Spis treści:
Bezpłatny kurs Pythona ➞ Mini kurs dla początkujących i doświadczonych programistów. 4 ciekawe projekty w portfolio, komunikacja na żywo z prelegentem. Kliknij i dowiedz się, czego możesz nauczyć się na kursie.
Dowiedz się więcejNauka o danych, znana również jako Data Science, zapewnia współczesnym specjalistom potężne narzędzia do walki z globalnymi zagrożeniami. W tej dziedzinie analitycy danych i programiści odgrywają kluczową rolę w rozwiązywaniu problemów środowiskowych i ochronie środowiska. Stosują analizę dużych zbiorów danych do monitorowania stanu ekosystemów, przewidywania zmian klimatu i oceny wpływu działalności człowieka na przyrodę. Wykorzystując algorytmy uczenia maszynowego i wizualizację danych, pomagają identyfikować trendy i opracowywać strategie zrównoważonego rozwoju. W ten sposób Data Science staje się ważnym sojusznikiem w działaniach na rzecz ochrony naszej planety.
Chroń rzadkie zwierzęta
Irbis śnieżny, znany również jako irbis, jest jednym z najpiękniejszych zwierząt na świecie. Te eleganckie drapieżniki są zagrożone wyginięciem – obecnie w odległych górzystych regionach Azji Środkowej żyje ich mniej niż 4000 osobników. Badanie irbisów śnieżnych to prawdziwe wyzwanie, ponieważ zwierzęta te są mistrzami kamuflażu. Ich skrytość przyniosła im przydomek „duchów gór”. Ochrona irbisa stała się ważnym problemem środowiskowym, wymagającym uwagi i ochrony jego naturalnego siedliska.
Zoolodzy zainstalowali liczne automatyczne kamery z czujnikami ruchu w siedliskach irbisów śnieżnych. Istnieje jednak pewien problem: kamery rejestrują każdą aktywność, na przykład przelatujące ptaki. W rezultacie rocznie gromadzi się około 500 000 zdjęć, z których tylko 5% przedstawia irbisy śnieżne. Naukowcy muszą spędzać setki godzin na przeglądaniu wszystkich zdjęć i wybieraniu najprzydatniejszych. Optymalizacja procesu przetwarzania danych może znacznie skrócić czas i zwiększyć efektywność badań nad irbisami śnieżnymi.
Aby zautomatyzować proces monitorowania irbisów śnieżnych, firma Microsoft, we współpracy ze Snow Leopard Trust, fundacją zajmującą się ochroną tych zwierząt, opracowała system, który zapewnia 95% dokładność wykrywania irbisów śnieżnych na zdjęciach. Ta innowacyjna technologia pozwala naukowcom skrócić czas poświęcany na rutynowe przetwarzanie obrazów i skupić się na badaniu populacji i zachowania tego rzadkiego gatunku kotów. Dzięki temu naukowcy mogą głębiej analizować ekosystem i opracowywać skuteczne strategie ochrony irbisów w ich naturalnym środowisku.
W 2020 roku Rosja wdrożyła podobny system do badania lamparta dalekowschodniego, czyli amurskiego – rzadkiego gatunku dużego kota występującego na granicy kraju z Chinami i Koreą Północną. Celem tej inicjatywy jest ochrona i badanie zagrożonej populacji lamparta amurskiego. System pozwala na skuteczniejsze śledzenie migracji i zachowań tych zwierząt, co z kolei ułatwia opracowanie środków ich ochrony i zachowania ich naturalnego siedliska.
W systemie wizji komputerowej specjaliści Microsoftu wykorzystali splotowe sieci neuronowe (CNN), które okazały się skuteczne w zadaniach przetwarzania obrazu. Pomimo tych postępów, badania nad optymalnym wykorzystaniem CNN trwają, otwierając nowe horyzonty w zakresie poprawy dokładności i szybkości przetwarzania informacji wizualnych.
Transfer learning jest aktywnie wykorzystywany w szkoleniu sieci neuronowych w analityce danych. To podejście pozwala na wyszkolenie modelu do rozwiązania jednego problemu, a następnie dostosowanie go do rozwiązania innego, przenosząc wiedzę z jednego obszaru do drugiego. Ta metoda pozwala sieci neuronowej osiągnąć wysoką wydajność w nowym zadaniu przy minimalnym dodatkowym szkoleniu. Transfer learning znacząco przyspiesza proces rozwoju i poprawia jakość modelu, czyniąc go niezbędnym narzędziem w nowoczesnym uczeniu maszynowym.
