المُقدّمة

أصبح الحفاظ على الحياة البرية في غاية الأهمية ، حيث تواجه العديد من الأنواع الانقراض بسبب فقدان الموائل والصيد الجائر وتغير المناخ والتهديدات الأخرى. تعد مراقبة الحياة البرية وتتبعها من العمليات الرئيسية في الحفاظ على الأنواع المهددة بالانقراض وفهم التنوع البيولوجي للنظام البيئي.

الملاحظات اليدوية هي جزء شائع من تقنيات مراقبة الحياة البرية التقليدية. يمكن أن تكون باهظة الثمن وتستغرق وقتًا طويلاً وذات نطاق محدود. الذكاء الاصطناعي يمكن أن تسرع العملية ، وتقليل التكاليف المتضمنة ، وتحسين جودة البيانات التي تم جمعها للتحليل في تتبع ورصد الحياة البرية.

المصدر: خلفيات سفاري

تتناول هذه المقالة كيفية أتمتة عملية تتبع الحياة البرية ومراقبتها من خلال تحليل البيانات من التصوير عبر الأقمار الصناعية والطائرات بدون طيار وأجهزة الاستشعار الصوتية بمساعدة الذكاء الاصطناعي (AI).

أهداف التعلم

• تطبيق الذكاء الاصطناعي لأتمتة مراقبة الحياة البرية وتتبعها من خلال تحليل البيانات من مصادر مختلفة ، مثل صور الأقمار الصناعية والطائرات بدون طيار وأجهزة الاستشعار الصوتية.
• إن تعلم خوارزميات مختلفة للذكاء الاصطناعي أو التعلم الآلي ، مثل خوارزميات اكتشاف الكائنات ، والتي يمكن استخدامها لتحديد وتصنيف الحيوانات بناءً على نوعها ، من شأنه أن يفيد في الحفاظ على الحياة البرية.
• يمكن أن يكون استخدام مؤشر الغطاء النباتي (NDVI) مفيدًا في استنتاج التغيرات في أعداد الحيوانات من خلال عدد النباتات في منطقة ما ، وبالتالي تحديد نوع معين في المنطقة.
• تعرف على فوائد استخدام الذكاء الاصطناعي (AI) لتتبع الحياة البرية وإدارتها ، وكذلك كيف يمكنه تقليل التكاليف وتوفير الوقت والمساعدة في جمع البيانات بشكل فعال.
• فهم التطبيقات المحتملة للذكاء الاصطناعي في جهود الحفاظ على الحياة البرية وكيف يمكن أن تساعد في حماية الأنواع المهددة بالانقراض.

تم نشر هذه المقالة كجزء من مدونة علوم البيانات.

جدول المحتويات

1. طرق مختلفة لمراقبة الحياة البرية وتتبعها باستخدام الذكاء الاصطناعي
2. وفي الختام

طرق مختلفة لمراقبة الحياة البرية وتتبعها باستخدام الذكاء الاصطناعي

فهرس الغطاء النباتي للاختلاف المعياري (NDVI) باستخدام تحليل صور الأقمار الصناعية

يمكن إجراء مراقبة تجمعات الحياة البرية باستخدام المعلومات المختلفة التي توفرها صور الأقمار الصناعية. على سبيل المثال ، يمكن أن تكون التغييرات في كثافة الغطاء النباتي من منطقة إلى أخرى علامة على حدوث تغييرات في الإمدادات الغذائية. قد يؤثر هذا على مجموعات الحيوانات في منطقة معينة. فهرس الغطاء النباتي للاختلاف الطبيعي (NDVI) ، وهو قياس كمية الغطاء النباتي في منطقة معينة ، هو اسم آخر لهذا.

تشمل تطبيقات خوارزميات الذكاء الاصطناعي تحليل صور الأقمار الصناعية وتحديد التغيرات في كثافة المصنع. يمكن بعد ذلك استخدام هذا للتنبؤ بالتغيرات في كثافة الحيوانات في منطقة ما. يمكن حساب مقدار الغطاء النباتي الموجود في منطقة معينة من خلال NDVI. يمكن أن يشير تقليل كثافة الغطاء النباتي إلى قلة توافر الغذاء للحيوانات العاشبة في المنطقة. يمكن أن يكون هذا هو السبب المحتمل لانخفاض عدد سكانها.

