Nuestro equipo trabaja principalmente con leopardos y otros mamíferos terrestres en áreas protegidas y otros bosques de Karnataka. Nuestra investigación se enfoca en establecer la población de referencia de leopardos tanto en bosques como en paisajes dominados por humanos, y monitorear más las mismas áreas periódicamente para evaluar los cambios en la población.
Examinamos un área de interés utilizando cámaras-trampa que capturan imágenes de la vida silvestre con una mínima intrusión. Las cámaras trampa son cámaras de detección de movimiento activadas de forma remota que capturan una foto cada vez que un animal o una persona corta el rayo infrarrojo. Son relativamente livianos, fáciles de usar y sin complicaciones en el campo, ya que no necesitamos llevar una computadora portátil solo para descargar datos de cada cámara-trampa. Cada unidad tiene una ranura USB protegida donde se puede insertar un pen drive y podemos descargar instantáneamente los datos en el pen drive. Sin embargo, cada unidad tiene que estar firmemente atada a un árbol o un poste para que los elefantes jóvenes curiosos no los arranquen durante el juego o los cazadores furtivos los roben. Es interesante notar que las partes fracasadas son capturadas en las mismas trampas de cámara que intentan robar, o en la que está instalada justo enfrente (que no detectan).
Podemos programar fácilmente las trampas de cámara para la sensibilidad del disparador y la frecuencia de las capturas según nuestro requisito. El sensor de infrarrojos detecta el movimiento del animal y activa la cámara para capturar una foto. La calidad de las fotografías es suficiente para diferenciar los patrones en animales como leopardos y tigres, que es lo que más nos preocupa. Sin embargo, disfrutamos de nuestra parte de fotografías entretenidas de macacos posando para selfies junto al estanque o dholes que se asemejan a corgis voladores.
Obtenemos varios miles de fotografías de cada sitio de estudio que inicialmente usamos para clasificar y analizar manualmente según las especies fotografiadas. El esfuerzo de clasificar las fotografías por sí solo a menudo requería una enorme cantidad de trabajo manual y, por lo general, nos llevaba varios meses al año. Aparte de la gran cantidad de recursos que consumía, era un obstáculo para trabajar en más sitios. Dado que el leopardo es una especie muy extendida, trabajar en un mayor número de sitios fue fundamental para establecer datos de referencia para tantas áreas como sea posible. Si no pudiéramos clasificar las fotos de un sitio en un marco de tiempo manejable, ¿cómo ampliaríamos el estudio más allá?
Dada la gran escala de datos y la cantidad de fotos para examinar, colaboramos con Ramprasad, el ex tecnólogo jefe de IA en Wipro, que ayudó a diseñar un programa que podría clasificar las imágenes por nosotros.
El software utiliza una red neuronal convolucional (CNN), que es un marco que permite que los algoritmos de aprendizaje automático trabajen juntos para analizar imágenes. Este tipo de trabajo se enmarca en un campo interdisciplinario llamado «visión por computadora» que se ocupa de entrenar máquinas para identificar y clasificar imágenes como lo haría un ser humano. El clasificador de CNN debe estar capacitado para reconocer las características, colores, formas, tamaños y patrones únicos asociados con leopardos y otros animales. Alimentamos miles de imágenes para entrenar al clasificador a reconocer leopardos de nuestros sitios de campo con cierta medida de precisión.
En la primera etapa del análisis, el software nos ayuda enormemente al eliminar todo el ‘ruido’, todas las imágenes irrelevantes sin los animales salvajes objetivo, o aquellos con humanos o ganado. Las cámaras trampa a menudo se activan con el menor movimiento de hojas que caen, lo que hace que una gran parte de las imágenes sean capturas falsas. Como una estimación de nuestro sitio más grande en 2018, de un total de 2,99,364 imágenes capturadas, solo alrededor del 6% (17,888) de las imágenes obtenidas fueron de mamíferos, y el resto del 94% fueron humanos, ganado, otras especies. y falsos disparadores.
