Интеграция применения дронов и искусственного интеллекта для обнаружения диких кабанов, туш и их останков в связи с африканской чумой свиней

ВВЕДЕНИЕ

В современном мире наблюдается глобальное распространение африканской чумы свиней (АЧС), смертельно опасного вирусного геморрагического заболевания домашних свиней (Sus scrofa domestica) и диких кабанов (Sus scrofa), представляющего серьезную угрозу для свиноводческой отрасли [1]. Вклад диких кабанов в распространение болезни широко признан, установлено, что на территорию нескольких европейских стран вирус АЧС занесли именно мигрирующие инфицированные дикие кабаны [2][3][4][5]. В разработке стратегий управления АЧС для контроля новых вспышек в природе одним из важных инструментов является мониторинг популяции дикого евразийского кабана, оценка численности, плотности и динамики популяции вида. Одной из наиболее эффективных мер по искоренению АЧС в дикой природе является выявление вспышки на ранних стадиях, включающее поиск трупов, которые представляют собой источник прямой и непрямой передачи вируса. Быстрое их обнаружение и безопасная утилизация может предотвратить дальнейшее распространение инфекции, поскольку установлено, что в тушах диких кабанов, погибших от АЧС, вирус сохраняется в течение нескольких месяцев [6][7][8][9]. Поиск трупов, их останков – трудоемкая и отнимающая много времени деятельность, которая сильно зависит от размера очага вспышки, текущего сезона, рельефа местности, густоты растительности и других факторов. По мнению исследователей, большая часть трупов может не обнаруживаться традиционными наземными, пешими методами [10]. Поэтому для достоверной оценки численности и плотности популяции дикого кабана и оптимизации поиска туш и их останков требуется применение альтернативных современных методов и технологий.

В настоящее время все более популярными становятся беспилотные летательные аппараты (БПЛА), известные как дроны, коптеры или беспилотники, управляемые одним или несколькими пилотами с помощью каналов связи на пунктах дистанционного пилотирования (станциях наземного управления). БПЛА широко используются в абсолютно разных сферах, в том числе в практике мониторинга дикой природы. Более того, различные системы БПЛА, наряду с развивающимися технологиями искусственного интеллекта (ИИ), применяются для учета, анализа поведения и перемещений диких животных [11][12][13]. В последнее десятилетие в рамках природоохранных мероприятий с помощью беспилотников проводятся многочисленные исследования популяций и естественной среды обитания как диких птиц [14][15][16], так и различных видов крупных диких животных (приматов, слонов, бегемотов, копытных) [17][18][19][20][21][22][23], однако их применение для поиска и учета популяций именно дикого кабана в рецензируемых источниках практически не освещено. БПЛА являются одним из многообещающих возможных дополнений к набору традиционных методов мониторинга. В ряде исследований показано, что, по сравнению с наземными методами (пеший мониторинг, применение фотоловушек и др.), беспилотники позволяют более быстро и с высокой точностью проводить подсчет популяций диких животных на обширных территориях [17][24]. Ранее крупномасштабные аэрофотосъемки дикой природы проводились с помощью пилотируемых самолетов, однако использование БПЛА для воздушной съемки обходится значительно дешевле, а в сравнении со спутниковыми снимками они могут работать под облачным покровом [25]. ИИ, включая машинное обучение (МО), открывает революционные возможности в мониторинге дикой природы и позволяет повысить качество данных при подсчете популяций животных, упростить сбор и автоматизировать рутинные процессы обработки данных. Нейросети (разновидность ИИ), обученные на массивах данных, ранее собранных с помощью аэрофотосъемки с дронов, лесных фотоловушек или видеокамер, способны распознавать не только вид, но и каждую отдельную особь животного. МО во много раз сокращает время обработки полученных снимков по сравнению с ручным анализом полученных с помощью фотоловушек фотографий. ИИ из десятков тысяч файлов данных за считаные минуты выбирает только те, на которых запечатлены животные. Это существенно экономит время исследователей [18].

