De beschikbaarheid van spontane en niet-gestructureerde foto’s van ecotoeristen blijkt een waardevolle bron voor de analyse van afgelegen ecosystemen zoals Antarctica.
Onderzoekers aan de Amerikaanse Stony Brook University hebben een methode ontwikkeld die fotomateriaal van zowel satellieten als toeristen gebruikt om de omvang van pinguïnkolonies op Antarctica in kaart te brengen. De studie zet een semi-geautomatiseerde techniek in om satellietbeelden te combineren met foto’s van op het land, vaak afkomstig van ecotoeristen, voor het nauwkeurig vastleggen van de populatiedynamiek van pinguïnkolonies. Het onderzoeksteam gebruikte voor het project een methode waarmee willekeurige beelden van toeristen worden geïntegreerd om driedimensionale weergaven van het landschap te genereren. Het team maakte gebruik van zowel historische als moderne foto’s, waarbij geen locatiegegevens van de camera’s vereist waren om de beelden te gebruiken, wat het aantal beschikbare foto’s enorm vergrootte.
Complexe technieken
Het project had enkele complexe technische obstakels. Een belangrijk probleem was het afstemmen van satelliet- en grondniveaubeelden, aangezien de beeldresolutie van satellietbeelden aanzienlijk verschilt van die van toeristenfoto’s. “Voor de uitlijning van camera’s gebruikten we handmatige methoden via tools als Meshlab (een softwareprogramma voor 3D-modellen, red.), die ons toelaten om nauwkeurige afstemming te bereiken,” vertelt onderzoeker Haoyu Wu aan Scientias.nl. Daarnaast experimenteerde het team met algoritmen zoals SuperGlue en GLU-Net, die speciaal zijn ontwikkeld voor het automatisch verfijnen van beelduitlijning. Maar de enorme resolutiekloof tussen satelliet- en grondbeelden maakte dit proces uitdagend en soms minder effectief, waardoor de handmatige benadering vaak onvermijdelijk bleek, zegt Wu.
Hoe worden pinguïns herkend?
Om de kolonies van pinguïns te identificeren en in kaart te brengen, gebruikte het onderzoeksteam het Segment Anything Model (SAM). Dit model, ontworpen voor interactieve segmentatie (het proces waarbij een computer beeldinformatie in verschillende delen opdeelt), heeft een prominente rol in het nauwkeurig afbakenen van pinguïnkolonies, zelfs onder uitdagende omstandigheden waarin de grens tussen kolonie en omgeving vervaagt. SAM toonde indrukwekkende resultaten in het onderscheiden van kolonies, hoewel de prestaties soms afnamen wanneer sneeuw de grenzen tussen kolonie en omliggend landschap verdoezelde. “Om de prestaties van SAM te verbeteren, zou extra training gericht op deze complexe omgevingen de nauwkeurigheid kunnen verbeteren,” zegt Wu.
Nieuwe toepassingen voor natuurbescherming wereldwijd
De methode biedt potentie voor tal van andere ecologische toepassingen, aldus Wu. “Het zou bijvoorbeeld gebruikt kunnen worden om de vegetatiegroei in drasland te volgen, seizoensgebonden bloeipatronen te monitoren of zelfs het terugtrekken van gletsjers in kaart te brengen. Zolang het interessegebied kan worden gesegmenteerd en uitgelijnd met topografische gegevens, kan deze benadering veel inspanningen voor milieumonitoring ondersteunen waar satelliet- of luchtbeelden beperkt zijn.”
Burgerwetenschappers en hun rol in ecologisch onderzoek
Een belangrijk aspect van het onderzoek is de betrokkenheid van burgerwetenschappers. Toeristen kunnen bijdragen door beelden te leveren die, mits correct genomen, in wetenschappelijk onderzoek gebruikt kunnen worden. “We raden aan om beelden vast te leggen op een afstand die genoeg van de landschappelijke context bevat om de uitlijning te vergemakkelijken, aangezien close-up beelden vaak de nodige ruimtelijke referenties missen. Het opnemen van de omringende topografie helpt aanzienlijk bij het uitlijningsproces. Het toevoegen van metadata, indien mogelijk, helpt bij de georeferentie, hoewel onze methode ook zonder metadata kan werken”, zegt Wu.
Toekomstige verbeteringen en uitdagingen
Hoewel de methode veelbelovend is, blijft het verbeteren van de nauwkeurigheid een aandachtspunt, vooral in dynamische landschappen zoals Antarctica waar sneeuwbedekking en topografische veranderingen snel optreden. In toekomstige projecten hoopt het team betere algoritmes voor camera-uitlijning te integreren en machine learning in te zetten om het veranderende landschap in kaart te brengen. De onderzoekers verwachten dat met verfijningen aan de hand van algoritmen zoals feature-matching, de techniek nog breder toepasbaar wordt, met nauwkeuriger resultaten.
