Jedes Frühjahr wandern Flussheringpopulationen aus den Küstengewässern von Massachusetts ab, um ihre jährliche Reise flussaufwärts und Bäche zu den Süßwasserlaichgebieten anzutreten. Flussheringe mussten in den letzten Jahrzehnten einen starken Bestandsrückgang hinnehmen, und ihre Wanderung wird in der gesamten Area umfassend überwacht, vor allem durch traditionelle visuelle Zählungen und Programme auf Freiwilligenbasis.
Die Überwachung der Fischbewegung und das Verständnis der Populationsdynamik sind für die Aufklärung von Naturschutzbemühungen und die Unterstützung des Fischereimanagements von entscheidender Bedeutung. Mit Beginn des jährlichen Heringslaufs in diesem Monat stellen sich Forscher und Ressourcenmanager erneut der Herausforderung, die wandernde Fischpopulation so genau wie möglich zu zählen und abzuschätzen.
Ein Forscherteam des Woodwell Local weather Analysis Heart, des MIT Sea Grant, des MIT Laptop Science and Synthetic Intelligence Lab (CSAIL), des MIT Lincoln Laboratory und von Intuit erforschte eine neue Überwachungsmethode, die Unterwasservideo und Laptop Imaginative and prescient nutzt, um die Bemühungen der Citizen Science zu ergänzen. Die Forscher – Zhongqi Chen und Linda Deegan vom Woodwell Local weather Analysis Heart, Robert Vincent und Kevin Bennett vom MIT Sea Grant, Sara Beery und Timm Haucke vom MIT CSAIL, Austin Powell von Intuit und Lydia Zuehsow vom MIT Lincoln Laboratory – veröffentlichten in der Zeitschrift einen Artikel, der diese Arbeit beschreibt Fernerkundung in Ökologie und Naturschutz diesen Februar.
Das Open-Entry-Papier „Von Schnappschüssen zu kontinuierlichen Schätzungen: Erweiterung der Bürgerwissenschaft durch Laptop Imaginative and prescient für die Fischüberwachung„zeigt, wie jüngste Fortschritte im Bereich Laptop Imaginative and prescient und Deep Studying, von der Objekterkennung und -verfolgung bis zur Artenklassifizierung, vielversprechende Lösungen für die Praxis bieten, um die Fischzählung mit verbesserter Effizienz und Datenqualität zu automatisieren.
Herkömmliche Überwachungsmethoden sind durch Zeit, Umgebungsbedingungen und Arbeitsintensität eingeschränkt. Die visuellen Zählungen durch freiwillige Helfer beschränken sich auf kurze Probenahmefenster am Tag, fehlende nächtliche Bewegungen und kurze Migrationsimpulse, wenn Hunderte von Fischen innerhalb weniger Minuten vorbeiziehen. Während Technologien wie passive akustische Überwachung und bildgebendes Sonar die kontinuierliche Fischüberwachung unter bestimmten Bedingungen vorangebracht haben, ist die vielversprechendste und kostengünstigste Choice – die manuelle Überprüfung von Unterwasservideos – immer noch arbeitsintensiv und zeitaufwändig. Angesichts der wachsenden Nachfrage nach automatisierten Videoverarbeitungslösungen stellt diese Studie ein skalierbares, kostengünstiges und effizientes, auf Deep Studying basierendes System für eine zuverlässige automatisierte Fischüberwachung vor.
Das Crew baute eine Finish-to-Finish-Pipeline auf – von Unterwasserkameras vor Ort bis hin zu Videobeschriftung und Modelltraining –, um eine automatisierte, computergestützte Fischzählung zu erreichen. Es wurden Movies von drei Flüssen in Massachusetts gesammelt: dem Coonamessett River in Falmouth, dem Ipswich River (Ipswich) und dem Santuit River in Mashpee.