Para la segunda etapa, entrenamos al clasificador para identificar y segregar las imágenes de los animales según las especies de mamíferos en las que nos enfocamos. El clasificador funciona actualmente con una precisión de alrededor del 90% para la identificación de grandes felinos (leopardos y tigres). Su precisión aumentará al aprender más características de esas especies objetivo a medida que introducimos más fotografías de hábitats similares en el software. Esta precisión es muy útil ya que muchas imágenes que obtenemos son parciales con solo algunas partes del cuerpo, o con patrones oscurecidos, en diferentes ángulos, o capturadas de noche o con poca luz. Actualmente, la precisión del clasificador para ciertas especies distintas como leopardos, tigres y puercoespines es mayor que otras especies como venado sambar, dhole, etc. Podemos remediar esto entrenándolo con más y diversas imágenes de estas especies.
Hasta la fecha, hemos utilizado este software para clasificar más de 1,6 millones de fotografías para identificar 363 individuos de leopardo. Con este software, nuestra carga de trabajo se ha reducido de meses a horas. El esfuerzo monumental que de otro modo habríamos puesto en examinar estas imágenes manualmente se ha reducido enormemente. Para ponerlo en perspectiva, el clasificador puede procesar hasta 60.000 imágenes en casi la mitad del tiempo requerido por tres investigadores que trabajan a tiempo completo durante tres semanas, lo que nos ahorra mucho tiempo y esfuerzo valiosos.
El paso final para nosotros es identificar leopardos y tigres individuales para estimar su población utilizando la metodología estadística adecuada. Para los animales que tienen marcas o patrones en su cuerpo como el leopardo o el tigre, podemos identificar a los individuos haciendo coincidir estas marcas o patrones, ya que son exclusivos de un individuo, al igual que las huellas dactilares en los humanos.
Comparamos las imágenes de leopardos y tigres que han sido validadas y extraídas por el clasificador utilizando otro software llamado Wild-ID que extrae imágenes con patrones similares para que las comparemos. Estas coincidencias automatizadas tienen cierto margen de error, por lo que validamos el conjunto final de imágenes manualmente. Sin embargo, este software aún reduce nuestro esfuerzo de pasar por casi 900 imágenes para identificar alrededor de 70 personas para encontrar las coincidencias iniciales. Mirar a través de cientos de imágenes de animales estampados puede ser extremadamente agotador para los ojos, lo que aumenta las posibilidades de error humano.
Hemos estado trabajando para incorporar tecnología y software relevante en diferentes aspectos de nuestro trabajo, para reducir el esfuerzo manual y obtener resultados más rápidos. El objetivo es minimizar el error, maximizar la eficiencia y, al mismo tiempo, optimizar el componente de esfuerzo humano que implica la implementación de un estudio de investigación a tan gran escala.
Amrita Menon está interesada en la biología de la conservación y la ecología de poblaciones. Actualmente trabaja como investigadora afiliada en el proyecto de conservación del leopardo en Karnataka con el Programa Western Ghats en NCF.
Sanjay Gubbi es un biólogo conservacionista cuyo trabajo se centra en la conservación de grandes carnívoros como tigres y leopardos. Actualmente trabaja como científico y jefe de programa con el programa Western Ghats en la Nature Conservation Foundation.
Phalguni Ranjan es un biólogo marino que trabaja como comunicador científico y de conservación con el Programa Western Ghats en NCF.
Esta serie es una iniciativa de la Nature Conservation Foundation, en el marco de su programa Nature Communication, para fomentar el contenido de la naturaleza en todos los idiomas de la India. Si está interesado en escribir sobre la naturaleza y las aves, complete este formulario.
¿Cómo encontrar las mejores ofertas durante las ventas online? Hablamos de esto en Orbital, nuestro podcast tecnológico semanal, al que puede suscribirse a través de Apple Podcasts, Google Podcasts o RSS, descargue el episodio o simplemente presione el botón de reproducción a continuación.