AI-aktiverade biologgare fångar sällsynta fåglars beteende

Exempel på användning av våra biologloggar för detektering och registrering av sällsynta händelser. A) En biologlogger användes i denna studie. B) Biologlogger fäst på ryggen av en strimmig kärrsnäppa. C) Fågeln med biologlogger släpps fri och rör sig fritt i en vild miljö. Biologloggern spelar automatiskt in videor av intressanta händelser utan övervakning av forskare. D) Exempel på bilder och sensordata som samlats in av vår biologger och som visar hur strimmiga kärrsnäppor söker föda. Kredit: PNAS Nexus (2024). DOI: 10.1093/pnasnexus/pgad447
Exempel på användning av våra biologloggar för detektering och registrering av sällsynta händelser. A) En biologlogger användes i denna studie. B) Biologlogger fäst på ryggen av en strimmig kärrsnäppa. C) Fågeln med biologlogger släpps fri och rör sig fritt i en vild miljö. Biologloggern spelar automatiskt in videor av intressanta händelser utan övervakning av forskare. D) Exempel på bilder och sensordata som samlats in av vår biologger och som visar hur strimmiga kärrsnäppor söker föda. Kredit: PNAS Nexus (2024). DOI: 10.1093/pnasnexus/pgad447

I århundraden har naturforskare trotsat spårlösa skogar, blåsiga klipptoppar och de trånga utrymmena i persienner och ubåtar i hopp om att fånga sällsynta beteenden som kan avslöja viktiga aspekter av djurens biologi och ekologi. Takuya Maekawa och hans kollegor ville använda bärbara spårare, som har blivit vanliga inom djurbiologi, för att fånga sällsynta beteenden för studier.

Eftersom djurburna videologgare bara kan fånga några timmars video på grund av batteribegränsningar, är en viktig utmaning att bestämma när man ska spela in. Författarna skapade ett AI-program på enheten med kapacitet för ”oövervakad inlärning” för att automatiskt hitta och spela in sällsynta beteenden utan övervakning av mänskliga naturforskare.

Resultaten publiceras i tidskriften PNAS Nexus.

Först tränades ett program för att upptäcka avvikelser på omärkta accelerometer- och vattendjupsdata från sjöfåglar för att automatiskt avgöra när ett ovanligt beteende äger rum. Programmet användes för att skapa strömlinjeformade outlier-detektorer – en för accelerometerdata och en för vattendjupdata – som fick plats i en energisnål mikrokontrollenhet på en logger med begränsat minne och begränsad beräkningskraft.

Dessa detektorer slår på loggarens videokamera när ett sällsynt beteende inträffar i realtid. Den slutliga AI-aktiverade biologloggern innehåller en videokamera, accelerationssensor med tre axlar, GPS-enhet, vattentryckssensor, termometer, magnetometer och belysningsmätare, som sedan fästes på en strimmig storskrake (Calonectris leucomelas).

Biologiloggern väger 23 g, vilket är mindre än 5 % av vikten hos en storskrake. I fältförsök 2022 fäste författarna biologiloggrarna på 18 fåglar.

De accelerationsbaserade detektorerna för sällsynta beteenden spelade in videor av kraftiga huvudskakningar i början av flygningen, vilket författarna antar kan fungera för att avlägsna vätskor från nasala saltkörtlar och andra externa material för att öka den efterföljande flygeffektiviteten. De djupbaserade detektorerna för sällsynta beteenden fångade 50 minuter av aktivt födosök efter fisk – inklusive preliminära kikar under vattnet innan dykning – beteenden som sällan fångas på bild.

Enligt författarna kan AI-aktiverade biologgare användas på en rad olika arter för att fånga många typer av sällan sedda ögonblick, inklusive parningsritualer i djuphavet, jaktstrategier som används för sällsynta bytesdjur och dödsorsakerna hos vilda djur.

Ytterligare information: Kei Tanigaki et al, Automatic recording of rare behaviors of wild animals using video bio-loggers with on-board light-weight outlier detector, PNAS Nexus (2024). DOI: 10.1093/pnasnexus/pgad447

Bli först med att kommentera

Lämna ett svar

Din e-postadress kommer inte att publiceras.