در غرب ایالات متحده، میلیون‌ها کیلومتر حصار کشیده شده است که می‌تواند از زمین تا ماه امتداد یابد. این حصارها که در طول قرن گذشته عمدتاً برای کنترل دام ایجاد شده‌اند، مانع مهاجرت حیوانات وحشی مانند گوزن، الک و آنتیلوپ برای یافتن غذا یا فرار از برف‌های عمیق می‌شوند. حفاظت‌گران محیط زیست در تلاشند تا برخی از حصارهای قدیمی را برداشته یا جایگزین کنند، اما پیدا کردن آن‌ها در گستره وسیع غرب کار دشواری است. دو محقق برای کمک به این مشکل به هوش مصنوعی روی آوردند.
به گزارش سرویس اخبار فناوری تکنا، ونجینگ شو، یک محقق پسادکترا در مرکز تحقیقات تنوع زیستی و اقلیم سنکنبرگ، و ژونگی میائو، یک دانشمند تحقیقات کاربردی در آزمایشگاه هوش مصنوعی مایکروسافت برای خیر، یک کامپیوتر را برای شناسایی حصارها در تصاویر هوایی گرفته شده از هواپیماهای در حال پرواز بر فراز جنوب غربی وایومینگ، منطقه‌ای مهم برای مهاجرت آنتیلوپ و گوزن دم‌سفید، آموزش دادند. آن‌ها با بررسی تخمین‌های حصار با داده‌های نظرسنجی‌های میدانی، دریافتند که این سیستم می‌تواند حدود ۷۰ درصد از حصارها را با دقت شناسایی کند. این دو نفر قصد دارند روش‌های خود را برای استفاده از تصاویر ماهواره‌ای گسترش دهند که می‌تواند امکان شناسایی حصارها در سایر نقاط جهان را فراهم کند.
بن کوگر، اکولوژیست و دانشمند کامپیوتر در دانشگاه وایومینگ که از تصاویر هوایی در تحقیقات خود استفاده می‌کند اما در این پروژه شرکت نداشته است، می‌گوید: «حصارها نقش بزرگی در نحوه حرکت حیوانات و سلامت محیط زیست دارند و در حال حاضر به دست آوردن داده‌های خوب در مورد آنچه با آن‌ها اتفاق می‌افتد بسیار دشوار است.» تیم میائو و شو «گام خوبی در جهت انجام کاری در این زمینه برداشته است.»
حصارها مدت‌هاست که برای حیات وحش در سراسر غرب که برای یافتن بهترین زیستگاه مهاجرت می‌کنند، مشکل‌ساز بوده‌اند، همانطور که یک مطالعه اخیر تأکید کرده است. هال سویر، زیست‌شناس فناوری اکوسیستم‌های غربی، ۴۵ آنتیلوپ را با یقه رادیویی برای ردیابی حرکات آن‌ها در بخشی از دشت‌های مرتفع وایومینگ به نام بیابان سرخ دنبال کرد. در زمستان ۲۰۲۳، پس از ماه‌ها برف عمیق و مرطوب، بادهای شدید و دمای سرد، نیمی از آنتیلوپ‌های یقه‌دار به همراه هزاران نفر دیگر از کل گله مردند. داده‌های یقه آن‌ها نشان داد که حیوانات سعی کرده‌اند از شرایط سخت زمستانی فرار کنند، اما به حصارها و بزرگراه بین ایالتی برخورد کرده‌اند. سویر می‌گوید یک حیوان بیش از ۴۰۰ کیلومتر سرگردان شده بود اما هرگز نتوانست بیش از ۵۰ کیلومتر از جایی که شروع کرده بود دور شود.