Programiści wykorzystali architekturę sieci neuronowej ResNet, najpierw trenując ją na obrazach różnych obiektów niezwiązanych z irbisami śnieżnymi. Następnie kontynuowali trening modelu, wykorzystując obrazy irbisów śnieżnych. W trakcie dalszego treningu niektóre obrazy były odwracane, co pozwoliło sieci rozpoznawać irbisy śnieżne w dowolnej orientacji. Zastosowanie metody transfer learningu spowodowało 20% poprawę wydajności sieci neuronowej.
Aby poprawić efektywność analizy danych, eksperci ds. nauki o danych zalecają traktowanie obrazów wykonanych jednocześnie jako jednego zestawu obrazów. Ta metodologia opiera się na założeniu, że uchwycenie irbisa śnieżnego na jednym obrazie znacznie zwiększa prawdopodobieństwo jego pojawienia się na kolejnych obrazach. Takie podejście pozwala na dokładniejsze śledzenie zachowań i ruchów rzadkich gatunków zwierząt, co z kolei przyczynia się do głębszego zrozumienia ekosystemu i metod ochrony.
Sieci neuronowe mogą popełniać błędy podczas analizy obrazów, na przykład nie rozpoznając irbisa na pojedynczym zdjęciu. Jednak analizując grupę obrazów jako całość, prawdopodobieństwo wykrycia obiektu znacznie wzrasta. Takie podejście zwiększa dokładność splotowej sieci neuronowej do 95%, praktycznie eliminując fałszywe alarmy. Podkreśla to znaczenie kompleksowej analizy obrazu dla osiągnięcia wysokiej wydajności rozpoznawania obiektów.
Zoolodzy mogą teraz śledzić ruchy irbisów śnieżnych w czasie rzeczywistym. Po wykryciu irbisa na obrazach z kamery, informacja ta jest wyświetlana na interaktywnej mapie, wskazując dokładną lokalizację i czas wykonania zdjęcia. Wydajność tego procesu zapewniają technologie chmurowe, które łączą wszystkie komponenty systemu. Ta innowacja pozwala na lepsze badanie zachowań tych rzadkich zwierząt i opracowanie środków ochrony.
W niedalekiej przyszłości naukowcy planują wyszkolić sieć neuronową do rozpoznawania irbisów śnieżnych na podstawie ich unikalnych cech budowy ciała i wzorów cętek. Projekt ten ma na celu usprawnienie monitorowania i ochrony populacji irbisów śnieżnych. Zastosowanie technologii sieci neuronowych pozwoli na dokładniejszą identyfikację poszczególnych osobników, co jest ważne dla badań nad ekologią i ochroną dzikiej przyrody.
Złapać kłusowników
Każdego roku na świecie łowi się około 180 milionów ton ryb. Istnieją międzynarodowe porozumienia i przepisy krajowe regulujące rybołówstwo i ograniczające połowy. Jednak egzekwowanie tych standardów na pełnym morzu stanowi poważne wyzwanie. Trudności w monitorowaniu rybołówstwa stwarzają warunki do nielegalnych połowów, co negatywnie wpływa na ekosystemy morskie i zasoby biologiczne. Zrównoważone zarządzanie rybołówstwem wymaga skuteczniejszych metod monitorowania i międzynarodowej współpracy w celu ochrony zasobów morskich.
Kłusownicze statki, tworzące tzw. „czarne floty”, aktywnie działają na znanych łowiskach. Nielegalne połowy zagrażają zachwianiem delikatnej równowagi ekosystemu morskiego, co może prowadzić do katastrofalnych skutków dla bioróżnorodności i zrównoważonego rozwoju zasobów morskich. Ochrona środowiska morskiego i zwalczanie kłusownictwa stają się priorytetami w zakresie ochrony zdrowia oceanów i łowisk.
W 2016 roku Google uruchomiło Global Fishing Watch, usługę, która w czasie rzeczywistym śledzi statki rybackie na oceanach świata. Usługa ta wyświetla zarówno legalne, jak i nielegalne jednostki, umożliwiając śledzenie ich lokalizacji i metod połowowych w dowolnym momencie. Rodzaj i aktywność jednostki są określane za pomocą sztucznych sieci neuronowych, co zapewnia wysoką dokładność danych i transparentność w sektorze rybołówstwa. Global Fishing Watch odgrywa kluczową rolę w zwalczaniu nielegalnych połowów i promowaniu ochrony środowiska morskiego.