مقتطف شفرة Python لحساب NDVI من صور القمر الصناعي:

import rasterio # Load the red and near-infrared bands
with rasterio.open('satellite_image.tif') as src: red = src.read(3)
with rasterio.open('satellite_image.tif') as src: nir = src.read(4) # Calculate NDVI
ndvi = (nir - red) / (nir + red)

اكتشاف الكائنات في صور الطائرات بدون طيار لمراقبة الحياة البرية وتتبعها

تزداد شعبية الطائرات بدون طيار لرصد الحياة البرية وتعقبها. يتم جمع صور آريل المطلوبة لمراقبة أعداد الحيوانات وتحركاتها باستخدام طائرات بدون طيار. بالإضافة إلى ذلك ، يتم استخدام الطائرات بدون طيار التي تحتوي على أجهزة استشعار حرارية لتتبع حركة الحيوانات من خلال الكشف عن البصمات الحرارية للحيوانات ، حتى في الغطاء النباتي الكثيف.

استخدام خوارزميات الذكاء الاصطناعي لتحليل صور الطائرات بدون طيار وتحديد الحيوانات. على سبيل المثال ، تحديد الحيوانات بمساعدة كشف الكائن الخوارزميات في صور الطائرات بدون طيار. بالإضافة إلى ذلك ، تدريب خوارزميات التعلم الآلي على تصنيف الحيوانات بناءً على شكلها وحجمها في عدة مجموعات ذات معنى. يمكن للمحافظين على البيئة تتبع ومراقبة مجموعات الحيوانات في بيئتها الطبيعية من خلال القيام بذلك.

مقتطف شفرة Python لاكتشاف الكائن في صور الطائرات بدون طيار:

import cv2 # Load the drone image
img = cv2.imread('drone_image.jpg') # Load the object detection model
model = cv2.dnn.readNetFromDarknet('yolov3.cfg', 'yolov3.weights') # Define the classes to detect
classes = ['elephant', 'giraffe', 'lion', 'zebra'] # Set the input image size
input_size = (416, 416) # Preprocess the image
img = cv2.resize(img, input_size)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = img.transpose((2, 0, 1))
img = img[np.newaxis, :, :, :] # Set the model input
model.setInput(img) # Get the model output
output = model.forward() # Extract the object detections
detections = []
for i in range(output.shape[0]): for j in range(output.shape[1]): class_id = np.argmax(output[i, j, 5:]) confidence = output[i, j, 5 + class_id] if confidence > 0.5 and classes[class_id] in classes: x = int(output[i, j, 0] * input_size[0]) y = int(output[i, j, 1] * input_size[1])

مجسات صوتية لرصد الحياة البرية

يتم تسجيل أصوات الحيوانات من أجل تحديد الأنواع وتتبع تحركاتها في منطقة معينة من خلال أجهزة الاستشعار الصوتية ، مثل كيفية التعرف على الطيور من خلال أصواتهم المميزة. بالإضافة إلى ذلك ، تتواصل العديد من الثدييات أيضًا من خلال النطق. على سبيل المثال ، تتواصل الذئاب مع الآخرين في قطيعها من خلال أصوات عواء.

المصدر: الطبيعة

تحديد أنواع الحيوانات من خلال الاستماع إلى أصواتهم واستخدام أنظمة الذكاء الاصطناعي لتقييم البيانات الصوتية. على سبيل المثال ، يمكن إجراء مهام التجميع أو التصنيف باستخدام خوارزميات ML المدربة على تواتر ومدة أصوات الحيوانات.

