Исследователи Оксфордского университета смогли обнаружить точные местоположения популяций слонов, используя спутниковые изображения с высоким разрешением — Worldview 3 от Maxar Technologies, а также глубокое обучение (TensorFlow API и Google Brain).

По словам исследователей, за последнее столетие популяция африканских слонов резко сократилась из-за браконьерства и фрагментации среды обитания. Для их сохранения необходим точный мониторинг.

Однако существующие методы не дают необходимой точности. Чаще всего популяции слонов в саванне считают с воздуха с помощью пилотируемых самолетов. Но иногда наблюдателям при аэрофотосъемке мешает плохая видимость, а сам процесс является дорогостоящим и сложным с точки зрения логистики. Влияет и человеческий фактор — наблюдатель может подсчитать обитателей саванны неточно.

Дистанционное обнаружение слонов с помощью спутниковых снимков и автоматизация этого процесса с помощью глубокого обучения обеспечивает новый виток в наблюдении за вымирающими животными, а также решает различные существующие проблемы. Спутники могут собирать изображения площадью более 5000 км² за один проход за считанные минуты, что исключает риск неверного подсчета. Спустя относительно короткие промежутки времени мониторинг можно повторять.

При этом спутниковый мониторинг не требует присутствия на земле, что исключает риск вторжения в жизнь популяций и соответствующие опасности для наблюдателей. Ранее недоступные районы становятся доступными, а приграничные зоны, часто имеющие решающее значение для природоохранного планирования, могут быть обследованы без получения разрешений от властей.

Единственной проблемой использования спутникового мониторинга оставалась обработка огромного количества изображений. Но автоматизация с глубоким обучением ускорила процесс обработки с месяцев до нескольких часов. Ложные и ложноотрицательные срабатывания алгоритмов глубокого обучения можно исправить путем систематического улучшения моделей.

Команда создала индивидуальный набор обучающих данных из снимков более чем 1000 слонов в Южной Африке. Его загрузили в сверточную нейронную сеть (CNN). Результаты моделей CNN составили 0,78 в неоднородных областях и 0,73 в однородных областях. Для сравнения — средние результаты человека-наблюдателя составляют 0,77 и 0,8 соответственно. Модель смогла обнаруживать слонов в других регионах, что демонстрирует ее обобщаемость. Наконец, система выявила слонят, хотя ее обучали на снимках взрослых животных.