبورگ، می‌گوید حتی بیشتر متخصصان هم نمی‌توانند این موضوع را تشخیص دهند و تا همین اواخر، نرم‌افزارها نیز قادر به انجام آن نبودند. او می‌گوید شناسایی یک پرنده از روی آوازش «چیزی دور از ذهن یا حتی افسانه‌ای به نظر می‌رسید، تا اینکه واقعاً با دقت بیشتری به این موضوع پرداختیم.»
تصویر: Sébastien Plassard
مدل‌های هوش مصنوعی موجود که گونه‌های پرندگان را شناسایی می‌کنند، معمولاً تلاش می‌کنند تفاوت‌های موجود در آواز افراد یک گونه را نادیده بگیرند؛ قابلیتی که به آن‌ها کمک می‌کند مثلاً Ovenbird را از پرنده‌ای مانند Tufted Titmouse که آوازش شبیه «پیتر، پیتر، پیتر» است، تشخیص دهند. اما لپ و همکارانش برای شناسایی یک Ovenbird مشخص در میان سایر پرندگان، به بررسی طیف‌نگاشت‌ها پرداختند؛ تصاویری که زیر و بمی و شدت صدای پرنده را به شکل بصری نشان می‌دهند.
هر آواز Ovenbird شامل چهار تا شش نت است و لپ دریافت که هر پرنده در همین نت‌ها الگوی صوتی منحصربه‌فردی دارد؛ الگویی که تشخیص آن برای بیشتر انسان‌ها دشوار است، اما به احتمال زیاد خود این سسک‌ها می‌توانند آن را تشخیص دهند. او می‌گوید: «این اطلاعات از همان ابتدا وجود داشته است، اما ما به شیوه درستی به آن نگاه نمی‌کردیم.»
لپ با استفاده از فایل‌های صوتی ضبط شده طی چهار سال در ۱۲۶ نقطه مختلف، یک مدل هوش مصنوعی را به کار گرفت تا گونه‌های مختلف پرنده Ovenbird را به‌طور خودکار از یکدیگر تشخیص دهد.
چگونه می‌توان میلیون‌ها ساعت صدای ضبط‌شده را تحلیل کرد؟
لپ با استفاده از ضبط‌های صوتی انجام‌شده طی چهار سال در ۱۲۶ نقطه از مناطق شکار و پارک‌های ایالتی پنسیلوانیا، یک مدل هوش مصنوعی را به کار گرفت تا پرنده‌های مختلف گونه Ovenbird را به‌طور خودکار از یکدیگر تشخیص دهد. در مجموع، او توانست ۴۰۵ پرنده منحصربه‌فرد را شناسایی کند و متوجه شد بسیاری از آن‌ها هر سال دوباره به همان محل بازمی‌گردند؛ ۷۲ پرنده نیز در هر چهار سال در همان منطقه شناسایی شدند. به گفته او، دانستن اینکه چه تعداد از این پرندگان دوباره به یک مکان مشخص بازمی‌گردند، راه دیگری در اختیار مدیران مناطق طبیعی قرار می‌دهد تا کیفیت زیستگاه را ارزیابی کنند و میزان موفقیت روش‌های احیای جنگل را که در این مناطق آزمایش کرده‌اند، بسنجند.
این پژوهش در خط مقدم استفاده از هوش مصنوعی برای حفاظت از طبیعت قرار دارد. توانایی ردیابی پرندگان مشخص در طول زمان بسیار ارزشمند است، زیرا به دانشمندان کمک می‌کند درک بهتری از الگوهای جابه‌جایی، رفتار و میزان بقای پرندگان به دست آورند. با این حال، جمع‌آوری چنین داده‌هایی به روش‌های سنتی دشوار و زمان‌بر است و معمولاً به روش‌هایی مانند حلقه گذاری و یا سایر روش‌های نشانه‌گذاری نیاز دارد که مستلزم گرفتن دوباره آن‌هاست.
