Pro většinu lidí není hodnocení hmotnosti medvěda nebo barvy srsti při nečekaném setkání v lese hlavní prioritou. Místo toho touha přežít obecně vítězí nad prodléváním obdivovat velké drápy nebo tvar čenichu predátora. Když to víte, bylo by vám odpuštěno, že máte potíže s odlišením jednoho medvěda od druhého.
Pro mnoho ekologů je sledování jednotlivých zvířat po dlouhá časová období – dokonce roky – zásadní pro úsilí o ochranu. Ale i odborníci se snadno pletou. To platí zejména s ohledem na často dramatické sezónní výkyvy hmotnosti medvěda a také na to, jak fyzicky odlišní mohou vypadat před a po hibernaci. Aby pomohli biologům divoké zvěře porozumět tomu všemu, tým ze švýcarské EPFL a Alaska Pacific University (APU) vyvinul PoseSwin, program strojového učení, který je schopen rozeznat medvědy hnědé od sebe. Tato technologie byla nedávno podrobně popsána ve studii nedávno zveřejněné v časopise Biologie buněčného proudu.
PoseSwin byl trénován na více než 72 000 fotografiích 109 různých medvědů hnědých, které pořídila výzkumnice APU Beth Rosenberg v letech 2017 až 2022. Rosenberg pořídil snímky ve všech denních i nočních hodinách a za různých povětrnostních podmínek a zároveň se ujistil, že medvědi dokumentují různé způsoby chování. Ona a její kolegové se pak spoléhali na své dosavadní znalosti fyziologie medvěda hnědého, aby určili hrstku anatomických detailů, které zůstávají během života zvířete relativně konstantní. Tyto vlastnosti zahrnují úhel obočí, umístění uší a tvar tlamy. Dále začlenili údaje o tom, jak medvědi vypadali v různých pozicích a z různých úhlů.
„Naše biologická intuice byla, že funkce hlavy v kombinaci s pózou by byly spolehlivější než samotný tvar těla, který se dramaticky mění s přibýváním na váze,“ vysvětlil Alexander Mathis, spolupracovník projektu a výzkumník z EPFL’s Brain Mind Institute a Neuro-X Institute. „Data nám dala za pravdu – PoseSwin výrazně překonal modely, které používaly obrázky těla nebo ignorovaly informace o poloze.“
Odtud tým vzal PoseSwin na terénní test s pomocí občanských vědců. Poté, co výzkumníci nashromáždili více portrétů medvěda hnědého od návštěvníků národního parku a rezervace Katmai (domov Fat Bear Week), vložili fotografie do programu strojového učení. V mnoha případech PoseSwin úspěšně spároval jednotlivé medvědy s těmi, kteří již jsou v jeho databázi. Již nyní mohli konstruktéři PoseSwin začít sledovat, jak a kam se tito predátoři pohybovali při hledání sezónních potravin.
„Toto je konkrétní příklad potenciálu modelu PoseSwin,“ řekl Rosenberg. „Technologie by mohla být nakonec použita k analýze tisíců snímků, které návštěvníci každý rok pořídí, a pomůže vytvořit mapu toho, jak medvědi hnědí využívají tuto rozsáhlou oblast.“
Rosenberg a její kolegové nyní používají PoseSwin k monitorování více než 100 medvědů žijících v okolí McNeil River State Game Sanctuary, aniž by narušili jejich každodenní návyky. Přitom by měli získat přesnější informace o zdraví a pohodě medvědů, což poskytne tolik potřebnou podporu úsilí o ochranu.
„Medvědi jsou na vrcholu potravního řetězce a zajišťují správné fungování jejich ekosystému. Jsou zásadní pro udržení zdravých systémů,“ vysvětlil Rosenberg.
PoseSwin pravděpodobně nezůstane tak zaměřený na medvěda. První srovnávací testy naznačují, že je také neuvěřitelně přesný, když je trénován na makacích, což naznačuje, že by se mohl brzy rozšířit, aby zvládl mnoho dalších druhů. Algoritmus strojového učení je také dostupný jako open source, takže k němu může přistupovat kdokoli pro svůj vlastní předmět – i když je velká šance, že žádný z nich nebude pro PoseSwin těžší identifikovat.
„Medvědi jsou možná nejhůře rozpoznatelným druhem,“ řekl Mathis. „Zaměřili jsme se nejprve na ně s myšlenkou, že náš program by mohl být přizpůsoben jiným druhům, od myší po šimpanze.“
2025 PopSci To nejlepší z toho, co je nového
Čerpáme z těchto zdrojů: google.com, science.org, newatlas.com, wired.com, pixabay.com
