Los recursos alimenticios varían constantemente con cada cambio en las lluvias y por otras razones que van desde la presión del pastoreo a los incendios forestales que se propagan por la tierra. Para evitar la sobrexplotación, los administradores de las tierras deben asegurarse de que el número de animales de pastoreo se corresponde con la disponibilidad de alimento.
nEsto requiere un nivel de vigilancia importante. Las formas más comunes de estimar poblaciones de grandes mamíferos consiste en hacer el recuento desde un helicóptero o esconder cámaras trampa que registren sus movimientos en lugares específicos.
n
Pero estos métodos tienen inconvenientes importantes: las cámaras sólo pueden registrar un único lugar, y los estudios con helicópteros son caros y requieren mucho tiempo.
nOtra opción es fotografiar el área mediante un dron. Esta técnica reúne un gran número de imágenes que cubren vastas áreas de tierra. Pero hay un problema: el análisis de estas imágenes es difícil, ya que requiere que operadores humanos entrenados dediquen mucho tiempo a la tarea. Así que los administradores de las tierras estarían encantados de tener una mejor manera de analizar estas imágenes.
nY eso es justo lo que propone el investigador de la Escuela Politécnica Federal de Lausana (EPFL, por sus siglas en francés) en Suiza Nicolas Rey. Junto a unos compañeros, Rey ha entrenado un algoritmo de visión artificial para hacer el trabajo. Dicen que el algoritmo reduce enormemente el tiempo requerido por los expertos humanos y podría mejorar significativamente las estimaciones de la población de animales grandes.
nSu método es sencillo. Se comienza con un estudio de cartografía, realizado por drones en 2014 en la reserva de vida salvaje Kuzikus, en las afueras del Kalahari (Namibia). Éste implicó cinco vuelos del dron sobre la reserva con una cámara que tomó 6.500 imágenes del suelo. Cada imagen era de 3.000 x 4.000 píxeles con una resolución de unos pocos centímetros por píxel.
nEstas imágenes muestran muchos mamíferos grandes, pero están muy esparcidos por el terreno. Y eso implica que los seres humanos necesitan mucho tiempo para encontrarlos.
nLa idea de Rey y sus compañeros es que un sistema de visión artificial debería ser capaz de aprender a hacerlo. Pero el entrenamiento necesita una base de datos reales de los que la máquina pueda aprender.
nAsí que una parte importante del método de Rey ha consistido en crear este conjunto de datos sobre el terreno mediante una campaña de crowdsourcing. Pidieron a 232 voluntarios que estudiaran las fotos y dibujaran un polígono alrededor de cada animal que encontraran. Cada imagen fue vista por al menos tres voluntarios y un máximo de diez (el número promedio de espectadores fue de cinco). Si más de la mitad de los espectadores estaba de acuerdo, el equipo asumía que habían identificado un animal correctamente.
nDe esta manera, los voluntarios encontraron unos 976 mamíferos grandes en 650 imágenes. Los expertos humanos que revisaron los resultados eliminaron 21 casos falsos en un proceso que sólo llevó 30 minutos. El equipo utilizó estos ejemplos para entrenar y probar su algoritmo de visión artificial.
nLos resultados son interesantes. El equipo encontró que el algoritmo funciona mejor a primera hora de la mañana cuando las sombras de los animales son más largas. Según sus conclusiones, "volar por la mañana y siempre a la misma hora del día puede conducir a mejores resultados". Por la misma razón, los animales también son más fáciles de detectar cuando están de pie que cuando están tumbados.
nAún así, la iniciativa funcionó bien. "El sistema logra una alta tasa de acierto y un operador humano puede eliminar las detecciones falsas con un mínimo esfuerzo", dice el equipo. Es decir, aún es necesario un operador humano, pero con una carga de trabajo mucho menor.
nEsto tiene implicaciones para la conservación de los animales en África y en otras grandes áreas. "Este método demuestra que la detección de grandes mamíferos en la sabana semiárida se puede abordar mediante el procesamiento de datos proporcionados por las cámaras RGB estándar, que vuelen montadas en drones de ala fija y bajo coste", afirma la investigación.
nEste interesante trabajo muestra cómo la tecnología relativamente barata de los drones y las técnicas cada vez más poderosas de visión artificial pueden aplicarse en lugares remotos. Ahora, la conservación de los animales en estas regiones debería resultar más fácil y eficaz.
nRef: arxiv.org/abs/1709.01722: Detecting Animals in African Savanna With UAVs and the Crowds.
n