لپ معتقد است اگرچه روش‌های شناسایی پرندگان بر اساس صدا ممکن است برای شناسایی تک‌تک پرندگان در همه گونه‌ها به یک اندازه مؤثر نباشد، اما این روش ظرفیت بسیار زیادی دارد. بسیاری از پرندگان و دیگر جانوران وحشی ممکن است از صداهای خود برای شناسایی یکدیگر استفاده کنند. او می‌گوید: «حلقه مفقوده این است که بتوانیم به ماشین‌ها آموزش دهیم این تفاوت‌ها را تشخیص دهند.»
شناسایی تهدیدها با هوش مصنوعی
در جزیره‌های دورافتاده و صعب‌العبور سراسر جهان، سازمان غیرانتفاعی Island Conservation گاهی سال‌ها برای از بین بردن موش‌ها، گربه‌ها و دیگر گونه‌های مهاجم تلاش می‌کند؛ جانورانی که به حیات‌وحش بومی مانند پرستوهای دریایی، آلباتروس‌ها و دیگر پرندگانی که روی زمین لانه می‌سازند، آسیب می‌زنند. دیوید ویل، مدیر ارشد بخش تأثیرگذاری و نوآوری این سازمان، می‌گوید یکی از بزرگ‌ترین چالش‌ها این است که بدانیم آیا عملیات ریشه‌کن کردن این جانوران واقعاً به پایان رسیده است یا نه. حتی باقی ماندن چند جانور مهاجم می‌تواند تمام تلاش‌های پرهزینه و زمان‌بر انجام‌شده را بی‌نتیجه کند.
از سال ۲۰۱۰، سازمان Island Conservation برای پیدا کردن جانورانی که ممکن است همچنان در منطقه باقی مانده باشند، از دوربین‌های تله‌ای مجهز به حسگر حرکتی استفاده کرده است. معمولاً لازم است فردی به محل هر دوربین برود، تصاویر ثبت‌شده را از دستگاه دریافت کند و سپس آن‌ها را برای بررسی بیشتر تحلیل کند؛ کاری که اصلاً آسان نیست. ویل جزیره رابینسون کروزو در شیلی را مثال می‌زند. در این جزیره، پژوهشگران باید برای جمع‌آوری فایل‌ها در سراسر منطقه پیاده‌روی کنند، منتظر پرواز به سرزمین اصلی بمانند و سپس داده‌ها را پردازش کنند. به گفته ویل، از زمان آغاز این فرایند تا رسیدن به نتایج ممکن است تا شش ماه طول بکشد. در این مدت، موش‌هایی که از عملیات جان سالم به در برده‌اند، فرصت کافی برای تولیدمثل و افزایش جمعیت دارند.
تصویر: Sébastien Plassard
در سال ۲۰۲۳، این سازمان برای سرعت بخشیدن به این فرایند، یک پروژه آزمایشی را در جزیره فلوریانا در مجمع‌الجزایر گالاپاگوس آغاز کرد. آن‌ها با همکاری دو سازمان غیرانتفاعی Conservation X Labs و Fundación Jocotoco، دستگاه بی‌سیمی به نام Sentinel را به کار گرفتند تا دوربین‌های تله‌ای را به یک سیستم هشداردهنده لحظه‌ای تبدیل کنند. هوش مصنوعی نصب‌شده روی این دستگاه، تصاویر را به‌طور خودکار بررسی می‌کرد و هر زمان که گونه‌های موردنظر از مقابل دوربین عبور می‌کردند، هشدار می‌فرستاد. در برخی موارد، محیط‌بانان می‌توانستند تنها چند دقیقه بعد خود را به محل برسانند و برای به دام انداختن جانور مهاجم اقدام کنند.
