«Спасая один вид, мы спасаем экосистему»: зачем изучать снежных барсов с помощью нейросетей

23 октября — Международный день снежного барса. Мы создали нейросеть для обработки данных с фотоловушек. Зачем это учёным — рассказывают директор Сайлюгемского национального парка Денис Маликов и архитектор ML‑сервисов Yandex Cloud Дмитрий Рыбалко.

/

Экология

Снежный барс, или ирбис, — один из самых редких и малоизученных видов больших кошачьих. В России их осталось не больше 90, и 24 из них находятся в национальном парке «Сайлюгемский» на Алтае.

Барс единственный из больших кошек живёт так высоко в горах: в основном от 2500 до 3000 м, а иногда и до 6000 м. Тело ирбиса приспособлено к подобным условиям: это гибкое и грациозное животное среднего размера с большим пушистым хвостом. Хвост помогает балансировать, когда нужно прыгать по скалам при охоте, а ещё барс использует его в холодную погоду в качестве одеяла.

В дикой природе барс живёт до 13 лет

Международный день снежного барса отмечается с 2013 года. Дату 23 октября определили участники Всемирного форума по сохранению снежного барса в Бишкеке. В тот день 10 лет назад на форуме приняли глобальную стратегию по сохранению 20 популяций снежного барса, обитающих на территории около 500 тысяч кв. км.

Барс обитает только в 12 странах с горными массивами, в том числе в Монголии, Киргизии, Казахстане, Таджикистане, Узбекистане, Китае, Непале и Индии.

В России живёт не более 2% снежных барсов. Все они находятся в Сибири: на Алтае, в Тыве, Бурятии и Красноярском крае. Но потенциально барсу подходит гораздо больше территорий в нашей стране — просто с текущей численностью он не может их занять.

Всего в мире от 4000 до 7000 барсов. Последние несколько лет в России ведётся качественный мониторинг, но барсы перемещаются между странами, поэтому при наблюдении важно международное сотрудничество. В некоторых странах не хватает специалистов и финансирования: мало автоматических камер — фотоловушек, или некому их отсматривать.

Почему барс попал в Красную книгу

Снежный барс был занесён в Международную Красную книгу в 1986 году. Сначала он числился там как вымирающий вид. Такой статус животным присваивают, когда в мире осталось менее 2500 особей и их количество сократилось более чем на 20% за последние два поколения. В 2017 году снежного барса перевели в статус уязвимого вида — когда особей менее 10 тысяч.

Это значит, что:

Снежные барсы страдают как от природных изменений, так и от действий человека.

Угроза

Браконьеры

На барса охотятся ради шкуры, а живых котят продают в нелегальные зоопарки. Ещё барсы погибают в капканах и петлях, расставленных для других животных. В 2019 году в России ужесточили ответственность за охоту на краснокнижных животных: максимальный срок лишения свободы увеличили до восьми лет.

Что происходит

Скотоводы

Иногда барсов убивают скотоводы, на животных которых напал хищник. Чтобы сократить количество таких случаев, защитники природы предлагают компенсировать скотоводам ущерб. В некоторых регионах эту инициативу уже реализовали.

Изменение климата

Барсы вынуждены менять места обитания, когда прежние становятся непригодными. Например, если в горах сокращается травяной покров, там становится меньше копытных, то есть меньше пищи для ирбисов. В результате барс начинает жить ближе к людям, которые несут для него больше угроз.

Антропогенная инфраструктура

Там, где раньше были дикие места, сейчас прокладывают дороги и строят промышленные объекты. Барсам приходится либо адаптироваться к соседству с людьми, либо искать другие территории.

Барсам дают имена, чтобы их очеловечить. Это помогает привлечь внимание к уязвимым видам и особенно важно там, где люди соседствуют с такими животными. Иногда проводят конкурсы — жителям региона интересно придумать имя местному барсу. Например, Крюка назвали так из‑за пятна подобной формы. А другой барс стал Художником из‑за ободранного хвоста‑кисточки. Часто барсов называют алтайскими именами, а иногда даже в честь индийских божеств.

Фотоловушки показали, что в 2020 году один алтайский ирбис преодолел путь в 100 км. Это значит, что ему либо не хватало пищи, либо он искал самку

Как сохранять животных из Красной книги

Чтобы сохранить животное, его нужно досконально исследовать. А барсов очень сложно изучать. Они обитают в труднодоступных местах, ведут сумеречный образ жизни и охотятся поодиночке.

Больше всего в исследовании и сохранении вида помогают особо охраняемые природные территории, в том числе заповедники и национальные парки.

Чтобы понять, где создать такую территорию, нужно узнать места обитания и численность животных. Для этого есть несколько подходов:

1.

Тропление по следам: люди находят следы снежного барса, записывают их количество и координаты. Метод не всегда достоверен, так как отпечатки лап барса можно перепутать со следами рыси, росомахи и других животных.

2.

Изучение следов жизнедеятельности. Ирбисы метят камни и скалы, так что установить их место обитания можно по оставленным экскрементам и даже просто по запаху. Также определить, что здесь был ирбис, позволяют следы когтей на деревьях и поскрёбы — кучки земли.

3.

