ZSL از Google Cloud و یادگیری ماشین برای محافظت از گونه های در معرض خطر شکارچیان غیر مجاز استفاده می کند


انجمن جانورشناسی لندن (ZSL) جزئیاتی از چگونگی حمایت مشارکت مداوم این شرکت با Google Cloud از تلاش های خود برای محافظت از گونه های جانوری در معرض خطر در برابر شکارچیان با استفاده از ابزار یادگیری ماشین و هوش مصنوعی را نشان داده است.

طی سه سال گذشته ، موسسه خیریه بین المللی حفاظت از محیط زیست با تیم Google Cloud برای ایجاد مدل های یادگیری ماشین سفارشی برای کمک به شناسایی و ردیابی گونه های در معرض خطر در سراسر جهان همکاری کرده است.

با این حال ، مرحله بعدی کار آن مشاهده شده است که این جفت ارز از حسگرهای صوتی برای ضبط صدای شلیک گلوله استفاده می کند و این ترکیب را با انبارداری داده ها و ابزارهای یادگیری ماشین غول ابر برای تجزیه و تحلیل تهدید شکارچیان غیر مجاز در گونه های در معرض خطر در یک منطقه مشخص انجام می دهد.

بر اساس برآوردهای صندوق جهانی طبیعت (WWF) ، شکار غیرقانونی حیات وحش سالانه حدود 20 میلیارد دلار برای شرکت کنندگان درآمدزایی می کند و این امر با نابودی جمعیت گونه های در معرض خطر در سراسر جهان مرتبط است.

برای مقابله با این موضوع ، ZSL در سال 2018 کار خود را برای استقرار 69 حسگر ضبط صوتی در یک ذخیره گاه طبیعی در کامرون ، آفریقای مرکزی آغاز کرد تا داده های صوتی را جمع آوری و تجزیه و تحلیل کند تا ارزیابی کند که این امر برای نظارت بر فعالیت شکار غیرقانونی در این منطقه مفید است.

این آزمایش منجر به جمع آوری انبوهی از داده ها شد ، که سازمان با Google کار کرد تا یک روش کارآمد برای مرتب سازی برای شناسایی و تجزیه و تحلیل مواردی از شلیک گلوله در هنگام ضبط پیدا کند.

عمر محمود ، سرپرست مهندسی مشتری کالاهای بسته بندی شده مصرفی و صنعت مسافرتی تحت پوشش انگلیس و ایرلند در Google ، در یک پست وبلاگ نوشت: “طی یک ماه ، دستگاه های صوتی ZSL 267 روز صدای صوتی مداوم را با مجموع 350 گیگابایت ضبط کردند. . “حتی ارزش یک ماه داده برای یک انسان بسیار دشوار است تا بتواند به صورت دستی گوش کند و تجزیه و تحلیل کند.”

برای حل این مسئله ، ZSL یک مدل یادگیری ماشین از قبل آموزش دیده و منبع باز به نام YAMNet را به کار گرفت ، که در ابتدا در Google طراحی شده بود و روی میلیون ها فیلم YouTube آموزش دیده بود.

“YAMNet برای شناسایی رویدادهای صوتی در مجموعه داده های ZSL ، ذخیره شده در Google Cloud Storage استفاده شده است. طبقه بندی اولیه داده های 350 گیگابایتی برای تکمیل کمتر از 15 دقیقه طول کشید و 1746 مورد را با اطمینان بالایی از شلیک به گلوله شناسایی کرد. “

داده های جمع آوری شده با استفاده از ابزار کاملاً مدیریت شده و انبارش داده های گوگل BigQuery در جایی که جزئیات دستگاه مورد استفاده برای ضبط گلوله مظنون به اسلحه به همراه محل و زمان آن ثبت شده بود ، سازماندهی شد.

محمود گفت: “این به ZSL اجازه داد سریعاً روی پرونده های صوتی با بیشترین احتمال وجود صدای شلیك از هزاران ساعت ضبط ، برای تجزیه و تحلیل بیشتر پرس و جو كند.”

از اینجا ، هر کلیپ صوتی حاوی سر و صدای مشکوک به اسلحه باید به صورت دستی گوش داده شود و به عنوان طیف سنج مورد بازرسی بصری قرار گیرد تا به عنوان شلیک گلوله تأیید شود.

ارجاع متقابل

با ارجاع متقابل این داده ها و استفاده از قابلیت های مکانی بزرگ BigQuery و تکنیک های مدل سازی یادگیری ماشین ، این امکان را برای تیم ZSL فراهم می کند تا مکان هایی را که می تواند نظارت بیشتری بر اجرای قانون برای علائم فعالیت شکار غیرمجاز داشته باشد ، مشخص کند.

محمود گفت: “در این مطالعه کوتاه یک ماهه که فقط بخشی از ذخیره را پوشش می داد ، تیم تحقیقاتی توانستند بینش جدیدی در مورد تهدیدات انسانی گونه ها ارائه دهند.” “داده های گذشته نشان می دهد شلیک گلوله به احتمال زیاد در شب برای جلوگیری از شناسایی تکاور انجام می شود ، اما ZSL با استفاده از اکوآکوستیک به تنهایی شواهدی از شکار غیرقانونی در طول روز را ارائه می دهد.”

با نگاه به جلو ، ZSL گفت که قصد دارد از یافته های جمع آوری شده از این کار برای اطلاع رسانی در مورد هشدارهای زمان واقعی در مورد فعالیت مشکوک به شکار غیرقانونی در مناطق تحت نظارت خود استفاده کند.

محمود نتیجه گیری کرد: “با جمعیت حیوانات تحت فشار ، فن آوری و به ویژه یادگیری ماشین ، ظرفیت زیادی وجود دارد که گروه های حفاظتی مانند ZSL را قادر می سازد منابع خود را به طور موثرتری در نبرد با تجارت غیرقانونی حیات وحش مستقر کنند.”


منبع: tadrisriazi-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>