با این حال، این آزمایش با یک مشکل فنی روبه‌رو شد؛ شبکه ماهواره‌ای از کار افتاد و ارتباط دستگاه‌ها قطع شد. اکنون گروهی از پژوهشگران با همکاری شرکای فناوری خود در حال توسعه یک سیستم بهبودیافته هستند: شبکه‌ای کم‌مصرف که می‌تواند داده‌ها را در مسافت‌های طولانی منتقل کند. این فناوری می‌تواند ارسال هشدار از مناطق دورافتاده را با اطمینان بیشتری امکان‌پذیر کند و به پایش طیف گسترده‌ای از گونه‌های حیات‌وحش در جزیره فلوریانا کمک کند.
سازمان Island Conservation تنها گروهی نیست که برای مقابله با تهدیدهای پیش روی پرندگان به سراغ فناوری هوش مصنوعی و پایش لحظه‌ای رفته است. در ذخیره‌گاه زیست‌کره مایا در گواتمالا، که زیستگاه طوطی‌های سرخ‌فام و در معرض خطر انقراض در این کشور است، برنامه گواتمالای انجمن حفاظت از حیات‌وحش از دستگاه‌های کوچک ضبط صدا، BirdNET و یک پلتفرم پایش به نام Earth Ranger استفاده می‌کند. رونی گارسیا-آنلئو، مدیر پژوهش‌های زیستی این برنامه، می‌گوید این تجهیزات برای شناسایی صداهایی مانند صدای شلیک تفنگ، اره‌برقی و دیگر نشانه‌های قطع غیرقانونی درختان یا شکار غیرمجاز به کار گرفته می‌شوند.
در استرالیا نیز اداره حمل‌ونقل محلی اخیراً یک سیستم هوش مصنوعی را به‌صورت آزمایشی به کار گرفت تا به کاسواری جنوبی، پرنده‌ای بزرگ و غیرپروازکننده است که در شمال‌شرق استرالیا و بخش‌هایی از گینه نو زندگی می‌کند. برای عبور ایمن‌تر از یک جاده خطرناک کمک کند. زمانی که دوربین‌ها و حسگرها نزدیک شدن این پرندگان بزرگ را تشخیص می‌دادند، تابلوهای هشدار روشن می‌شدند و رانندگان نیز با مشاهده هشدار، سرعت خود را کاهش می‌دادند.
Illustration: Sébastien Plassard
پایش پرندگان دریایی با هوش مصنوعی
در پنج دهه گذشته، تیم‌های «پایش سالانه پرندگان آبزی تگزاس» هر سال برای شمارش دقیق پرندگانی مانند پرستوهای دریایی، پلیکان‌ها، حواصیل‌ها و دیگر پرندگان، به بیش از ۱۷۵ جزیره محل لانه‌سازی در امتداد سواحل این ایالت می‌روند. معمولاً دقیق‌ترین شمارش زمانی انجام می‌شود که کارشناسان با احتیاط وارد محل تجمع و لانه‌سازی پرندگان شوند و در حالی که مراقب جوجه‌های پرجنب‌وجوش هستند، تعداد آن‌ها را ثبت کنند. اما حضور انسان می‌تواند باعث برهم خوردن آرامش پرندگان شود. به همین دلیل، برای کاهش مزاحمت برای حیات‌وحش یا زمانی که دسترسی به یک جزیره امکان‌پذیر نیست، شمارش پرندگان را اغلب از داخل یک قایق انجام می‌دهند.
در سال ۲۰۱۸، سازمان Houston Audubon برای بررسی میزان دقت شمارش پرندگان از روی آب، یک پهپاد را بر فراز یکی از جزایر خلیج گالوستون به پرواز درآورد. بررسی و شمارش پرندگان در آن جزیره دشوار بود. آنا والری، زیست‌شناس حفاظت از طبیعت که اکنون در سازمان Audubon Washington فعالیت می‌کند، ۸۰ ساعت وقت صرف کرد تا پرندگان را در تصاویر هوایی به‌صورت دستی شمارش کند. او از دیدن تعداد پرندگانی که در شمارش از روی قایق از قلم افتاده بودند، شگفت‌زده شد.
والری می‌گوید: «ما نیمی از پلیکان‌های قهوه‌ای و ۹۰ درصد از کاکایی‌های خنده‌زن (Laughing Gull) را اصلاً شمارش نکرده بودیم. این‌ها که پرنده‌های بزرگی هستند.»
