Usando la mayor resolución disponible actualmente en imágenes de satélite, Worldview 3 de Maxar Technologies, y el aprendizaje profundo, investigadores de Oxford detectaron elefantes desde el espacio con una precisión comparable a la de las capacidades de detección humana.
La población de elefantes africanos (Loxodonta africana) se desplomó durante el último siglo debido a la caza furtiva, la matanza en represalia por el robo de cultivos y la fragmentación del hábitat. Conservarlos requiere saber dónde están y cuántos hay: un seguimiento preciso es vital.
Los métodos existentes son propensos a errores. Los recuentos inexactos conducen a una mala asignación de los escasos recursos de conservación y a una mala comprensión de las tendencias de la población.
Actualmente, la técnica de estudio más común para las poblaciones de elefantes en entornos de sabana es el conteo aéreo desde aviones tripulados. Los observadores en los reconocimientos aéreos pueden agotarse, verse obstaculizados por la escasa visibilidad y sucumbir al sesgo, y los reconocimientos aéreos pueden resultar costosos y desafiantes desde el punto de vista logístico.
Un equipo de la Universidad de Oxford (WildCRU: Departamento de Zoología y el Grupo de Investigación de Aprendizaje Automático: Departamento de Ingeniería) se propuso resolver estos problemas.
La detección remota de elefantes mediante imágenes satelitales y la detección automática a través del aprendizaje profundo proporciona un nuevo método para estudiar elefantes y también resuelve varios desafíos existentes. Los satélites pueden recopilar más de 5000 kilómetros cuadrados de imágenes en una sola pasada capturadas en cuestión de minutos , lo que elimina el riesgo de contar dos veces. También es posible repetir las encuestas a intervalos cortos.
El monitoreo por satélite es una técnica discreta que no requiere presencia en el suelo, lo que elimina el riesgo de perturbar a las especies o la preocupación por la seguridad humana durante la recopilación de datos. Las áreas que antes eran inaccesibles se vuelven accesibles, y las áreas transfronterizas , a menudo cruciales para la planificación de la conservación, se pueden inspeccionar sin el requerimiento de permisos terrestres, que requiere mucho tiempo, según informó la Universidad de Oxford en un comunicado.
Uno de los desafíos del uso de la monitorización por satélite es procesar la enorme cantidad de imágenes generadas. Sin embargo, automatizar la detección significa que un proceso que formalmente habría tomado meses se puede completar en cuestión de horas. Además, las máquinas son menos propensas a errores , los falsos negativos y falsos positivos en los algoritmos de aprendizaje profundo son consistentes y pueden rectificarse mejorando sistemáticamente los modelos; no se puede decir lo mismo de los humanos.
Para desarrollar este nuevo método, el equipo creó un conjunto de datos de entrenamiento personalizado de más de 1000 elefantes en Sudáfrica, que se introdujo en una red neuronal convolucional (CNN) y los resultados se compararon con el rendimiento humano. Resulta que los elefantes pueden detectarse en imágenes de satélite con una precisión tan alta como la capacidad de detección humana.
Los resultados (conocidos como puntuación F2) de los modelos CNN fueron 0,78 en áreas heterogéneas y 0,73 en áreas homogéneas, en comparación con una puntuación F2 de capacidad de detección humana promedio de 0,77 en áreas heterogéneas y 0,80 en áreas homogéneas. El modelo podría incluso detectar elefantes en lugares alejados del sitio de datos de entrenamiento, lo que muestra la generalización del modelo. Habiendo entrenado la máquina solo en adultos, pudo identificar a las crías.
Los investigadores creen que esto demuestra el poder de la tecnología para la conservación: las tecnologías de teledetección satelital y aprendizaje profundo prometen la conservación de estos majestuosos mamíferos. Las tecnologías de conservación abren un nuevo mundo de posibilidades, que se abrazarán con la urgencia que requiere la sexta extinción masiva y la difícil situación mundial de la biodiversidad.
