Команда MIT Sea Grant, Woodwell Climate Research Center и других партнёров представила рабочую систему мониторинга рыб на базе глубокого обучения. Проект нацелен на подсчёт речной сельди во время сезонной миграции и дополняет классические наблюдения, которые ведут специалисты и волонтёры.
Результаты опубликованы в журнале Remote Sensing in Ecology and Conservation. Исследователи показали, что связка подводного видео и ИИ может давать точные данные на всём протяжении сезона, а не только в короткие интервалы ручных подсчётов.
Почему это важно для экологии и ИИ
Популяции речной сельди в регионе снижались десятилетиями, поэтому точный контроль миграции критичен для охраны видов и управления рыболовством. Если данных мало или они неполные, сложно вовремя принимать решения: где усиливать защиту, когда ограничивать промысел и как оценивать эффект природоохранных мер.
Для индустрии искусственного интеллекта это показательный кейс «полезного ИИ» в реальной среде. Модель работает не в лаборатории, а в мутной воде, при разном освещении, в разное время суток и при высокой плотности движения рыбы.
Как устроена система автоматического подсчёта
Исследователи построили полный конвейер: от установки подводных камер в реках до разметки данных и обучения моделей. Видео собирали в трёх реках Массачусетса: Coonamessett, Ipswich и Santuit.
Чтобы модель была устойчивой, в обучающую выборку включили разные условия съёмки: прозрачность воды, яркость, сезонность, виды рыб и плотность потока. Далее ролики размечали вручную покадрово: каждому объекту назначали рамку, чтобы ИИ учился находить рыбу, отслеживать её траекторию и считать проходы.
Масштаб подготовки данных
- Размечено 1 435 видеоклипов.
- Аннотировано 59 850 кадров.
- Проверка выполнена по нескольким источникам: ручной видеоразбор, визуальные наблюдения у реки и данные PIT-меток.
Что показали результаты
Лучше всего работали модели, обученные на разнородных данных из нескольких точек и за разные годы. Такой подход дал стабильные сезонные оценки, сопоставимые с традиционными методами учёта.
Система не только считает рыбу, но и показывает поведенческие паттерны. На данных миграции 2024 года в реке Coonamessett алгоритм зафиксировал 42 510 особей речной сельди. Пик движения вверх по течению пришёлся на рассвет, а обратное движение чаще происходило ночью, вероятно для снижения риска встречи с хищниками.
Чем ИИ лучше и где нужны люди
Традиционные подсчёты ограничены временем, погодой и человеческими ресурсами. Волонтёрские наблюдения обычно идут днём и короткими сессиями, поэтому легко пропустить ночные проходы и краткие «всплески» миграции, когда за минуты проходит много рыбы.
При этом авторы подчёркивают: компьютерное зрение не отменяет гражданскую науку. Наоборот, волонтёры остаются ключевыми для обслуживания камер, дополнительной разметки и проверки качества моделей. На переходном этапе это гибридная схема: ИИ ускоряет обработку, а человек контролирует надёжность.
Что это меняет для отрасли
Проект задаёт практический стандарт для внедрения машинного обучения в природоохранный мониторинг. Подход масштабируемый и сравнительно недорогой, значит его можно адаптировать и для других водных видов, не только для сельди.
Для рынка ИИ это важный сигнал: спрос смещается от «красивых демо» к прикладным системам с проверяемой пользой. А для экологии, рыболовства и региональных сообществ это шанс получать более полную картину состояния рек и быстрее реагировать на изменения.