Dünyanın en çok memeli çeşitliliğine sahip olan kıtası Afrika, diğer tüm kıtalardan daha fazla memeliye de yaşam alanı sunmaktadır. Bununla birlikte, avlanmanın yanı sıra doğal kaynak çıkarımı için yoğun arazi kullanımındaki artıştan kaynaklı Afrika’daki hayvan popülasyonlarında ciddi bir düşüş gözlenmiştir. Afrika’nın her yerinde memeliler için korunma alanları olmasına rağmen son otuz yılda hayvan popülasyonlarında %59 azalma gözlendi. Bu yüzden birçok hayvan artık Uluslararası
Doğayı Koruma Birliği tarafından tehlike altında veya tehdit altında kabul ediliyor.
Hayvan popülasyonlarındaki düşüş sadece çevrecileri değil, onlara bağımlı ekosistemleri ve insan popülasyonlarını da etkilemektedir: Nature Communications’da yayımlanan bir araştırmaya göre büyük otçullardaki düşüş, ekosistemlerin yapı ve işlevini değiştirebildiği gibi orman yangınlarının artışına da sebep olabilir.
Avcılık en büyük problem olmasına rağmen yeni altyapının geliştirilmesi ve doğal kaynakların çıkarılması için yoğun arazi kullanımı, memeli popülasyonu düşüşünde önemli bir etkendir. İklim değişikliğinin yaygınlaşıp yerel ekosistemleri daha fazla etkilemesiyle birlikte bu düşüşün giderek daha da artacağı düşünülüyor. Bu kaybı önlemek için Afrika’daki yerel çevresel değişimlere bağlı bilgiler üretebilen gelişmiş izleme teknolojileri aranıyor.
Mevcut durumda kullanılan birtakım teknikler olsa da, makine öğrenimi algoritmalarıyla geliştirilmiş uyduların uzaktan algılama yöntemleri ile küresel çeşitlilikte çok daha yüksek bir hız ve hassasiyetle sonuçlar sağlanabilir. Bu teknikteki daha verimli izleme becerisi, bilim insanları ve yerel rezerv yöneticilerine hayvan popülasyonları ve ekosistemlerini daha iyi yönetme yeteneğini kazandırır. Hayvan popülasyonlarını uzaydan verimli bir şekilde izleme becerisi, nesli tükenmekte olan birçok tür için de fikir verebilir. Aynı zamanda bu teknoloji, iklim değişikliğinin yaban hayatı popülasyonundaki etkilerini izlemek için de kullanılabilir.
Geleneksel İzleme Yöntemlerinden İleri Teknolojilere
İnsanlı hava araçları kullanımı, Afrika’daki yaban hayatı popülasyonlarını araştırmada en yaygın yöntemlerden biridir. Onlarca yıldır kullanılan bu yöntem, Dünyada uzun süredir devam eden ekolojik veri tabanlarından birinin geliştirilmesinde önemli bir rol aldı. Bu veri tabanı, kıta genelinde kullanılan koruma stratejilerinin temelini oluşturdu. Yine de uzaktan izleme teknolojilerinin yaygınlık kazandığı modern dijital çağda insanlı ekip kullanımı, yalnızca yerel bir konumdaki hayvan sayımını yapması ya da kullanıcı deneyiminden ötürü tespit sorunlarının yaşanmasından dolayı belli başlı riskler oluşturmaktadır.
İnsansız hava araçları (İHA’lar), bir alternatif olabilir. Ancak kısa pil/yakıt ömürleri ilgilenecekleri alanı sınırlarken alçak irtifada uçmaları da yaban yaşamını rahatsız eder. Buna karşın uydu teknolojileri, kıtanın çok daha geniş manzaralarını araştırma potansiyeline sahiptir. Uydu teknolojileri, hayvanları manuel olarak saymasına rağmen sonuç elde etmek için manuel müdahale gereksinimi duyuyor. Yapay zeka ve makine öğrenimindeki hızlı gelişmeler ile uydu tabanlı izleme
sistemlerini tamamen otomatik duruma getirme çalışmaları sürmektedir.
Çalışmanın metodolojisinin sınırlamaları vardır: Uydu görüntülerindeki kalite ve çözünürlük, derin öğrenme modelinin bağlı olduğu bir etkendir. Ayrıca izlenen hayvanların boyutu da modelin performansını etkiler. Örneğin filler ve balinalar gibi büyük hayvanların tespit ve sayımı, antilop gibi nispeten daha küçük hayvanlara göre daha kolay yapılmaktadır.
Biological Conservation’da yapılan bir araştırma ile uydu görüntüleri ve makine öğrenimi kullanımının antilop gibi daha küçük türler için bile hayvan popülasyonlarında doğru tahminleri yapabileceğini bildirildi Bu teknoloji, yaban hayatını izleme ve koruma yöntemleri arasında devrim niteliğindedir.