مقتطف شفرة Python لتحليل أصوات الحيوانات:

import librosa
import numpy as np # Load the audio file
audio, sr = librosa.load('animal_vocalization.wav') # Extract features from the audio
mfccs = librosa.feature.mfcc(audio, sr=sr, n_mfcc=20)
chroma = librosa.feature.chroma_stft(audio, sr=sr)
spectral_contrast = librosa.feature.spectral_contrast(audio, sr=sr) # Concatenate the features
features = np.concatenate((mfccs, chroma, spectral_contrast)) # Load the machine learning model
model = sklearn.linear_model.LogisticRegression() # Train the model
model.fit(X_train, y_train) # Predict the species of the animal
species = model.predict(features)

كشف التوقيع الحراري في الصور الحرارية

المصدر: كييف بوست

يمكن لأجهزة الاستشعار الحرارية المثبتة على طائرات بدون طيار أو منصات أخرى اكتشاف البصمات الحرارية للحيوانات في موائلها الطبيعية. من خلال تحليل الصور الحرارية باستخدام خوارزميات التعلم الآلي ، يمكن لدعاة الحفاظ على البيئة تحديد موقع الحيوانات ومراقبة تحركاتها بمرور الوقت. إن قدرة الذكاء الاصطناعي على تحديد وجود الصيادين في المناطق المحمية تجعله مفيدًا بشكل خاص لأنشطة مكافحة الصيد الجائر ، والتي تكون يدوية وتستغرق وقتًا.

تتبع أنماط حركة الحياة البرية

يمكن دراسة أنماط حركة الحيوانات بمرور الوقت باستخدام خوارزميات الذكاء الاصطناعي. يمكن أن يوفر هذا تفاصيل مهمة حول سلوكهم واستخدام الموائل. يمكن للمحافظين على البيئة فهم احتياجات مجموعات الحيوانات المختلفة بشكل أفضل وتحديد كيفية حمايتها من خلال تحليل أنماط الحركة باستخدام أطواق نظام تحديد المواقع العالمي (GPS) أو أجهزة استشعار أخرى.

المصدر: مجلة Scout Life

وفي الختام

يمكن إجراء عملية أتمتة مراقبة الحياة البرية وتتبعها من خلال تحليل البيانات من مصادر مختلفة ، مثل صور الأقمار الصناعية والطائرات بدون طيار وأجهزة الاستشعار الصوتية ، باستخدام الذكاء الاصطناعي (AI). هذا من شأنه أن يساعد في الحفاظ على الحياة البرية. تعمل أتمتة هذه العملية على تقليل جهود الحفظ من خلال تسريع العملية وتقليل التكاليف وزيادة دقة البيانات التي يتم جمعها. يمكن للذكاء الاصطناعي أيضًا تقليل جهود الحفظ من خلال حماية الأنواع المهددة بالانقراض من خلال تحديد الاختلافات في أعدادها.

الوجبات السريعة الرئيسية

• من خلال معالجة البيانات من مصادر مختلفة ، بما في ذلك صور الأقمار الصناعية والطائرات بدون طيار وأجهزة الاستشعار الصوتية ، يمكن أن يكون الذكاء الاصطناعي وسيلة لأتمتة تتبع الحياة البرية ومراقبتها.
• استخدام خوارزميات ML لتصنيف الحيوانات بناءً على الشكل والحجم في صور الطائرات بدون طيار وتحديد الأنواع بناءً على نطقها في البيانات الصوتية.
• استخدام خوارزميات اكتشاف الكائنات للتعرف على الحيوانات في صور الطائرات بدون طيار. استخدام NDVI للتنبؤ بالتغيرات في أعداد الحيوانات.
• يمكن للذكاء الاصطناعي أن يربط عملية تتبع الحيوانات ومراقبتها ، وخفض التكاليف ، وتحسين دقة المعلومات التي يتم جمعها. يمكن أن يدعم هذا حماية الأنواع المهددة بالانقراض وجهود الحفظ.
• كيف تقوم حرارة الحيوانات بالتوقيع وتحديد الحيوانات في صور الطائرات بدون طيار بمساعدة الطائرات بدون طيار وأجهزة الاستشعار الحرارية وخوارزميات الكشف عن الأشياء ، على التوالي.

الوسائط الموضحة في هذه المقالة ليست مملوكة لـ Analytics Vidhya ويتم استخدامها وفقًا لتقدير المؤلف.

مقالات ذات صلة

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
• المصدر https://www.analyticsvidhya.com/blog/2023/03/wildlife-conservation-through-ai/