В связи с продолжающейся в мире панзоотией АЧС в рамках управления инфекцией в природных условиях целесообразно изучать современные практики применения БПЛА, во-первых, в качестве инструмента наблюдения для оценки численности и плотности популяции диких кабанов, во-вторых, для эффективного поиска трупов и их останков. При анализе открытых опубликованных источников в этом ключе существенным пробелом явилось отсутствие исследований, касающихся применения БПЛА для поиска как живых особей, так и туш диких кабанов. Наш анализ практик использования БПЛА для наблюдений за другими видами животных в интеграции с ИИ, вероятно, поможет адаптировать их к программам мониторинга популяций дикого кабана и поиска туш животных, павших от АЧС, что будет способствовать улучшению контроля распространения данного заболевания.

Цель обзора заключалась в обобщении имеющихся в настоящее время знаний о передовых технологиях применения БПЛА (дронов) в условиях дикой природы в сочетании с методами ИИ. В данном обзоре рассмотрены роль дикого кабана в распространении АЧС и значение своевременного удаления трупов; использование БПЛА и нейросетей для наблюдения за популяциями крупных видов диких животных с акцентом на преимуществах и особенностях применения дронов по сравнению с традиционными методами.

МАТЕРИАЛЫ И МЕТОДЫ

При выполнении работы применялись аналитические методы исследований с использованием баз данных PubMed, Springer, Wiley Online Library, Google Scholar, CrossRef, РИНЦ, еLIBRARY, CyberLeninka.

РОЛЬ ДИКОГО КАБАНА В ЭПИЗООТИИ АЧС

С тех пор как вирус АЧС II генотипа был обнаружен в Восточной Европе (2007 г.), заболевание распространилось во многих странах Европы и далеко за ее пределами (Азия, Америка и Океания). По данным Всемирной организации здравоохранения животных, за последние три года в общей сложности АЧС была зарегистрирована в 64 странах мира, поражено более 934 тыс. свиней и более 31 тыс. диких кабанов, при этом в Европе основная роль в распространении заболевания отводится дикому евразийскому кабану, сообщается более чем о 19 тыс. вспышек в популяции¹. В большинстве европейских стран на протяжении многих лет распространению АЧС способствуют факторы, которые потенциально связаны с экологией дикого кабана, со стратегиями управления инфекцией в природе (например, эффективный поиск погибших кабанов), а также с длительным сохранением вируса АЧС в трупах и в окружающей среде [1]. Мониторинг популяции диких кабанов в Европе показывает стабильный рост численности и расширение ареала за последние десятилетия, что создает определенные сложности в управлении АЧС в пораженных инфекцией регионах [26]. Для стран Центральной Европы характерна высокая плотность популяции евразийского кабана, где она составляет 1,15–5,31 особи на 100 га [27][28]. Известно, что плотность поголовья является одним из важных факторов, связанных с распространением АЧС среди диких кабанов, чем выше показатель, тем выше вероятность передачи возбудителя инфекции прямым контактным путем [29]. К примеру, в Польше было установлено, что случаи АЧС происходили в основном в районах с численностью диких кабанов более 1 особи на 1 км², хотя статистические и механистические модели не показали четкого и последовательного влияния плотности популяции диких кабанов на эпизоотию АЧС [1][30]. Близость диких кабанов как к частным, так и к коммерческим фермам является фактором риска возникновения вспышек АЧС среди домашних свиней, что еще более актуально при сравнительно высокой численности диких кабанов [31]. Следовательно, для управления АЧС при проведении различных мероприятий необходимо владеть максимально достоверной информацией о численности и плотности популяции кабанов в каждом регионе. Однако получить данные, близкие к абсолютным, в действительности достаточно сложно. Эта проблема наиболее остро стоит в труднодоступных районах и на обширных территориях.

