Ученые Московского физико-технического института совместно с Минприроды России активно внедряют технологии искусственного интеллекта (сверточных нейросетей) для мониторинга биоразнообразия на особо охраняемых природных территориях Российской Федерации.

В ведении Минприроды России находятся 107 заповедников, 66 национальных парков, 63 заказника, и на каждой из этих территорий расположено от несколько десятков до сотен фотоловушек, которые ведут съемку любого движения от падения ветки до перемещения рыси или браконьера. Анализ получаемых данных требует просмотра тысяч фотографий, что сложно для человека, но легко решается с помощью программ технического зрения, в основе которых лежат обученные нейронные сети.

«У каждого заповедника свои задачи: в нацпарке «Земля леопарда» и Сихотэ-Алинском заповеднике в Приморском крае мы учим ИИ различать кошачьих, на острове Матвеев в Баренцевом море — вести учет моржей, в Центрально-Лесном заповеднике — следить за популяцией медведей, а ловить браконьеров — в  Себежском и в Саяно-Шушенском парке. Везде есть свои нюансы, и их необходимо учитывать при создании программ, которые в итоге позволяют за считаные часы обработать огромные хранилища фотографий,  разложить их по папкам и вести системный учет», — рассказал о проекте Андрей Леус, доцент кафедры радиоэлектроники и прикладной информатики ФРКТ МФТИ.

Автоматическая обработка фотоматериала позволяет отслеживать популяцию диких животных, вести их учет, находить нарушителей в том числе в труднодоступных местах. Сначала ученые научили ИИ просто отбирать кадры по папкам (животные, техника, люди), удаляя лишние фотографии. После упорядочивания фотоархива родилась новая задача — определить, какое животное на фотографии. В итоге программа уже «знает» около 30 видов дикой фауны.

«Сначала мы научили ИИ фильтровать объекты, а затем их классифицировать. Следующая задача — идентификация. Это более сложный уровень, так как не все виды животных имеют сильные индивидуальные отличия. Например, для ИИ достаточно сложно различить бурых медведей. Намного проще научить различать кошачьих, у каждой особи свой неповторимый рисунок, который “запоминает” нейросеть. В итоге мы фотофиксируем жизнедеятельность каждой особи, не нарушая её жизненный ареал. Для обучения ИИ необходима большая база данных,  и такую базу для кошачьих мы уже получили от заповедника “Земля леопарда”. Скоро мы определим каждого тигра и леопарда на данной территории», — подчеркнул Андрей Леус.

По словам первого заместителя министра природных ресурсов и экологии РФ Константина Цыганова, «применение, казалось бы, достаточно простого инструмента— “машинного зрения” — кардинально упростило и ускорило процесс категоризации видов животных и дало возможность перейти к решению более сложных задач по построению моделей учета зверей».

Похожая задача стояла перед разработчиками и на острове Матвеев в Ненецком автономном округе, только идентифицировали популяцию моржей. Чем отличаются друг от друга моржи? Оказалось, у них очень специфический набор шрамов и сколов на клыках.

«На острове Матвеев тестируется решение задачи учета моржей. Здесь данные собираются с аэроснимков. Экологам пересчет моржей необходимо делать довольно часто — численность популяции напрямую связана с экологической ситуацией. Мы обучали ИИ в заповеднике на острове, там моржей не очень много: 1000–1500 на лежбище. Это атлантические моржи, и они занесены в Красную книгу. Если изучать тихоокеанских, то их может быть до 15 000 одновременно. Точный ежедневный подсчет такого количества для человека — сложная задача, но для нейросети — вполне выполнимая», — поделился Андрей Леус.

«Применение новых методов оценки численности, в том числе с использованием беспилотных летательных аппаратов, дает ученым важные сведения о состоянии вида. При этом оценка численности по снимкам с большой территории требует значительных временных затрат и усложняется скученностью моржей в стадо и особенностями местности. Нейронные сети с каждым годом все шире применяются при исследованиях разных видов морских млекопитающих. Атлантические моржи в этом плане отлично подходят для отработки технологии: они представляют собой немногочисленную и в значительной степени изолированную группировку», – отметил Константин Цыганов.