این برنامه به‌طور خودکار پرندگان را در تصاویر پهپاد شناسایی می‌کند و سپس آن‌ها را بر اساس ظاهرشان در ۱۶ گروه دسته‌بندی و شمارش می‌کند.
برای شمارش دقیق‌تر حیات‌وحش و بررسی مناطق صعب‌العبور، مدیران مناطق لانه‌سازی پرندگان می‌خواستند دفعات بیشتری از پهپادها استفاده کنند؛ اما به گفته ریچارد گیبونز، مدیر بخش حفاظت از طبیعت در Audubon Texas، بررسی دستی این حجم از تصاویر هفته‌ها زمان می‌برد و عملاً شدنی نبود. بنابراین، آن‌ها به یک روش خودکار نیاز داشتند. با این حال، برنامه‌های موجود برای شناسایی پرندگان بیشتر برای تصاویر گرفته‌شده از سطح زمین طراحی شده بودند و در این مورد کاربرد چندانی نداشتند. به همین دلیل، گیبونز و والری تصمیم گرفتند ابزار خودشان را بسازند.
آن‌ها تصاویر هوایی با وضوح بالا از بیش از ۲۰ هزار پرنده را جمع‌آوری کردند و با همکاری آزمایشگاه «داده تا دانش» دانشگاه رایس، یک مدل هوش مصنوعی توسعه دادند که می‌توانست پرندگان را دسته‌بندی کند. این برنامه که «SeeBird» نام دارد، به‌طور خودکار پرندگان را در تصاویر پهپاد شناسایی می‌کند و سپس آن‌ها را بر اساس ظاهرشان در ۱۶ گروه دسته‌بندی و شمارش می‌کند؛ برای مثال «جوجه‌های پلیکان قهوه‌ای» یا «پرندگان آبچر سفید». به این ترتیب، صدها نقطه کوچک و نامتمایز در تصاویر هوایی، در مدت کوتاهی به داده‌هایی قابل استفاده درباره جمعیت پرندگان تبدیل می‌شوند.
در حال حاضر، SeeBird برای شناسایی پرندگان آبزی در منطقه ساحلی خلیج مکزیک در تگزاس در دسترس است و این گروه قصد دارد در سال ۲۰۲۷ یک ابزار عمومی‌تر برای شناسایی پرندگان آبزی ارائه کند که در هر منطقه‌ای قابل استفاده باشد. والری می‌گوید: «ما در ابتدا فقط می‌خواستیم ابزاری بسازیم که کار خودمان را آسان‌تر کند. اما بعد متوجه شدیم که واقعاً به چنین ابزاری نیاز است.»
گیبونز امیدوار است SeeBird به پژوهشگران کمک کند تا از پهپادها برای ارزیابی موفقیت زادآوری پرندگان، بررسی تغییرات فرسایش یا شناسایی پرندگان مرده نیز استفاده کنند؛ زیرا مشاهده تعداد زیادی پرنده مرده ممکن است نشانه‌ای از شیوع آنفلوانزای پرندگان باشد. به گفته او، استفاده مؤثر از فناوری برای بهره‌گیری حداکثری از بودجه محدود حفاظت از طبیعت اهمیت زیادی دارد. این موضوع امروز اهمیت بیشتری پیدا کرده است، زیرا تغییرات اقلیمی با سرعت زیادی در حال ایجاد چالش‌های جدید است. او امیدوار است هوش مصنوعی بتواند سرعت سازگاری با این تغییرات را افزایش دهد.
این مقاله نخستین بار در شماره تابستان ۲۰۲۶ مجله Audubon با عنوان “AI in the Wild” منتشر شده است. نسخه اصلی مقاله در وب‌سایت Audubon در دسترس است.
دیدگاه خود را ثبت کنید
تمایل دارید در گفتگوها شرکت کنید؟در گفتگو ها شرکت کنید.