При изучении популяции дикого кабана в контексте АЧС важно учитывать особенности биологического поведения этого вида животных, сезонные и ландшафтные факторы, персистентность вируса в окружающей среде. В последнее время проводится достаточно много исследований по изучению различных факторов, влияющих в итоге на эффективный поиск диких кабанов, трупов и их останков. Успех поиска можно повысить, целенаправленно разыскивая предпочтительные места обитания как здоровых, так и инфицированных особей. Известно, что кабаны очень подвижны, укрываются среди непроходимой растительности и ведут преимущественно ночной образ жизни, наиболее активны они большую часть года поздним вечером (на закате солнца), в полночь и утренние часы на восходе солнца. Снижение активности при температуре выше 15 °C является их поведенческой реакцией, связанной с физиологическими особенностями. В лесу кабаны ведут себя менее активно, чем на открытых участках, в качестве безопасного места для отдыха они выбирают тростники в болотистой местности [32][33]. Следует учитывать предпочтения диких кабанов, больных АЧС, в отношении мест, где они погибают. У таких животных изменяется поведение, они выбирают места уединения с достаточным укрытием, тишиной, прохладой, большим количеством воды, что связано с состоянием, вызванным инфекцией (угнетение, лихорадка, одышка) [34]. В проведенных исследованиях подавляющее большинство (71%) инфицированных туш было обнаружено в лесах, особенно в молодых лесных массивах, а также в местах, удаленных от дорог и населенных пунктов, в местах перехода от лесных массивов к редколесью и кустарникам, вблизи троп, водоемов и лесных опушек с высокой травой [34][35][36]. Пространственно-временная кластеризация обнаруженных туш кабанов, положительных на АЧС, была наиболее заметна на расстоянии 2 км и в течение 1 нед. после регистрации вспышки [37]. Кроме того, при планировании мероприятий по поиску туш важно учитывать сезонные особенности распространения АЧС. В большинстве европейских стран у диких кабанов наблюдалась ярко выраженная сезонная динамика заболеваемости АЧС, которая повышалась зимой (декабрь – февраль) и достигала пика летом (июль). По данным отечественных ученых, вспышки АЧС среди диких кабанов, регистрировавшиеся в субъектах РФ с 2007 по 2022 г., также в большей степени приходились на ноябрь – декабрь и февраль с пиками в летние месяцы (июль – август) [38][39].

Естественное поведение диких кабанов – рытье корней, катание по земле и изучение различных объектов – может быть фактором риска инфицирования при проживании их в зараженной вирусом окружающей среде. Рядом исследователей показано, что передача возбудителя АЧС в местах обитания кабанов может происходить не только при прямом контакте с инфицированными сородичами, но и при косвенном контакте с тушами, выделениями, почвой, водой, травой или сельскохозяйственными культурами [28][40][41], при этом физический контакт с тушами или почвой под ними представляет равный риск заражения вирусом АЧС [42]. Места разложения трупов и их останков (кости и кожа) остаются привлекательными для диких кабанов в течение длительного периода времени [40]. Процесс разложения туш зависит от сезона и может занимать от нескольких дней летом до нескольких месяцев зимой [43]. Дикие кабаны, павшие от АЧС, представляют собой постоянный источник инфекции для других животных, поскольку вирус обладает высокой устойчивостью к условиям окружающей среды и длительно сохраняется в различных органах, тканях и выделениях. Сообщалось, что в замороженной туше возбудитель АЧС может сохранять инфекционность в течение нескольких месяцев, это позволяет вирусу перезимовать и вызвать новую вспышку, когда весной восприимчивый дикий кабан наткнется на размороженные останки [37]. В исследовании, проведенном в Германии, было отмечено, что дикие кабаны рылись в местах разложения, обнюхивали туши сородичей и тыкались в них, а также грызли скелетированные кости, контакт происходил в ~ 30% всех посещений кабанами подобных мест, при этом животных особенно интересовала почва под тушами и вокруг них [8]. Позднее в Восточной Польше было определено, что более 50% случаев передачи инфекции были связаны с непрямым контактом с инфицированными тушами, которые способствуют персистенции вируса АЧС в популяциях кабанов [44]. В недавнем исследовании в Чехии с целью оценки привлекательности туш кабанов для их живых сородичей было проведено двухлетнее наблюдение с помощью фотоловушек. Оказалось, что количество посещений дикими кабанами участков с экспериментально расположенными тушами в течение года было более чем в пять раз выше по сравнению с контрольными участками (без туш). Кабаны относительно быстро находили размещенную тушу, в среднем за 2 дня весной и летом, 6 дней осенью и 8 дней зимой. Самые ранние посещения были отмечены весной, когда процесс разложения сопровождался сильным запахом. Также было определено количество непосредственных контактов с тушей, которые варьировались в зависимости от сезона. Осенью непосредственный контакт наблюдался в 340 посещений из 541 (62,8%), весной – 71,2%, летом – 74,5%. Наибольшее количество прямых контактов было зафиксировано зимой – 84,1% [33]. Эта информация имеет большое значение, так как инфицированные ткани (мышцы, кожа, подкожный жир) и органы разлагающихся туш могут быть источниками заражения АЧС в течение нескольких месяцев, особенно при низких температурах [9][45]. Стабильность возбудителя в почве зависит от температуры, в экспериментальных условиях при +4 °C инфекционность вируса сохраняется до 112 дней [46], в почве под тушей – до 2 нед. [47][48]. Отмечалось, что выживаемость вируса зависит от типа и рН почвы: в почве лесов и лугов он сохраняется в течение недели, в почве из болотистой местности – 3 дня, в песке – не менее 3 нед., а в кислых лесных почвах быстро погибает [49].

