זיהוי אישי והערכת אוכלוסייה של טריטון ההר צהוב-הנקודות (Neurergus derjugini) מבוססי למידה עמוקה

מדוע טריטונים קטנים בהרים חשובים

במימי הנחלים של רכס זגרוס באיראן חי דו-חיים קטן ובמצב סכנה: טריטון ההר הצהוב-הנקודות. כמו הרבה צפרדעים וסלמנדרות בעולם, גם הוא נתון ללחצים הנובעים מזיהום, אובדן בתי גידול ושינויי אקלים. כדי להגן על מין כה שביר, החוקרים חייבים לדעת כמה פרטים יש ולבחון האם האוכלוסיות קטנות או מתאוששות — אך שיטות מסורתיות לתיוג ומעקב של פרטים יכולות להזיק דווקא ליצורים שנועדו להגן עליהם. המחקר הזה מראה כיצד צילומי סמארטפון שגרתיים, בשילוב אינטליגנציה מלאכותית מודרנית, יכולים לזהות פרטים של טריטונים לפי דפוסי הנקודות הייחודיים שלהם ולהעריך את האוכלוסייה באופן עדין וללא מגע.

מעצים פולשניים לתמונות בלתי-פוגעניות

ביולוגים שימוריים הסתמכו במשך שנים על שיטות כמו גזיזת אצבעות, שתילת שבבים מיקרו-מכניים או סרטים צבעוניים כדי להבחין בין בעלי חיים לאורך זמן. אמנם יעילות, אך שיטות אלה עלולות לגרום לכאב, למתח ולאי-נוחות, והן בלתי-מעשיות לעתים לדו-חיים קטנים ועדינים שכבר עומדים בפני איומים רבים. החוקרים בעבודה זו נועדו להחליף את השיטות הפולשניות בגישה צילומית פשוטה. לטריטוני ההר יש צורת זיהוי טבעית של כתמים צהובים בוהקים על עור כהה, בדומה לטביעת אצבע או לקונסטלציה בשמיים. על-ידי צילום מדוקדק של דפוסים אלה בשטח, שאפו לבנות מערכת שיכולה לזהות כל פרט בעין ולעקוב אחריו בסקרי חזרה.

הפיכת נקודות לנתונים

בעבודה בנחל הררי הנחשב לאזור רבייה מצטבר, הצוות לכד 549 טריטונים בוגרים בעונת 2024. כל פרט הונח לתקופה קצרה בתיבת הדמיה לבנה קטנה, הואר באור טבעי רך וצולם מלמעלה עם סמארטפון סטנדרטי. הטריטונים הועברו חזרה לשחרור בדיוק במקום בו נמצאו. במעבדה, המדענים השתמשו תחילה בצעדי עיבוד תמונה קלאסיים כדי "להדריך" את המחשב מה נחשב ככתם צהוב ומה רקע. על-ידי המרת תמונות צבע לצורה המדגישה גוון ובהירות וכן ניקוי רעשים חזותיים, יכלו למדוד כמה כתמים יש לכל טריטון, כמה הם גדולים ועגולים וכמה אחוז מהגוף הם מכסים. שיטה גיאומטרית זו לבדה זיהתה נכון כתמים בכ-תשעה מקרים מתוך עשרה, גם כאשר החיתוכים התמונתיים התמקדו רק בראש או בגזע.

כיצד אינטליגנציה מלאכותית לומדת "פנים"

כדי להתקדם מעבר לספירת כתמים ולזהות פרטים בעצם, פנו החוקרים ללמידה עמוקה — סוג של אינטליגנציה מלאכותית המושרית מעיבוד חזותי במוח. הם אימנו שלושה רשתות עצביות קונבולוציוניות שונות — מודלים ממוחשבים שמצטיינים בזיהוי תמונות — באמצעות תמונות הטריטונים והזהויות הידועות שלהם. מבלי להורות במפורש אילו תכונות לחפש, הרשתות למדו להבחין בהבדלים עדינים בסידור ובצורת הכתמים הצהובים. שלושת המודלים הציגו ביצועים מרשימים, וזיהו נכון כמעט כל טריטון, כשהרשת הטובה ביותר הגיעה לדיוק העולה על 99%. המערכת עבדה היטב במיוחד כאשר נבדקו יחדיו הראש והגזע, מה שמרמז ששילוב של כמה אזורי גוף נותן ל-AI "רמזים" אמינים יותר לזהות מי הוא מי.

ספירת אוכלוסייה מוסתרת

זיהוי פרטים עצמאי הוא כלי רב-עוצמה כי הוא פותח את הדלת לשיטה אקולוגית קלאסית שנקראת סימון-שחרור-לכידה (mark–recapture), שבה פרטים הנצפים בביקור ראשון "מסומנים" ואז מחפשים אחריהם שוב מאוחר יותר. במקום סימונים פיזיים, המחקר השתמש בהתאמות תמונה מהמערכת הלומדת כתיוגים וירטואליים. בשני סקרים בהפרש של 13 ימים, הצוות צילם 332 טריטונים בביקור הראשון ו-217 בביקור השני, וגילה 65 פרטים שהופיעו בשתי קבוצות התמונות. הזנת מספרים אלה לנוסחה סטנדרטית הניבה אומדן מקומי של כ-1,100 טריטוני הר צהוב-הנקודות בנחל. אף על פי שמספר זה מלווה בחוסר ודאות — פרטים אמיתיים יכולים לנוע לתוך ומחוץ לאזור המחקר — הוא מספק תמונת מצב לא-פולשנית של כמות הפרטים ומייצר בסיס מעקב לשינויים עתידיים.

מה משמעות הדבר לשימור מינים

ללא-מומחה, המסר המרכזי פשוט: בשימוש בתמונות ו-AI במקום בסכינים ובתיוגים, יכולים מדענים לפקוח עין על בעלי חיים פגיעים בסיכון נמוך בהרבה להזיק להם. במקרה זה, הכתמים הצהובים הייחודיים של טריטון ההר הופכים לברקוד טבעי שהמחשב יכול לקרוא באמינות מרשימה. גישה מהירה ועלות-נמוכה זו ניתנת לפריסה באמצעות סמארטפונים ומחשבים ניידים באתרי שטח מרוחקים, ותסייע לאנשי שימור לנטר דו-חיים מאוימים ככל שהאקלים מתחמם ובתי הגידול משתנים. מעבר למין אחד זה, המחקר מציע מתווה לשימוש בזיהוי תמונה מודרני כדי לשמר מגוון רחב של יצורים ביישנים ועדינים שהישרדותם עשויה להתבסס על היכולת להיראות — אך לא להימגע — על-ידי אלו המנסים להגן עליהם.

ציטוט: Rahmdel, Z., Vaissi, S., Faramarzi, P. et al. Deep learning based individual identification and population estimation of the yellow spotted mountain newt (Neurergus derjugini). Sci Rep 16, 6475 (2026). https://doi.org/10.1038/s41598-026-36092-2

מילות מפתח: שימור דו-חיים, זיהוי בתמונות, למידה עמוקה, ניטור אוכלוסיות, מינים בסכנת הכחדה