Yapay Zeka Yaban Hayatını Tehdit Eden Çitlerin Yerini Tespit Etmeye Yardımcı Oluyor!

Batı ABD'de 1 milyon kilometreyi bulabilen uzunluktaki çitler, aynı zamanda Ay'a gidip geri dönmeye yetecek kadar uzun. Son yüzyılda, büyük ölçüde hayvanları kontrol altında tutmak amacıyla bol miktarda dikenli tel ve örgü tel çitler dikildi. Ne yazık ki bu çitler aynı zamanda geyik, sığın ve antilop gibi yabani hayvanların yiyecek bulmak veya derin kardan kaçmak için göç etmelerini de engelliyor.

Doğa korumacılar, Batı'nın uçsuz bucaksız arazilerinde eski çitleri bulup kaldırmak veya değiştirmek için kolları sıvadı. Bu zorlu görevde ise iki araştırmacı, çözüm olarak yapay zekaya başvurdu.

Senckenberg Biyoçeşitlilik ve İklim Araştırma Merkezi'nde doktora sonrası araştırmacı olan Wenjing Xu ve Microsoft AI for Good Lab'de uygulamalı araştırma bilimcisi olan Zhongqi Miao; geyik, sığın ve antiloplar için önemli bir bölge olan güneybatı Wyoming üzerinde uçan uçaklardan alınan hava görüntülerindeki çitleri tanımlamak için tasarlanmış bir bilgisayarı eğitti.

Kaliforniya'da düzenlenen Ekolojik Dernekler Amerika Konferansı'nda, çit tahminlerini yerinde yapılan incelemelerle karşılaştıran ikili, sistemin çitlerin yaklaşık %70'ini doğru bir şekilde tanımlayabildiğini belirledi. İkili, yöntemlerini uydu görüntülerini kullanacak şekilde genişletmeyi planlıyor. Bu, dünyanın diğer bölgelerindeki çitleri tanımlamanın önünü açabilir. Wyoming Üniversitesi'nde ekolog ve bilgisayar bilimcisi olan, aynı zamanda araştırmalarında hava görüntülerini kullanan ancak projede yer almayan Ben Koger şunları dile getiriyor:

Çitler, hayvanların hareketleri ve çevrenin sağlığı üzerinde büyük bir etkiye sahip. Şu anda bu konuda ne olup bittiğini doğru bir şekilde anlamak gerçekten zor.

Western EcoSystems Technology'de biyolog olarak görev yapan Hall Sawyer, Wyoming'deki Kızıl Çöl'deki (İng: "Red Desert") yüksek düzlüklerde antilopların hareketlerini izlemek amacıyla 45 antilopa radyo tasması taktı: 2023 kışında aylar süren derin, ıslak kar, güçlü rüzgarlar ve soğuk hava sonrasında, tasmalı antilopların yarısı öldü. Maalesef bu durum, sürüdeki binlerce antilop için de geçerliydi. Tasma verileri, bu hayvanların zor kış koşullarından kaçmaya çalıştığını ancak çitlere ve bir otoyola çarptıklarını ortaya koydu. Bir antilop, 400 kilometreden fazla yol almasına rağmen, başladığı yerden sadece 50 kilometre uzaklaşabilmişti. Sawyer, bir hayvanın 400 kilometreden fazla dolaştığını ancak başladığı yerden 50 kilometreden daha uzağa gitmeyi başaramadığını belirtiyor.

Bazı bölgelerde, yaban hayat yöneticileri ve koruma grupları, çitleri kaldırma veya bunları, antilopların altından geçmesini ve sığırların üzerinden atlamasını kolaylaştıran yaban hayat dostu çitlerle değiştirme çalışmalarına başladı. 2019 yılında yapılan bir araştırma, Alberta, Saskatchewan ve Montana'daki çit kaldırma çalışmalarını inceledi. Sonuçlar, antilopların çitlerden güçlü bir şekilde kaçındığını ve bu engellerin kaldırılmasının, hayvanların hem kamusal hem de özel arazilerde yüksek kaliteli yeme erişimini %38 oranında artırabileceğini gösterdi.

Ancak nerede olduğunu bilmediğiniz çitleri programlı bir şekilde kaldırmak ya da değiştirmek zor olabilir. Berkeley'deki Kaliforniya Üniversitesi'nde doktorasını yaptığı sırada güneybatı Wyoming'de sahada araştırmalar yaparak 7000 kilometreden fazla çitin haritasını çıkarmaya çalışan Xu, gözlemini şu sözlerle aktarıyor:

Kamu kurumlarının bazı yerlerde kayıtları var, bazılarında ise yok.

Daha iyi bir envanter oluşturmak için Xu, Miao ile iş birliği yaparak geniş çit alanlarını uzaktan tanımlamaya yönelik bir yöntem geliştirdi. İkili piksel başına 60 santimetreye kadar çözünürlük sunan uçaklardan çekilen fotoğrafları inceledi. Miao, Xu'nun Wyoming'deki çalışmasından elde edilen saha verilerini kullanarak her pikselde çit aramak üzere derin öğrenme modelini eğitti.

Miao, sonuçları "gerçekten umut verici" bulsa da bazı durumlarda modelin yolları çitlerle karıştırdığını da kabul ediyor. Xu ve Miao, daha yüksek çözünürlüklü görüntüler toplayabilecekleri ve modeli daha hassas bir şekilde eğitmeyi planlıyor.

Florida Üniversitesi'nde bilgisayarlı görü ekolojisti Ben Weinstein, doğa koruma alanında yapay zeka kullanımıyla yapılan başlangıç aşamasındaki projelerde %70 başarı oranının gayet olağan bir oran olduğunu belirtiyor. Araştırmaya katılmayan ve sonuçları incelememiş olan Weinstein, bu tür projelerin insan gözlemini tamamen ortadan kaldırmak için değil, doğa koruma gruplarına ve arazi yöneticilerine daha fazla karar alma aracı sunmak amacıyla kullanılmasının daha uygun olduğunu vurguluyor.

Sawyer, daha önce Xu ile çalışmış ancak bu projede yer almamış biri olarak, umutlu olduğunu ifade ediyor. Ancak, yöntemin çitlerle ilgili daha ayrıntılı veriler sunmasını bekliyor:

Tel türlerini ve yüksekliklerini anlamak, bunların büyük oyun hayvanları için sorun oluşturup oluşturmadığını belirlememize yardımcı olur.

Miao ise uydu görüntülerinin, ahşap ve tel gibi ana çit türleri arasındaki farkı ayırt etmek için kullanılabileceğini, ancak örgü veya dikenli tel gibi ayrıntıları göstermek için yeterli detayı sağlayamayabileceğini belirtiyor.

Miao ve Xu modellerini geliştirdikten sonra, bunu Batı ABD'nin tamamına ve ardından Tibet, Avustralya ve Kenya gibi ülkelerdeki otlak ve mera alanlarına uygulamayı planlıyor. Koger, yapay zekanın desenleri öğrenmede iyi olabileceğini, ancak bu desenleri yeni ortamlara uyarlamada zorlanabileceğini söylüyor ve sözlerini şu şekilde noktalıyor:

İzlemeye devam etmek heyecan verici olacak.