Дикие кабаны являются всеядными животными, так же, как и домашним свиньям, им свойственен каннибализм. В содержимом желудков диких кабанов обнаруживали ткани других животных, в том числе сородичей [50]. В исследовании J. Cukor et al. [51] прямой контакт дикого кабана с трупами наблюдали в 81% случаев, а каннибализм – в 9,8% от всех отмеченных посещений кабанов. Следовательно, преднамеренное или случайное употребление трупов (каннибализм) или инвазивный контакт с тушами (с зараженной кровью, тканями или биологическим материалом) можно рассматривать как решающие факторы в цепочке передачи вируса АЧС среди диких кабанов [52]. Кроме того, инфицированные туши также могут способствовать косвенному распространению вируса потенциальными векторами – членистоногими переносчиками [42], а также падальщиками. По сообщениям J. Rietz et al. [53], некоторые падальщики, в частности лисы, не потребляют туши кабанов на месте, но могут перемещать (разбрасывать) их останки на довольно большие расстояния за 6–10 дней. В 75% случаев части туши разбрасывают более чем на 400 м, максимально – на 1,2 км. Это стоит учитывать с точки зрения управления вспышкой АЧС в целях эффективного поиска туш. В то же время такие расстояния разброса останков делают наземный поиск, проводимый человеком, практически невозможным.

Таким образом, трупы диких кабанов и окружающая их почва являются резервуаром длительного сохранения вируса АЧС, и поэтому крайне важно проводить ранний, быстрый и эффективный поиск потенциально инфицированных туш, своевременно и безопасно удалять их из окружающей среды, чтобы свести к минимуму риск распространения болезни в популяции. При этом особое внимание следует уделять такой работе в эндемичных по АЧС районах, используя накопленные знания об особенностях поведения больных кабанов и факторах окружающей среды, которые повышают вероятность обнаружения трупов.

В рамках управления АЧС важно контролировать численность популяции дикого кабана в каждом регионе, поддерживая минимально возможную плотность [6]. Существующие методы учета численности животных основаны на их прямом пересчете при полевых наблюдениях невооруженным глазом или в бинокль, получении изображений на месте в фиксированных точках с помощью фотоловушек, а также при отборе проб, съемке или анализе тех или иных косвенных свидетельств их жизнедеятельности [54][55]. Методы различаются по охвату территории, способам подсчета, объектам учета, используемым техническим средствам и др. К примеру, широко применяемый метод зимнего маршрутного учета определяет зависимость между численностью особей на выбранной территории (линии маршрута), количеством наследов (оставленных в течение одних суток) и длиной суточного хода особей (при условии подходящей толщины снежного покрова). Этот основной на сегодняшний день метод считается простым и универсальным в исполнении, отличается относительно невысокой стоимостью используемых технических средств, но мало подходит для учета животных, ведущих скрытный образ жизни [55]. Существующие недостатки традиционных методов учета диких животных (полный снежный покров, низкая точность, зависимость от погодных условий и др.) диктуют необходимость модернизации технологий мониторинга. Для получения достоверных данных о численности и миграции популяций животных целесообразнее использовать комбинированные методы. В настоящее время доказана эффективность одновременного использования нескольких методов со специализированным оборудованием, таким как фотоловушки, видео- или инфракрасные (ИК) камеры. Но, по мнению ряда исследователей, самым эффективным методом учета численности животных, по сравнению с полевыми методами, является авиационный мониторинг [19][54][55][56].