Um den Trainingsdatensatz vorzubereiten, wählte das Crew Videoclips mit Variationen in Beleuchtung, Wasserklarheit, Fischarten und -dichte, Tageszeit und Jahreszeit aus, um sicherzustellen, dass das Laptop-Imaginative and prescient-Modell in verschiedenen realen Szenarien zuverlässig funktioniert. Sie nutzten eine Open-Supply-Webplattform, um die Movies Bild für Bild manuell mit Begrenzungsrahmen zu versehen, um die Bewegung der Fische zu verfolgen. Insgesamt haben sie 1.435 Videoclips beschriftet und 59.850 Bilder mit Anmerkungen versehen.
Die Forscher verglichen und validierten die Laptop-Imaginative and prescient-Zählungen mit menschlichen Videobewertungen, streamseitigen visuellen Zählungen und Daten aus der passiven integrierten Transponder-Kennzeichnung (PIT). Sie kamen zu dem Schluss, dass Modelle, die auf verschiedenen Daten mehrerer Standorte und über mehrere Jahre hinweg trainiert wurden, am besten abschnitten und über die gesamte Saison hinweg hochauflösende Zählungen lieferten, die mit traditionell festgelegten Schätzungen im Einklang standen. Das System ging noch einen Schritt weiter und lieferte Einblicke in das Migrationsverhalten, den Zeitpunkt und die Bewegungsmuster im Zusammenhang mit Umweltfaktoren. Anhand von Movies von der Migration des Coonamesset River im Jahr 2024 zählte das System 42.510 Flussheringe und zeigte, dass die Wanderung flussaufwärts im Morgengrauen ihren Höhepunkt erreichte, während die Wanderung flussabwärts größtenteils nachtaktiv conflict und die Fische dunklere, ruhigere Perioden nutzten, um Raubtieren auszuweichen.
Mit dieser realen Anwendung wollen die Forscher Laptop Imaginative and prescient im Fischereimanagement vorantreiben und einen Rahmen und bewährte Verfahren für die Integration der Technologie in Schutzbemühungen für eine Vielzahl aquatischer Arten bereitstellen. „MIT Sea Grant finanziert seit einiger Zeit Arbeiten zu diesem Thema, und diese hervorragende Arbeit von Zhongqi Chen und Kollegen wird die Möglichkeiten der Fischereiüberwachung verbessern und die Bewertung der Fischpopulation für Fischereimanager und Naturschutzgruppen verbessern“, sagt Vincent. „Es wird außerdem Bildung und Ausbildung für Studenten, die Öffentlichkeit und bürgerwissenschaftliche Gruppen bieten, um die ökologisch und kulturell wichtigen Flussheringpopulationen entlang unserer Küsten zu unterstützen.“
Dennoch ist eine kontinuierliche traditionelle Überwachung unerlässlich, um die Konsistenz langfristiger Datensätze aufrechtzuerhalten, bis die Fischereiverwaltungsbehörden automatisierte Zählsysteme vollständig implementiert haben. Selbst dann sollten Laptop Imaginative and prescient und Citizen Science als komplementär betrachtet werden. Freiwillige werden für die Wartung der Kameras und für die direkte Mitarbeit am Laptop-Imaginative and prescient-Workflow benötigt, von der Videoanmerkung bis zur Modellverifizierung. Die Forscher gehen davon aus, dass die Integration von Bürgerbeobachtungen und computergestützten Daten dazu beitragen wird, einen umfassenderen und ganzheitlicheren Ansatz für die Umweltüberwachung zu schaffen.
Diese Arbeit wurde vom MIT Sea Grant finanziert, mit zusätzlicher Unterstützung durch das Northeast Local weather Adaptation Science Heart, einem MIT Abdul Latif Jameel Water and Meals Methods Seed Grant, dem AI and Biodiversity Change World Centre (unterstützt von der Nationwide Science Basis und dem Pure Sciences and Engineering Analysis Council of Canada) und dem MIT Undergraduate Analysis Alternatives Program.