Groepen dieren in het volle zicht met geavanceerde technologie

© Ben Koger

Hoe en waarom bewegen groepen dieren zich en welke rol spelen sommige individuen daarbij? Om het gedrag van in de gemeenschap levende soorten zoals de zebra en zijn soortgenoten te bestuderen, introduceerden de onderzoekers een nieuwe methode van gegevensverzameling door drones en daaropvolgende analyse door kunstmatige intelligentie. Op deze manier kan zonder inmenging en met relatief weinig inspanning informatie over de dieren worden verzameld, wat hun natuurbehoud en gedragsonderzoek ten goede zou kunnen komen, aldus de wetenschappers.

Sommige steppe- en bosbewoners, apensoorten en vele andere diersoorten staan ​​bekend om hun uitgesproken sociale communicatie: ze vormen grotere gemeenschappen of kuddes die samen rondzwerven en interessante patronen van groepsdynamiek vertonen. Hoe deze systemen functioneren en het belang van sommige factoren zijn vanuit biologisch oogpunt spannend en kunnen ook belangrijk zijn voor de bescherming van bedreigde diersoorten. Onderzoek naar dit onderwerp is echter moeilijk en tijdrovend: bepaalde aspecten van groepsdynamiek blijven verborgen of moeten via assessments nauwgezet worden vastgelegd. Het verzamelen van gegevens door individuen te voorzien van dataloggers en bewegingssensoren is ook tijdrovend en brengt ook stress met zich mee voor sommige bedreigde diersoorten.

Adelaarsogen en computeralgoritmen

Om deze reden werken wetenschappers onder leiding van Benjamin Kuger van het Max Planck Instituut voor Dierlijk Gedrag in Konstanz aan een alternatief. Nu presenteren ze hun concept, dat gebruikt kan worden bij diersoorten die in open gebieden of met weinig begroeiing leven: ze gebruiken drones die hele groepen dieren van bovenaf bekijken, en verzamelen een set gegevens die vervolgens geëvalueerd kunnen worden. op een speciale manier om informatie te genereren Scharnier.

Concreet betekent dit dat de onderzoekers een drone, uitgerust met computergestuurde opnametechnologie, lanceerden en hoog boven een groep dieren richtten zodat ze niet gestoord zouden worden. Het vliegtuig registreert vervolgens in detail individuele individuen, hun bewegingen en gedrag, evenals 3D-kenmerken van het landschap inclusief vegetatie. Nadat de drone terugkeert, worden de gegevens uitgelezen en geanalyseerd door speciale computeralgoritmen die de informatie in de opnames automatisch kunnen herkennen.

Uitgebreide informatie over groepsdynamica

We registreerden vaak 20 of meer verschillende individuen tegelijk. Als mens kan het weken duren om elk individu in één videoweergave van een half uur te lokaliseren. Dus de eerste uitdaging was hoe we automatisch de dieren konden identificeren waarin we geïnteresseerd waren”, zegt Koger. Dit werd mogelijk gemaakt door kunstmatige intelligentie: de onderzoekers gebruikten krachtige deep learning-algoritmen die konden “leren” individuele kenmerken van de dieren te herkennen. Een andere uitdaging , legden de onderzoekers uit, zuiverde gegevens om bewegingen van dieren vast te leggen. Omdat de video’s ook werden beïnvloed door dronebewegingen en vervormingen veroorzaakt door landschapsstructuren. Het team slaagde er echter blijkbaar in hindernissen te overwinnen en een werkbaar systeem te ontwikkelen, zoals geïllustreerd door het voorbeeld van Grevy-zebra’s in Kenia en Gelada-apen in Ethiopië.

“De kracht van onze beeldgebaseerde methode is dat het een totaaloplossing is”, zegt Koger. Omdat de drone niet alleen groepen dieren vastlegt, maar ook landschappen, wordt een zeer uitgebreide dataset verkregen die informatie bevat over de sociale en ecologische context van alle dieren in de geobserveerde groep. Op deze manier kan zonder tussenkomst worden aangetoond hoe sociale en ruimtelijke structuren gedragsprocessen beïnvloeden, zoals besluitvorming en informatie-uitwisseling in groepen.

Tot slot zegt senior auteur Blair Costello van de Universiteit van Konstanz: “Een van de sterke punten van onze methode is dat deze kan worden aangepast aan veel verschillende diersoorten en omgevingen. Ik geloof dat deze methode ons kan helpen een beter begrip te ontwikkelen van de mechanismen waardoor individueel gedrag systemische fenomenen genereert die van belang zijn.’ Relevantie voor natuurbehoud’, zegt de wetenschapper.

Video: Uitleg van het concept van het nieuwe proces. © Ben Koger

Bron: Universiteit van Konstanz, gespecialiseerd artikel: Journal of Animal Ecology, doi: https://doi.org/10.1111/1365-2656.13904

© nature.de – Martin Vieweg