ПРИМЕНЕНИЕ ДРОНОВ В МОНИТОРИНГЕ ДИКОЙ ПРИРОДЫ

За последние несколько лет все большую популярность во всем мире стали набирать дистанционно пилотируемые авиационные системы – БПЛА. Система БПЛА включает три основных компонента: сам летательный аппарат (дрон), выполняющий задачи в воздухе; наземную станцию, где беспилотник взлетает и приземляется и где установлено оборудование для связи и управления им; оператора, который непосредственно управляет дроном во время полета. БПЛА обладают множеством преимуществ, которые делают их мощным инструментом для изучения дикой природы. Еще несколько лет назад получение данных о количестве животных в определенном пространстве и времени было достаточно сложной задачей из-за высокой стоимости использования самолетов и спутниковых снимков, а наземные съемки часто ограничивались доступностью объектов и размером исследуемых территорий [11]. Сегодня с помощью дронов можно во много раз упростить труд человека, сэкономить время и финансы. БПЛА можно успешно применять в труднодоступной местности и в сложных климатических условиях. Выбор БПЛА для мониторинга и оценки численности животных осуществляется исходя из его полезной нагрузки и установленных датчиков. В состав аппаратуры и программного обеспечения БПЛА могут входить датчики на основе машинного зрения или система ИИ. С помощью ИИ и нейронной сети можно не только вести учет численности животных, выявлять местоположение в реальном времени и составлять маршрут их движения и миграции, но и определять конкретный вид животного [17][57]. Значительно расширяются возможности БПЛА, оснащенных различной электронной аппаратурой, в состав которой входят цифровые датчики и камеры ночного, тепловизионного видения, средства связи, ориентирования и положения GPS/ГЛОНАСС (глобальные навигационные спутниковые системы, GNSS). Датчики на основе машинного зрения обеспечивают визуальное восприятие окружающей среды БПЛА, создавая изображение захваченной сцены, например, тепловизионная камера улавливает и регистрирует ИК-излучение, испускаемое окружающими объектами. Для БПЛА с фото- и тепловизионной камерой труднодоступных мест практически не существует. ИК-камера помогает различать живые объекты и объекты неживой природы, способна работать в течение всего дня и ночи независимо от факторов окружающей среды и обнаруживать объекты, которые не фиксируют обычные камеры, в том числе выявлять животных в темное время суток, а также скрытых плотным растительным покровом. В тепловых ИК-волнах животное выглядит как яркий объект при условии, что температура его тела выше, чем температура окружающей среды (с разницей до 30–40 °С). Тепловые изображения наилучшего качества получаются на восходе солнца, поздним вечером и ночью (рис. 1) [19][54][55][57][58].

В целом имеющийся функционал БПЛА показывает их потенциальную пригодность в поиске диких кабанов, туш и останков. Дроны способны медленно летать на малых высотах, обследовать без риска для человека территории, сложные для наземных исследований, например густые лесные массивы или водно-болотные угодья, а также фиксировать движущиеся и неподвижные объекты (рис. 2). Последнее важно при поиске как живых особей, находящихся в периоде покоя, так и трупов животных. Установлено, что для точного подсчета больших групп животных оптимальные снимки площади, охватываемой одним кадром, можно получить на высоте 150 м.

Относительно низкая стоимость и возможность взлета с небольшого пространства обеспечивают БПЛА преимущество над крупными пилотируемыми самолетами. К тому же дроны сравнительно тише последних, что уменьшает риск беспокойства животных шумом. Данные подсчетов получаются более объективными, поскольку животные с меньшей вероятностью убегут и скроются [20]. В отношении поиска туш кабанов и их останков с помощью БПЛА стоит учесть данные экспериментов, показывающих, что кабанов особенно привлекают места с тушами сородичей [33]. Скопления живых особей на таких участках можно легко зафиксировать дронами и, следовательно, применять эти технологии в поиске останков. Кроме того, можно непосредственно находить останки с помощью тепловизионной съемки с БПЛА, фиксирующей тепловые сигнатуры, которые могут быть вызваны скоплениями личинок мух и/или жизнедеятельностью микроорганизмов, поедающих останки в процессе разложения трупов. Тепло, выделяемое питающимися личинками, можно обнаружить в периоды их пиковой активности с 6-го по 29-й день с начала распада трупа при температуре от 15 до 27 °C, когда численность популяции насекомых на останках максимальна. Оценка разрешения изображений, полученных на разных высотах полета, показала, что наибольший контраст между тепловым следом останков и фоном наблюдается на записях, сделанных в полдень на высоте 4 м над уровнем земли; высота 15 м оказалась оптимальной для баланса между скоростью охвата территории и эффективным обнаружением в течение длительного периода наблюдения, а на расстоянии более 30 м объект можно было не заметить. Все эти факторы следует учитывать при планировании полетов, чтобы в конечном счете максимально увеличить шансы на обнаружение останков [59][60].

