Vi er en gruppe studerende på syvende semester fra Aalborg Universitet bestående af Silje Marquardsen Lund, Natalie Hvid Nielsen, Frej Gammelgård, Jonas Nielsen og Sofie Jentzsch Hvid Amstrup, samt en specialestuderende, Lasse Lange Jensen, som har fået fornøjelsen af at indsamle data til vores projekter i Hanstholm Vildtreservat i efteråret 2024. Dette indebar et ophold på Tved Gamle Skole strækkende over fire overnatninger som har fungeret som vores base og opholdssted mellem dataindsamlinger.
Dataindsamlingen bestod af flyvninger med en DJI Matrice 300 RTK drone udstyret med et termisk kamera som muliggør observation af nataktive arter, hvoraf krondyr, dådyr og rådyr har været fokusset. Formålet med forsøget har været at undersøge hvordan klovbærende vildt udnytter de forskellige naturtyper på heden ved automatiseret adfærdsgenkendelse gennem forskellige typer af machine-learning-algoritmer.
Metodebeskrivelse
Dataindsamlingen strakte sig over 4 dage, med to udvalgte take-off-punkter, som var udvalgt med henblik på at dække så stort et område som muligt. Data blev indsamlet mellem klokken 18:00 og 20:00, mellem klokken 23:00 og 01:00 samt mellem klokken 04:00 og 06:00, hvor begge take-off-punkter blev repræsenteret til alle ovennævnte tidspunkter. Dronen lettede og steg til mellem 80 og 120 meters højde alt efter vindforhold. Fra denne højde minimeres forstyrrelse af dyrene, hvilket er vigtigt eftersom dronen larmer, og dyrene er meget opmærksomme. Fra denne højde udforskedes området, og observerede dyr blev noteret med koordinater samt optaget med termisk kamera i et minuts tid. Dette resulterede i et datasæt bestående af en masse videooptagelser af dyr med tilhørende koordinater.
Syvende semestersgruppens videre arbejde
Efter opholdet skiltes syvende semestersgruppen og Lasse, således at den efterfølgende databehandling blev udført af begge parter individuelt. Gruppen på syvende semester er nu i gang med at træne en model ved brug af programmet SLEAP.ai, som kan forudsige placeringen af punkter på dyrene. Disse punkter er ”næse”, ”hoved”, ”skulder” og ”hofte”. Regler opstilles for hvordan placeringen af disse punkter relativt til hinanden afgør forskellige adfærdsklasser. Eksempelvis at dyret er i færd med at æde hvis ”hoved”-punktet er placeret lavere end ”skulder”-punktet.
Lasses videre arbejde
Lasse fortsætter sit speciale, hvor data fra turen bliver hans efterårsprøve, da han har et helt år til at skrive specialet, og derfor har mulighed for at undersøge forageringsadfærdsmønstrene gennem flere sæsoner. Lasse bruger en anden software til at automatisere adfærdsgenkendelse, kaldet YOLO. Dette er en objekt-identificerings-algoritme, hvilket betyder, at i stedet for at forudsige punkter på dyrene, forudsiger modellen adfærdsklasser direkte på baggrund af at den er blevet trænet på omkring 5000 billeder med forskellige adfærdsklasser annoteret. De fortløbende klasser er ”foragerer”, ”står”, ”ligger”, ”interagerer” og ”i bevægelse”.
Annoteringsarbejdet er meget omfattende med denne metode, da den kræver store mængder af træningsdata, hvilket er meget tidskrævende at frembringe. Til gengæld er den efterfølgende databehandling noget simplere, da modellen laver direkte forudsigelser af adfærdsklasserne og ikke blot placeringen af punkter, som senere skal fortolkes.
Resultater
Vi er på nuværende tidspunkt ikke nået i mål med vores databehandling, men vi vil meget gerne vende tilbage når vi har noget lidt mere interessant at fortælle. Hvad vi har kunne se på optagelserne er, at dyrene bevæger sig fra skovområderne i den nordøstlige del af reservatet ud på det lysåbne natur i den nordlige del af reservatet tidligt på aftenen.
Hvad kan vores arbejde bruges til?
Den teknologi som vi arbejder med åbner muligheden for meget omfattende studier af pattedyrs adfærd i vild natur, da dataindsamling kan klares på kort tid, og da computere kan sættes til at udføre den ellers meget tidskrævende adfærdsklassificering, som traditionelt har bestået i defineringen af etogrammer og manuel evaluering af videooptagelser. Fordelen ved metoden er desuden, at de menneskelige fejl som opstår i, at mennesker evaluerer adfærd, forsvinder, og at modellen faktisk kan fortælle os hvad den har svært ved, så forskere kan vurdere hvilke adfærdsklasser som er forsvarlige at arbejde videre med i studiet. Metoden og teknologierne kan også anvendes i andre henseender, eksempelvis til monitering af nataktive pattedyr. Modeller kan ligeledes trænes til identificering af arter, og dronen kan automatiseres således at den selv flyver ud i terrænet og laver videooptagelser af de tilstedeværende dyr. Dette vil kunne effektivisere og forbedre estimeringen af populationsstørrelser af forskellige dyr.
Tak for alt
Vi vil slutteligt gerne takke Tommy Hansen Naturstyrelsen Thy for at give os tilladelse til at flyve i luftrummet over Hanstholm Naturreservatet, og Nationalpark Thy for at sponsorere vores fine ophold på Tved Gamle Skole. Sådanne muligheder betyder meget for os studerende, og vi vil med glæde komme og formidle vores resultater eller hjælpe på anden vis.