در برخی مناطق، مدیران حیات وحش و گروه‌های حفاظتی شروع به حذف حصارها یا جایگزین کردن آن‌ها با حصارهای دوستدار حیات وحش کرده‌اند که برای گونه‌هایی مانند آنتیلوپ برای خزیدن زیر آن و پریدن گوزن آسان‌تر است. یک مقاله در سال ۲۰۱۹ که به بررسی تأثیر حذف حصارها در آلبرتا، ساسکاچوان و مونتانا پرداخت، نشان داد که از آنجایی که آنتیلوپ‌ها از حصارها به شدت اجتناب می‌کنند، حذف موانع می‌تواند دسترسی به علوفه با کیفیت بالا برای حیوانات را تا ۳۸ درصد در زمین‌های عمومی و خصوصی افزایش دهد.
با این حال، وقتی نمی‌دانید حصارها کجا هستند، حذف یا تعویض سیستماتیک آن‌ها می‌تواند دشوار باشد. شو که برای پایان‌نامه دکترای خود در دانشگاه کالیفرنیا، برکلی، بیش از ۷۰۰۰ کیلومتر حصار را از طریق بررسی‌های میدانی در جنوب غربی وایومینگ نقشه برداری کرده است، می‌گوید: «آژانس‌های دولتی در برخی مکان‌ها سوابق دارند و در برخی دیگر ندارند.»
برای ایجاد یک فهرست بهتر، او با میائو همکاری کرد تا روشی برای شناسایی بخش‌های بزرگی از حصارها از راه دور توسعه دهد. تاکنون، آن‌ها روی عکس‌های گرفته شده از هواپیماهایی که وضوحی تا ۶۰ سانتی‌متر در هر پیکسل دارند، تمرکز کرده‌اند. میائو مدل یادگیری عمیق را آموزش داد تا با استفاده از داده‌های میدانی کار شو در وایومینگ، به دنبال حصارها در هر پیکسل باشد. میائو نتایج را «واقعاً امیدوارکننده» می‌داند اما محدودیت‌های اولیه از جمله مواردی را که مدل جاده‌ها را با حصار اشتباه گرفته است، می‌پذیرد. او و شو اکنون به دنبال همکاری با افرادی هستند که بتوانند تصاویر با وضوح بالاتر جمع‌آوری کنند و مدل را روی آن‌ها آموزش دهند تا آن را دقیق‌تر کنند.
بن واینشتاین، اکولوژیست بینایی کامپیوتر در دانشگاه فلوریدا که در این تحقیق شرکت نداشته و نتایج را بررسی نکرده است، می‌گوید نرخ موفقیت ۷۰ درصدی برای پروژه‌های اولیه با استفاده از هوش مصنوعی برای کمک به سؤالات حفاظتی نسبتاً معمول است. او اضافه می‌کند که از این نوع پروژه‌ها نباید برای جایگزینی مشاهده انسانی استفاده کرد، بلکه باید به گروه‌های حفاظتی و مدیران زمین ابزار بیشتری برای تصمیم‌گیری داد.
ساویر که قبلاً با شو همکاری کرده بود اما در این پروژه شرکت نداشت، نیز امیدوار است. اما او آرزو می‌کند که این روش بتواند اطلاعات دقیق‌تری در مورد حصارها ارائه دهد. او می‌گوید: «درک انواع و ارتفاع سیم‌ها به ما امکان می‌دهد تعیین کنیم که آیا آن‌ها برای بازی‌های بزرگ مشکل‌ساز هستند یا خیر.» میائو می‌گوید تصاویر ماهواره‌ای می‌توانند برای تشخیص بین انواع اصلی حصار مانند چوب در مقابل سیم استفاده شوند، اما ممکن است جزئیات کافی برای تشخیص بین سیم بافتنی یا خاردار را نشان ندهند.
پس از تکمیل مدل خود، میائو و شو قصد دارند آن را در کل گستره غرب ایالات متحده و سپس چمنزارها و مراتع سراسر جهان، از جمله کشورهایی مانند تبت، استرالیا و کنیا، اعمال کنند. اما کوگر می‌گوید، اگرچه هوش مصنوعی می‌تواند در یادگیری الگوها خوب باشد، اما می‌تواند در استخراج این الگوها به محیط‌های جدید مشکل داشته باشد. او می‌گوید: نگاه داشتن آن هیجان‌انگیز خواهد بود.
source