Системы БПЛА постоянно совершенствуются. Для обнаружения и распознавания объектов все более распространенной становится практика интеграции компьютерного зрения с системами дронов, открывая новые возможности и расширяя функционал БПЛА. С помощью компьютерного зрения дроны автономно обрабатывают визуальную информацию, идентифицируют объекты и принимают решения в зависимости от окружающей обстановки. Сегодня к передовым технологиям относят так называемые FPV-дроны (First Person View) с программным обеспечением (ПО) Betaflight и функцией передачи видео в режиме реального времени, которые позволяют получать пространственные данные с высокой скоростью и точностью и передавать видеосигнал на большие расстояния. FPV-дроны отличаются от обычных GPS-дронов меньшим размером и весом, что дает им возможность легко маневрировать и быстро перемещаться (скорость полетов может достигать 100 км/ч и более). Оснащение их камерами высокого разрешения и видеопередатчиками позволяет пользователю видеть изображение в режиме реального времени на специальных очках или мониторе, ощущать эффект собственного присутствия в воздушном пространстве и управлять движением дрона на расстоянии, при этом настраивая скорость, высоту и угол наклона аппарата для управления полетом по заданной местности. При мониторинге окружающей среды FPV-дроны, как и другие БПЛА, используются для сбора данных и изучения обширных, новых или труднодоступных территорий, обнаружения и отслеживания движущихся объектов, мест обитания диких животных и предоставляют высококачественные изображения с привязкой к географическим координатам² [61]. Также одним из перспективных методов наблюдения за поведением диких животных и сбора данных об условиях среды их обитания может стать применение универсальных роботизированных систем, роботов с обнимающими крыльями, которые могут как парить в воздухе, так и прикрепляться к вертикальным опорам: стволам деревьев, столбам (рис. 3). Определить место посадки такого робота можно, используя автономную навигацию, с дальнего расстояния с точностью до нескольких метров [62].

При планировании работ с использованием БПЛА необходимо учитывать ряд аспектов, которые способны существенно повлиять на объем и качество получаемых данных. К ним можно отнести: низкое разрешение изображения камеры или сенсора, продолжительность заряда аккумулятора (от чего, следовательно, зависит дальность и площадь, охватываемые за один полет дрона), погодные условия (сильный ветер, дождь, снег), навыки управления и опыт оператора и др. [21]. Управление и обслуживание дронов требует специальной подготовки наземных операторов и соблюдения мер безопасности. В нашей стране применение любых БПЛА возможно только при наличии официальных документов и разрешений, полученных согласно нормативным актам, регламентирующим использование БПЛА в Российской Федерации.

ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ОБРАБОТКЕ ДАННЫХ, СОБИРАЕМЫХ С ПОМОЩЬЮ ДРОНОВ

Традиционные методы включают использование и анализ обычных фотографий, но при визуальной обработке огромного массива фотоснимков в ручном режиме возрастает и трудоемкость, следовательно, может иметь место человеческий фактор (невнимательность, усталость и др.). Минимизировать данный недостаток можно, привлекая к работе нескольких специалистов или используя ПО, способное автоматически обрабатывать информацию [58]. Изображения, полученные с помощью датчиков, установленных на БПЛА, обычно объединяются в цифровую карту посредством специальных программ. Такую цифровую карту можно загрузить в ПО географической информационной системы (ГИС), которое определит географические координаты с помощью данных GPS, автоматически собираемых БПЛА во время полета. Если у БПЛА нет встроенного GPS, географические координаты можно получить вручную, ориентируясь на наземные контрольные точки (физические ориентиры с известными координатами). Обработка изображений на цифровой карте может выполняться вручную пользователем или автоматически с помощью ПО, которое классифицирует объекты. Цифровые файлы, связанные с изображениями, полученными с помощью дронов, могут быть очень большими (до 70 терабайт), особенно при высоком разрешении, необходимом для точного распознавания объектов [63]. На сегодняшний день для обработки массивов данных при мониторинге дикой природы отечественными и зарубежными исследователями используются различные программы [17][58]. Longmore S. N. et al. [64] совместили ПО, применяемое в астрономии, с существующими алгоритмами МО для дешифрования тепловых снимков животных в автоматическом режиме, что способствовало эффективному обнаружению животных на изображениях. В настоящее время для идентификации разных видов животных в России разрабатывается до 30 программ, которые подсчитывают количество особей как на отдельном снимке, так и в их серии, ряд ПО позволяет одновременно обрабатывать тепловизионные снимки и видеоматериалы³ [55]. Например, ПО Thermal Infrared Object Finder (TIOF), разработанное на платформе Python, способно обрабатывать большое количество данных ИК изображений для определения конкретных животных [65].

Одним из подходов, облегчающих обнаружение и подсчет особей при аэрофотосъемке, является применение конволюционных (сверточных) нейронных сетей (CNN). CNN представляют собой тип глубоких нейронных сетей, используемых для классификации и распознавания изображений, которые состоят из двух основных компонентов: выделение признаков и классификация. Целью выделения признаков является создание карт объектов, что осуществляется посредством процессов, называемых свертками. Модель CNN обычно состоит из трех основных типов слоев: сверточного, объединяющего и полностью связанного. Первые два выполняют извлечение признаков, а полностью связанный слой отображает извлеченные признаки и выполняет классификацию [17]. По сравнению с традиционными методами классификации модели глубокого обучения часто обеспечивают более высокую точность обработки при наличии больших выборок для обучения и тестирования модели, поэтому применение нейросетей позволяет создавать точные модели популяций животных, отслеживать миграционные пути, оценивать численность популяций [17]. Управление полетом на основе нейросетей расширяет возможности БПЛА. Нейронные сети способны обучаться на основе данных и адаптировать свое поведение к изменяющимся условиям полета и различным параметрам съемки в непредсказуемых условиях окружающей среды в реальном времени. Они могут объединять данные с различных датчиков, установленных на беспилотнике, для улучшения восприятия и ситуационной осведомленности, что дает дрону возможность принимать более обоснованные решения. Кроме того, нейронные сети позволяют БПЛА автономно перемещаться, лучше маневрировать и обходить препятствия во время полета, что особенно ценно при исследовании труднодоступных территорий. Нейросети могут оптимизировать траектории для дронов, что полезно в таких приложениях, как аэрофотосъемка или наблюдение, где для оптимального сбора данных необходимо следовать определенным траекториям [61]. Применение нейросетевых алгоритмов обеспечивает минимальное время для решения задач (от нескольких секунд до нескольких минут), но процесс обучения нейросети в совокупности может занимать десятки часов. При этом пользователь должен обладать навыками программирования в таких средах, как Python или Java, а компьютер, на котором будет осуществляться МО, должен быть оснащен соответствующим оборудованием [15].

