Uzaydan doğrudan bir kirpiyi tespit etmek mümkün olmasa da, onların yaşam alanlarını sivri böğürtlenleri arayarak bulmak mümkün olabilir. Bu, Cambridge Üniversitesi'nde süregelen bir araştırmanın temelini oluşturuyor. Bilim insanları, uydu görüntüleri ve yapay zeka modellerini kullanarak, Birleşik Krallık'taki potansiyel kirpi habitatlarını, öncelikle en sevdikleri saklanma yerleri olan böğürtlen yığınlarını belirleyerek haritalandırmaya çalışıyor.
Avrupa'daki kirpi popülasyonları son on yılda yaklaşık yüzde 30 ila 50 oranında azaldı. Bu nedenle, bu gececil canlıları geniş alanlarda takip etmek zorlu ve maliyetli olmaya devam ediyor. Araştırmacı Gabriel Mahler, kirpileri doğrudan aramaktansa, Avrupa Uzay Ajansı'nın Sentinel uydularından alınan uydu verilerinden kirpilerin barınak ve beslenme için kullandığı dikenli çalılar olan böğürtlenleri tespit eden bir yapay zeka modeli geliştirdi.
Bu küçük memeliler, gündüzleri barınmak, yuva yapmak ve yırtıcılardan korunmak için bu tür yoğun bitki örtüsüne bağımlıdır. Böğürtlenler ayrıca böcekleri çeker ve yemişler sağlar, bu da kirpilerin beslendiği omurgasız popülasyonlarını destekler.
Geleneksel kirpi araştırmaları, kapsamlı gece saha çalışmaları, özel ekipmanlar veya vatandaş bilim insanlarının bildirdiği gözlemleri gerektirir. Bu yöntemler, ulusal koruma planlaması için yeterince ölçeklenemez. Buna karşılık, uydu görüntüleri geniş alanları sürekli olarak kapsar ve yapay zeka modelleri böğürtlenler gibi temel habitat özelliklerini güvenilir bir şekilde tanımlayabilirse, koruma uzmanları büyük ölçekli habitat değerlendirmesi için güçlü bir araç kazanabilir.
Uydulardan Çalıya: Yapay Zeka'nın Rolü
Günümüzde yapay zeka popüler bir terim olsa da, Cambridge ekibinin böğürtlen tespit edicisinin ChatGPT gibi büyük dil modellerine dayanmadığını belirtmekte fayda var. Bunun yerine, model nispeten basit makine öğrenimi tekniklerini kullanıyor: lojistik regresyon ve k-en yakın komşular sınıflandırmasının bir kombinasyonu.
Mahler'in böğürtlen tespit edicisi ayrıca, Avrupa Uzay Ajansı'nın Sentinel uydularından gelen görüntüleri işleyen TESSERA yer temsili gömme özelliklerini, vatandaş bilimi platformu iNaturalist'ten elde edilen saha gözlemleriyle birleştiriyor.
Peki, bu sistem gerçekten işe yarıyor mu? Bunu öğrenmek için Mahler ve arkadaşları, modellerinin tahminlerinin gerçekle uyuşup uyuşmadığını kontrol etmek için akıllı telefonlar ve GPS cihazlarıyla Cambridge çevresinde bir gün geçirdiler.
Modelin belirttiği bir alanda ilk böğürtlen yığınını bulmalarının yaklaşık 20 saniye sürdüğünü belirten araştırmacılar, Milton Toplum Merkezi'nden başlayarak, modelin farklı tahmin seviyelerine sahip lokasyonları ziyaret ettiler. Yüksek güvenilirlik gösteren her alanı kontrol ettiklerinde, önemli miktarda böğürtlen büyümesiyle karşılaştılar. Hatta tahminlerin birinin onları "Bramblefields Yerel Doğa Koruma Alanı"na yönlendirmesi, sistemin doğruluğu hakkında keyifli bir ipucu verdi.
Modelin, yukarıdan görülebilen büyük, açık böğürtlen yığınlarını tespit etmede en iyi performansı gösterdiği bildirildi. Ağaç örtüsü altındaki daha küçük böğürtlenler ise, uydunun tepeden bakış açısı göz önüne alındığında mantıklı bir sınırlama olan daha düşük güvenilirlik skorları gösterdi.
Erken Bir Deney: Geleceğe Yönelik Umutlar
Araştırmacılar erken sonuçlardan duydukları heyecanı dile getirseler de, böğürtlen tespiti çalışması hala aktif araştırma altında olan bir kavram kanıtı niteliğindedir. Model henüz hakemli bir dergide yayımlanmadı ve burada açıklanan saha doğrulama, bilimsel bir çalışma yerine gayri resmi bir testti. Cambridge ekibi bu sınırlamaları kabul ediyor ve daha sistematik doğrulama planlıyor.
Bununla birlikte, bu, yapay zeka alanının yalnızca ChatGPT gibi üretken yapay zeka modelleri veya video sentez modellerinden çok daha fazlası olduğunu hatırlatan, sinir ağı tekniklerinin nispeten olumlu bir araştırma uygulamasıdır.
Ekibin araştırması başarılı olursa, böğürtlen tespit edicisinin basitliği bazı pratik avantajlar sunar. Daha fazla kaynak gerektiren derin öğrenme modellerinin aksine, sistem potansiyel olarak mobil cihazlarda çalışabilir ve gerçek zamanlı saha doğrulamayı sağlayabilir. Ekip, saha araştırmacılarının tahminlerini doğrularken modeli geliştirmelerine olanak tanıyacak bir telefon tabanlı aktif öğrenme sistemi geliştirmeyi düşündü.
Gelecekte, uydu uzaktan algılamayı vatandaş bilimi verileriyle birleştiren benzer yapay zeka tabanlı yaklaşımlar, potansiyel olarak istilacı türleri haritalayabilir, tarımsal zararlıları izleyebilir veya çeşitli ekosistemlerdeki değişiklikleri izleyebilir. Kirpiler gibi tehdit altındaki türler için, iklim değişikliği ve kentleşmenin kirpilerin yaşamayı sevdiği yerleri aktif olarak yeniden şekillendirdiği bir zamanda, kritik habitat özelliklerini hızla haritalamak giderek daha değerli hale geliyor.
