Команда из MIT Sea Grant, Woodwell Climate Research Center, MIT CSAIL и других организаций представила рабочую систему автоматического мониторинга рыбы на базе компьютерного зрения. Проект посвящен миграции речной сельди в Массачусетсе, которую раньше в основном считали вручную, в том числе с помощью волонтеров.
Исследователи подчеркивают: цель не заменить людей полностью, а усилить программы гражданской науки. Такой подход дает более полный и точный поток данных для охраны экосистем и управления рыбными ресурсами.
Почему подсчет рыбы стал сложной задачей
Каждую весну речная сельдь поднимается из прибрежных вод вверх по рекам к местам нереста. За последние десятилетия численность этих популяций заметно снизилась, поэтому мониторинг особенно важен.
Проблема в том, что традиционные методы ограничены временем и условиями наблюдений. Визуальные подсчеты обычно ведутся днем и короткими интервалами, из-за чего легко пропустить ночные проходы рыбы и «всплески» миграции, когда за несколько минут проходит сразу много особей.
Как работает новая система на базе ИИ
Авторы построили полный конвейер: от установки подводных камер до обучения модели. Видеоданные собирали в трех реках Массачусетса: Coonamessett, Ipswich и Santuit.
Далее вручную разметили материал на открытой веб-платформе: помечали рыбу по кадрам с помощью ограничивающих рамок. Всего подготовили 1 435 видеоклипов и 59 850 размеченных кадров. Это обучило модель распознавать, отслеживать и считать рыбу даже при разном освещении, мутности воды, плотности косяков и в разные сезоны.
Какие технологии использовали
- Object detection — автоматический поиск рыбы в кадре.
- Tracking — отслеживание движения одной и той же особи между кадрами.
- Species classification — определение вида рыбы.
- Deep learning — нейросетевые модели, которые учатся на размеченных примерах.
Простыми словами: система «видит» рыбу на видео, понимает, куда она плывет, и аккуратно ведет счет без постоянной ручной проверки каждого фрагмента.
Результаты: ИИ подтвердил точность и дал новые инсайты
Команда сравнила автоматические подсчеты с ручной проверкой видео, визуальными наблюдениями у реки и данными PIT-меток. Лучшие результаты показали модели, обученные на разнородных данных из разных мест и лет.
На примере миграции 2024 года в реке Coonamessett система насчитала 42 510 речных сельдей. Кроме общей численности, ИИ выявил поведенческие закономерности: пик движения вверх по течению пришелся на рассвет, а обратное движение чаще происходило ночью, когда меньше света и ниже риск хищников.
Почему это важно для индустрии ИИ и экологии
Этот кейс показывает, что ИИ в экологии уже работает не как лабораторный эксперимент, а как прикладной инструмент для полевых условий. Для отрасли это важный сигнал: компьютерное зрение можно масштабировать в задачах, где раньше требовались большие человеческие ресурсы.
Также проект демонстрирует сильную модель сотрудничества: ученые, инженеры и гражданские наблюдатели объединяют усилия, а данные становятся более непрерывными и детальными. В перспективе такой подход можно адаптировать и для других водных видов.
Заменит ли ИИ волонтеров
Нет, по крайней мере в ближайшие годы. Авторы подчеркивают, что классический мониторинг нужно сохранять для сопоставимости с историческими рядами данных, пока автоматизированные системы не внедрены повсеместно.
Более реалистичный сценарий — гибридная модель, где гражданская наука и компьютерное зрение дополняют друг друга. Волонтеры остаются важны для обслуживания камер, разметки новых данных и проверки качества моделей.
Что дальше
Исследование опубликовано в журнале Remote Sensing in Ecology and Conservation и доступно в открытом доступе. Команда рассчитывает, что предложенный фреймворк и набор практик станут базой для внедрения ИИ-мониторинга в природоохранные программы на более широком уровне.
Для рынка ИИ это еще один пример того, как технологии машинного обучения решают реальные задачи на стыке климата, биоразнообразия и управления природными ресурсами.