Мониторинг с помощью фотоловушек. Их нужно устанавливать на звериных тропах, в идеале по две на 5 кв. км.

4.

Молекулярно‑генетический анализ экскрементов и шерсти. Такой ДНК‑анализ определяет пол и принадлежность к виду.

Фотоловушки показали, что в 2020 году один алтайский ирбис преодолел путь в 100 км. Это значит, что ему либо не хватало пищи, либо он искал самку

Снежный барс — это вид‑зонтик. Так называют животных, которые стоят на вершине пищевой цепи и, как зонтик, покрывают всю экосистему, в которой обитают. Например, белый медведь — это зонтик арктических экосистем, амурский тигр — Дальнего Востока, снежный барс — горных районов Центральной Азии. Сохраняя один вид, мы сохраняем всю экосистему.

Как нейросети помогают в распознавании ирбисов

В Сайлюгемском национальном парке 170 фотоловушек. На одной может быть до 5000 кадров, но релевантными обычно бывают 10–30%. Помимо исследуемых животных, камера фиксирует пролетающих птиц и даже просто колыхание травы. На то, чтобы вручную найти барсов среди тысяч изображений, у учёных иногда уходят недели.

Поэтому для автоматизации распознавания данных фотоловушек нужны специализированные программы. Подобные решения уже используются для отслеживания распространения растений и экомониторинга Байкала.

Фотоловушки обходятся дорого. Их часто ломают звери и браконьеры, а ещё камеру может просто снести лавина в горах

Вместе со студентами Школы анализа данных Яндекса (ШАД) мы разработали нейросеть, которая всего за несколько секунд обрабатывает снимки из фотоловушек и находит на них животных.

Дмитрий Рыбалко

Архитектор ML‑сервисов

Как мы обучали нейросеть

Мы обучили модель на массиве из 40 тысяч фотографий и фрагментов видео общим объёмом 150 ГБ. С разметкой данных нам помогали участники проекта Yandex U‑team. Мы показывали нейросети 10 видов животных: барса, лису, волка и других — для каждого как минимум по 1000 фотографий.

Фотографии без животных тоже использовали — для обучения и проверки качества. Кроме того, для начала сотрудники национального парка хотели найти именно пустые фотографии, которые не нужно отсматривать.

Мы использовали архитектуру YOLO (you only look once), одну из самых популярных для распознавания объ­ектов на изоб­ражениях.

После начала обучения оказалось, что модель не справляется с ночными снимками. Тогда мы взяли точно такую же модель и дообучили её на ночных кадрах — их было примерно 30%. Теперь две модели работают вместе. Написанный нами скрипт по пикселям определяет, день или ночь на фото, и отправляет изображение в соответствующую нейросеть.

Зачем в проекте облако

Облачные технологии позволяют проводить много экспериментов и быстро обучать модель. Нейросетям нужны большие вычислительные мощности — организовывать для них локальную инфраструктуру слишком затратно.

Над проектом работают шесть человек: я, доцент Высшей школы экономики Дмитрий Сошников и четыре студента ШАДа. Чтобы было удобно работать над проектом всей командой, мы использовали сервис для ML‑разработки Yandex DataSphere. Он позволяет вести командную разработку в среде JupyterLab, с ним удобно обмениваться данными, запускать много экспериментов. Каждому участнику не нужно заново настраивать окружение под себя, достаточно один раз собрать образ со всеми необходимыми библиотеками и поделиться им с командой.

Дмитрий Рыбалко

Архитектор ML‑сервисов

Для хранения фотографий и фрагментов видео из национального парка мы используем объектное хранилище Yandex Object Storage. Обработка данных и обучение модели происходит в Yandex DataSphere. Один «круг» дообучения нейросети на 10 тысячах изображений занимает 5−6 часов. Для повышения качества работы модели таких кругов нужно много: мы выделяем недочёты в текущей итерации и запускаем новый эксперимент.

А чтобы сотрудники парка могли загружать изображения и по кнопке запускать распознавание, мы развернули простое приложение в Yandex Compute Cloud. В результате приложение распределяет картинки по папкам в соответствии с видом животного.

Что дальше

На следующем этапе нейросеть научится определять на снимках конкретные особи барсов по уникальному рисунку на шерсти или по другим параметрам, которые она сама выделит как отличительные. А дальше — будет распознавать ещё больше животных. Например, сейчас в кадр часто попадают птицы и мыши — нейросеть сможет определять и их.

Будем повышать точность распознавания. Мы можем брать с видео дополнительную информацию о времени съёмки. И если нейросеть случайно ошибётся с животным, то по другим распознанным кадрам, сделанным в то же время, мы поймём, кто на снимке.

Также хотим добавить визуализацию на карте. По времени снимка и геолокации мы можем определять местоположение животных. Учёные смогут собирать статистику об обитателях парка, строить карты их излюбленных мест, изучать маршруты их передвижения.

Нейросеть можно дообучать и использовать для наблюдения за любыми животными. Это поможет учёным объективно оценивать размер популяции и разрабатывать меры по защите вида — быстро и на основе больших объёмов данных.

Если у вас есть проект, связанный с экологией, или вы хотели бы узнать подробности этого проекта, напишите мне

Евгений Хохлунов

Руководитель направления экологических проектов