Makine Öğreniminin Hayvan Algılanmasında Kullanımı
Makine öğrenimi algoritmaları ve derin öğrenmenin alt alanı, büyük veri kümelerini yüksek hız ve doğrulukla analiz etmekte büyük başarı elde etmeye başladı. Söz konusu yapay görme ve otomasyon olduğunda makine öğrenimi, manuel yöntemlerle elde edilenden çok daha yüksek beceriler sağlıyor.
Uydu görüntüleri kullanılarak otomatik hayvan tespitinin yapıldığı işlerden birinde filler ve balinalar için nesne algılama algoritmaları kullanıldı. Daha küçük hayvanların tespitinde ise Scientific Reports’ta yayımlanan bir çalışmada, Serengeti-Mara ekosistemindeki antilopları doğru bir şekilde tespit etmek ve saymak için yüksek çözünürlüklü uydu görüntüleri ve makine öğrenimi kullanıldı.
Bu yaklaşım, diğer küçük hayvanlara ve farklı ekosistemlere uygulanabilir. Böylece Afrika’daki hayvan popülasyonlarının daha kapsamlı bir resmi çizilmiş olur.
Vaka Çalışması: Serengeti-Mara’da Göçü İzleme
Yakın tarihli bir çalışmada vücut uzunlukları 1,5-2,5 m aralığında olan antilop büyüklüğündeki hayvanların tespit ve sayımında iyi çözünürlüklü uydu görüntüleriyle sağlam bir derin öğrenme çerçevesi oluşturuldu. Serengeti-Mara ekosisteminin geniş bir alanını haritalamak adına metre altı çözünürlüklü uydu görüntüleri kullanıldı. Araştırmacılar, hayvanları bulmak için bir kümeleme modülünü U-Net tabanlı bir derin öğrenme modeliyle entegre ettiler ve yüksek hassasiyetli piksel tabanlı bir görüntü bölümleme kullandılar. Bu çalışma gezegendeki en büyük karasal memeli göçü
(Serengeti-Mara boyunca beyaz sakallı antilop ve ova zebralarının göçü) tespiti için yapıldı.
Serengeti-Mara’da, diğer küçük hayvanlar dışında hareket eden yaklaşık 1,3 milyon farklı türden antilop ve 250.000’den fazla zebra vardır. Bu büyük göç, yağış ve habitat tercihindeki mevsimsel değişimlere bağlıdır. İklim değişimindeki hızlı değişim, göçü tehdit etmektedir. Bu yüzden önümüzdeki yıllarda nüfusların etkili haritalandırılmasına ihtiyaç duyulacaktır.
Scientific Reports’ta yayımlanan bir çalışma, derin öğrenme modellerinin binlerce kilometre karelik bir alanda yaklaşık 500.000 hayvanın (antilop ve zebra) tespitini doğru bir şekilde ortaya çıkardı. Algılama algoritmasının doğruluğu %84,75 bulundu. Bu düzeyde ayrıntı ve doğruluk emsalsizdir ve hayvan davranışları hakkında paha biçilemez bilgiler sağlayabilir.
Sonuç
Geniş bir alanda çok sayıda küçük hayvanın uydudan görüntülenmesi ve makine öğrenimi algoritmalarından yararlanılması yeni bir çalışmadır. Bu çalışma ile bir dizi karasal memelinin tespiti yapılabilir. Ayrıca bu teknolojinin farklı ekolojik sistemlerdeki farklı hayvan davranışlarını bulma potansiyeli de var. Gelecek için başka bir yol, Dünyanın başka bölgelerinde daha önce belgelenmemiş memeli göçlerini keşfetmek olabilir.
Çalışmanın bulguları, yaban yaşamının korunmasında teknolojik yeniliğin önemini vurgulamaktadır. Popülasyonları uzaydan izleme becerisi, iklim değişikliğinin etkilerini incelemekten doğal kaynakları yönetmeye kadar çeşitli alanlarda faydalı olabilir. Ayrıyeten çalışmada geliştirilen derin öğrenme modeli gibi araçlar, koruma çabalarını bilgilendirmek ve yönlendirmek için çok önemli olacaktır.
Gelecekteki araştırmalar, modelin doğruluğunu artırmaya ve diğer ekosistemlere uygulamaya odaklanabilir. Ek olarak, bu teknolojiyi diğer koruma araçları ve stratejileriyle entegre etmek, yaban yaşamını korumadaki etkinliği artırabilir.
Referans: Critchey, L. (2023, 10 Temmuz). Machine learning transforms satellite wildlife
monitoring: A study. Electropages. https://www.electropages.com/blog/2023/07/deep-learningsatellite-data-monitoring-animal-population
Yazan ve Derleyen: Esra Taşçı