Результаты практического использования ИИ для мониторинга животных показаны в ряде исследований и сообщениях, размещенных на интернет-ресурсах. Zhou M. et al. была изучена эффективность двух моделей глубоких нейросетей: CNN и глубоких остаточных сетей (ResNet) в классификации четырех видов животных: крупного рогатого скота (Bos taurus), лошадей (Equus caballus), канадских казарок (Branta canadensis) и белохвостых оленей (Odocoileus virginianus). Результаты показали, что видимых изображений, собранных на расстоянии 60 м или менее, достаточно для точной классификации, и что наиболее эффективным алгоритмом может быть модель ResNet с 18 слоями (ResNet 18), поскольку показатель общей точности при идентификации животных составил 99,18% [66]. В проведенном D. Marchowski эксперименте по учету популяций 33 видов водоплавающих птиц применение БПЛА в сочетании с технологиями ИИ оказалось успешным в 96% из 343 случаев. Для автоматизированного подсчета использовалось ПО ImageJ/Fiji и методы МО с алгоритмами нейронных сетей, такими как DenoiSeg [15]. Krishnan B. S. et al. применили для МО подход объединения, который использует несколько пар тепловых и видимых изображений, полученных с дронов. Интересно, что для белохвостых оленей, которые обычно сливались с фоном и часто находились в тени на фотографиях, дополнительная информация с тепловизионных изображений улучшила обнаружение и классификацию вида с 15 до 85%. Было установлено, что объединение изображений в сочетании с двумя моделями глубоких нейросетей идеально подходит для съемки животных с покровительственной окраской [23]. Комбинируя изображения, полученные с высоты 75 и 120 м над уровнем земли, была обучена более быстрая CNN на основе регионов (Faster R-CNN) с использованием аннотированных изображений с метками «взрослый карибу», «теленок карибу» и «призрачный карибу» (животные, перемещающиеся между изображениями и размывающие отдельных особей во время обработки фотограмметрических данных). Точность, прецизионность и повторяемость модели составили 80, 90 и 88% соответственно [17]. В национальном парке Хортобадь (Hortobágyi Nemzeti Park, Венгрия) технологии ИИ помогают в сохранении азиатских диких лошадей Пржевальского, находящихся под угрозой исчезновения. Исследователи используют дроны для мониторинга поведения стад лошадей. Полученные в высоком разрешении материалы обрабатывают на платформе Microsoft Azure и анализируют с помощью ИИ, который способен отличать лошадей от других животных⁴. В национальном парке «Земля леопарда» (Приморский край, Россия) были проведены первые испытания ПО, разработанного специалистами Московского физико-технического института в сотрудничестве с Министерством природных ресурсов и экологии РФ. Программа позволяет распознавать дальневосточных леопардов, амурских тигров и других диких животных⁵. Также в России проводится тестирование системы распознавания диких животных с использованием ИИ, разработанной компанией NtechLab. На данный момент система интегрирована с видеоматериалами, содержащими изображения медведей, но в будущем планируется расширение функционала для распознавания других видов диких животных⁶. В настоящее время в ряде регионов России сотрудники Минприроды для поиска скоплений копытных животных уже проводят авиаучет с применением дронов и нейросети⁷.

В завершение стоит отметить, что в 2024 г. командой американских исследователей было создано хранилище изображений дикой природы (Aerial Wildlife Image Repository, AWIR), которое представляет собой динамичную интерактивную базу данных с аннотированными изображениями, полученными с помощью дронов с обычными и тепловизионными камерами. AWIR – это первое хранилище с открытым доступом, позволяющее пользователям загружать, комментировать и курировать изображения животных, полученные с помощью дронов. AWIR также предоставляет базовые наборы данных, которые пользователи могут загружать для обучения алгоритмов ИИ автоматическому обнаружению и классификации животных. Хранилище содержит 6587 объектов животного мира (преимущественно крупных птиц и млекопитающих), изображенных на 1325 видимых и тепловых снимках [67].

ЗАКЛЮЧЕНИЕ

Для предотвращения распространения АЧС среди диких кабанов и оценки риска возникновения заболевания необходима достоверная информация о численности и плотности популяции, а поиск туш животных является инструментом для раннего выявления АЧС. Сочетание современных БПЛА с нейросетевыми алгоритмами представляет собой высокоэффективный метод получения точной и оперативной информации о состоянии природной среды, что, в частности, открывает новые возможности в области мониторинга популяции диких кабанов. В эпоху активного развития ИИ и широкого применения БПЛА использование инновационных технологий в комбинации с традиционными методами, вероятно, будет способствовать не только повышению эффективности поиска как живых особей, так и туш диких кабанов, но и достоверности получаемых данных, что в целом может улучшить контроль за благополучием животных в рамках стратегий управления АЧС. Успешная реализация подобных подходов возможна при тесном сотрудничестве программистов, исследователей дикой природы и специалистов ветеринарной службы. Поскольку применение ИИ с системами БПЛА является развивающейся областью исследований диких животных, необходимо продолжать отслеживать совершенствование данных технологий.

Вклад авторов: Авторы внесли равный вклад на всех этапах работы и написания статьи.

Contribution of the authors: All authors contributed equally to this work at all stages as well as to paper text writing.