天文學聯手生態學 保育瀕臨絕種動物

分享至

天文學聯手生態學 保育瀕臨絕種動物

撰文/ Balboa Crenshaw (現職為數據科學家)

無人機生態學

無人機在這幾年來大幅發展,不論是重量更輕、飛行更穩定,或是續航力增強,都大大增加其運用的層面。除了郊外常見的業餘玩家,或是電視與網路媒體上拍攝壯麗空拍影像的專業攝影師,科學家也逐漸成為無人機的「愛好者」,學會運用無人機的種種優點進行研究。尤其對於生態學家來說,無人機是他們「代步」的工具:利用上面的攝影機,他們可以在短時間內監控大面積的郊野,統計各式野生動物的數量,並特別關注一些瀕臨絕種的物種。

雖說無人機省去了跋山涉水的辛勞,但是在拿到影片後,生態學家還是需要獨自面對許多問題:

  • 如何在無人機的影像中偵測到野生動物?
  • 偵測到的野生動物是什麼物種?還是人(也許是違法狩獵者)?
  • 如何統計特定物種的數量、密度等?

這時候,如果有一個能代勞的演算法或軟體,無疑是一大福音。也許對機器學習有初步認識的你,很快就能看出生態學家所面對的,正是電腦視覺中常見的「分類」(classification)這項任務。

紅外線影像

出入過機場的你,或許對紅外線攝影機並不陌生。它可以偵測人體的體溫,若安裝在無人機上,便可以偵測到野外的恆溫動物。與可見光相比,紅外線影像中的野生動物顯得「無所遁形」,不管是棲息在樹冠下的猴子(如圖一),或是有保護色的花豹,都可以被輕易察覺。更重要的是,即使夜晚月光昏暗,紅外線也可用以觀測夜行動物,這是一般可見光影像無法比擬的。

圖一、左圖為可見光下一棵野外的樹,右圖為同一棵樹的紅外線影像。原來有九隻猴子棲息在這棵樹的樹冠下(亮色光點)。(圖片來源:zooniverse.org)

圖一右圖乍看之下其實很難看出是一群躲在樹冠下的猴子,反而更像是夜空中的雲朵與繁星。沒錯!最常使用紅外線來觀測自然的,其實是天文學家。他們運用紅外線望遠鏡觀測各類天體、星系,再透過分析紅外線天文影像的演算法與軟體,偵測圖像中的星系與星體。同樣的作法與資源,同時也可以套用在生態學的研究上。

方向梯度直方圖

圖二(圖片來源:S. Mallick, 2016.)

運用紅外線無人機影像來偵測、辨識野生動物主要有四個步驟:首先當然是要擬定一個無人機「飛航計畫」,使安裝在上面的紅外線攝影機在觀測時可以盡可能地覆蓋最大面積;當拿到紅外線影像後,第二步就是運用天文學家所使用的軟體,「偵測」任何溫度高於環境溫度的物體;第三步則運用機器學習來「分辨」所偵測到的物體到底是哪一種動物,甚或是人類;最後,生態學家便可以計算特定物種的數量、密度與其他資訊,或者及時找到違法狩獵者,通知相關機構出手阻止。

然而電腦到底是如何自動偵測、分類紅外線影像中的物體呢?「方向梯度直方圖」(Histogram of oriented gradients,HOG)是電腦視覺中常用的方法。首先,每一張輸入影像會被分割為數個「像素細胞」(pixel cells),每個細胞一般包含數十個像素(例如8×8的細胞中便有 64個像素),接著演算法會比較細胞中像素點之間的差異計算出「梯度」(gradient)。梯度是一個向量,其大小與方向分別代表著像素點之間顏色差異的大小與變化方向,就像圖二中一個個的紅色「棒子組」。

若將所有的「棒子組」結合起來看,其整體趨勢大致反映了圖像中物體的輪廓,於是可以視為該物體的特徵。不同的物體,其HOG也會不同,只要再以人工的方式(或依靠廣大網友的力量)為帶有各種不同HOG的影像標上正確的標籤(例如圖二是人),便可利用各種機器學習方法來訓練模型分辨不同野生動物與人類的紅外線影像。

侷限與盲點

根據研究,目前運用這個方式來偵測、分辨野生動物,準確率可達七成,並已在世界各大野生動物保護區與國家公園中實際參與田野調查。圖三就是該模型在一動物園內的測試結果,可以見到電腦已經可以成功偵測出大猩猩、鳥與人類。

圖三(圖片來源:zooniverse.org)

當然,這種方法有其瑕疵與侷限:因為是以紅外線觀測,所以無法運用在體溫會隨環境溫度變化的變溫動物身上(例如蛇、烏龜等);另外在高溫、潮濕的環境中,土壤的紅外線溫度有時甚至會與野生動物的體溫相近,也變相將野生動物「隱藏」起來。除此之外,無人機飛行時所產生的噪音更會干擾、影響野生動物的行為,徒增辨識與統計上的困難(例如群聚動物一哄而散)。

值得一提的是,已經有科學家運用高解析的衛星影像,從太空就可以監視野生動物,所以這些困境或許隨著科技的發展,在不久的將來便能一一克服。然而生態學與天文學,這兩個看似不相干的研究領域竟能以如此曲折的方式產生交集,只怕是你我都未曾想像過的。

 

參考資料

  1. Astro-ecology Saving endangered animals with science from the stars“, Zooniverse.org.
  2. S. Longmore et al., “Adapting astronomical source detection software to help detect animals in thermal images obtained by unmanned aerial systems“, International Journal of Remote Sensing, vol. 38, no. 8-10, pp. 2623-2638, 2017.
  3. S. Mallick, “Histogram of Oriented Gradients“, Learnopencv.com, 2016.

(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)

(Visited 15 times, 1 visits today)

分享至
views