Stworzenie usługi Global Fishing Watch wymagało integracji różnych technologii, w tym śledzenia satelitarnego, geolokalizacji, przetwarzania w chmurze, uczenia maszynowego, wizualizacji danych, systemów informacji geograficznej i technologii internetowych. Technologie te umożliwiają skuteczne monitorowanie rybołówstwa, analizę danych o zasobach morskich i zwiększenie przejrzystości w tym obszarze. Zastosowanie nowoczesnych rozwiązań zapewnia dokładność i wiarygodność informacji, co przyczynia się do zrównoważonego zarządzania zasobami rybnymi i ochrony ekosystemu morskiego.
Usługa opiera się na danych o lokalizacji statków, uzyskanych z wielu źródeł. Większość informacji (80%) pochodzi z sygnałów Automatycznego Systemu Identyfikacji (AIS). AIS pozwala określić współrzędne, kurs i prędkość statku. Większość dużych statków jest wyposażona w nadajniki AIS, które zapewniają bezpieczną nawigację, zapobiegając kolizjom na morzu. Codziennie usługa przetwarza 60 milionów wiadomości odebranych od 300 000 statków, co pomaga w dostarczaniu aktualnych i dokładnych danych o ruchu transportu morskiego.
Krajowe systemy monitorowania ruchu statków stanowią ważne źródło informacji. Wiele krajów aktywnie korzysta z tej usługi i przesyła dane ze swoich systemów śledzenia. Satelity wykorzystywane przez Google for Earth do lokalizowania statków bez systemów identyfikacji lub z wyłączonymi systemami. Satelity te są wyposażone w technologię podczerwieni, radarową i optyczną, co pozwala im wykrywać obiekty na morzu zarówno w nocy, jak i przy gęstym zachmurzeniu. Wykorzystanie tych technologii przyczynia się do poprawy bezpieczeństwa na morzu i efektywności zarządzania transportem morskim.
Aby efektywnie przechowywać i przetwarzać duże ilości danych, analitycy danych korzystają z usług chmurowych Google. Dane są wizualizowane na mapie za pomocą geousług firmy, co pozwala na przejrzystą prezentację informacji i upraszcza ich analizę. Technologie chmurowe Google zapewniają wysoką wydajność i niezawodność, co czyni je idealnym wyborem do pracy z dużymi zbiorami danych.
Samo oznaczenie punktu na mapie nie wystarczy. Ważne jest zidentyfikowanie rodzaju statku, zrozumienie jego metod połowowych oraz określenie momentów, w których statki wpływają na obszary objęte zakazem połowów, aby rozpocząć połowy. Ręczne wykonanie tego zadania jest niezwykle trudne ze względu na ogromną ilość danych. Aby analiza była efektywna, konieczne jest wykorzystanie nowoczesnych technologii i algorytmów, które pomogą zautomatyzować proces i zwiększyć dokładność identyfikacji naruszeń przepisów połowowych.
Aby zautomatyzować ten proces, specjaliści ds. nauki o danych opracowali zestaw danych szkoleniowych, w którym momenty rozpoczęcia połowów zostały zaznaczone na trajektoriach statków. W tym momencie trajektoria statku ulega zmianie, co odróżnia go od typowego ruchu między portami. Analizując trajektorie, możliwe jest określenie metody połowu stosowanej przez statek. Zespół projektowy ręcznie sklasyfikował kilka tysięcy trajektorii statków, co stanowiło podstawę dalszej automatyzacji i zwiększenia dokładności identyfikacji metod połowu.
Analitycy danych wytrenowali sieć neuronową, wykorzystując oznaczone dane, tworząc system zdolny do identyfikacji typów statków, takich jak statki towarowe, trawlery, taklowce i inne. Rejestruje on również czas rozpoczęcia i zakończenia połowów zwierząt morskich. Ta sieć neuronowa charakteryzuje się wysoką dokładnością, sięgającą ponad 90% w podejmowaniu decyzji, co jest porównywalne z pracą doświadczonego eksperta w tej dziedzinie.
System skutecznie przeciwdziała próbom ukrycia swojej działalności przez niektórych rybaków. Rybacy często zmieniają porty macierzyste, nazwy statków i używają fałszywych numerów AIS. Jednak dzięki technologiom uczenia maszynowego Global Fishing Watch potrafi identyfikować unikalne cechy ruchu statków, co praktycznie uniemożliwia uniknięcie kontroli.
Usługa jest stale aktualizowana i udoskonalana. W najbliższej przyszłości system nauczy się wykrywać więcej rodzajów podejrzanej aktywności. Jedną z takich działalności jest nielegalny przeładunek złowionych ryb z jednego statku na drugi na pełnym morzu. Ta innowacja pomoże zwiększyć skuteczność egzekwowania przepisów dotyczących połowów.
