Op deep learning gebaseerde individuele identificatie en populatieinschatting van de geelgevlekte bergsalamander (Neurergus derjugini)

Waarom kleine bergsalamanders ertoe doen

Hoog in de stroompjes van het Zagrosgebergte in Iran leeft een kleine, bedreigde amfibie: de geelgevlekte bergsalamander. Net als veel kikkers en salamanders wereldwijd staat ook deze soort onder druk door vervuiling, verlies van leefgebied en klimaatverandering. Om zo’n kwetsbare soort te beschermen, moeten wetenschappers weten hoeveel dieren er zijn en of hun populaties krimpen of herstellen—maar traditionele technieken om individuen te merken en volgen kunnen de dieren die ze willen beschermen juist schaden. Deze studie laat zien hoe gewone smartphonefoto’s, gecombineerd met moderne kunstmatige intelligentie, individuele salamanders kunnen herkennen aan hun unieke vlekpatronen en op een zachte, niet-invasieve manier hun populatie kunnen schatten.

Van schadelijke merktekens naar onschuldige foto’s

Conservatiebiologen hebben lange tijd methoden gebruikt zoals het verwijderen van tenen, ingebedde microchips of gekleurde ringen om dieren over tijd uit elkaar te houden. Hoewel effectief kunnen deze methoden pijnlijk, stressvol en onpraktisch zijn voor kleine, tere amfibieën die al veel bedreigingen ondervinden. De onderzoekers van deze studie wilden deze invasieve methoden vervangen door een eenvoudige fotografische techniek. Geelgevlekte bergsalamanders dragen van nature een kenmerkende vacht van felgele vlekken op donkere huid, vergelijkbaar met een vingerprint of een sterrenbeeld aan de nachtelijke hemel. Door deze patronen zorgvuldig in het veld te fotograferen, wilde het team een systeem ontwikkelen dat elk dier op het oog kan herkennen en kan volgen tijdens herhaalde waarnemingen.

Vlekken omzetten in data

Werkend bij een bergstroom bekend als een broedhotspot, ving het team tijdens het seizoen 2024 549 volwassen salamanders. Elk dier werd kort in een kleine witte afbeeldingsbox geplaatst, verlicht met zacht natuurlijk licht, en van boven gefotografeerd met een standaard smartphone. De salamanders werden daarna precies waar ze waren gevonden weer vrijgelaten. Terug in het lab gebruikten de wetenschappers eerst klassieke beeldverwerkingsstappen om de computer te “leren” wat als een gele vlek diende en wat achtergrond was. Door kleurenfoto’s om te zetten in een vorm die tint en helderheid benadrukt en door visuele ruis te verwijderen, konden ze meten hoeveel vlekken elke salamander had, hoe groot en rond de vlekken waren en hoeveel van het lichaam ze bedekten. Alleen deze geometrische methode detecteerde vlekken correct in ongeveer negen van de tien gevallen, zelfs wanneer beelden waren bijgesneden om alleen de kop of romp te tonen.

Hoe kunstmatige intelligentie een gezicht leert

Om verder te gaan dan het tellen van vlekken en echt individuen te herkennen, wendden de onderzoekers zich tot deep learning, een vorm van kunstmatige intelligentie die is geïnspireerd op hoe hersenen visuele informatie verwerken. Ze trainden drie verschillende convolutionele neurale netwerken—computermodellen die uitblinken in beeldherkenning—met de salamanderfoto’s en hun bekende identiteit. Zonder te worden verteld welke specifieke kenmerken belangrijk waren, leerden deze netwerken subtiele verschillen in de rangschikking en vorm van gele vlekken te onderscheiden. Alle drie modellen presteerden indrukwekkend en identificeerden bijna elke salamander correct, waarbij het beste netwerk meer dan 99% nauwkeurigheid bereikte. Het systeem werkte vooral goed wanneer het zowel de kop als de romp samen analyseerde, wat suggereert dat het combineren van meerdere lichaamsregio’s de AI meer betrouwbare “aanwijzingen” geeft over wie wie is.

Een verborgen populatie tellen

Individuele herkenning is krachtig omdat het een klassiek ecologisch hulpmiddel ontsluit: markeer–hervangst, waarbij dieren die bij een eerste bezoek worden waargenomen worden “gemarkeerd” en later opnieuw worden gezocht. In plaats van fysieke merken gebruikte deze studie beeldmatches van het deep-learning-systeem als virtuele tags. In twee inventarisaties met 13 dagen tussenpoos fotografeerde het team bij de eerste keer 332 salamanders en bij de tweede 217, waarbij ze 65 individuen vonden die in beide datasets voorkwamen. Door deze aantallen in een standaardformule te stoppen, ontstond een geschatte lokale populatie van ongeveer 1.100 geelgevlekte bergsalamanders in de stroom. Hoewel dit aantal enige onzekerheid kent—echte dieren kunnen in en uit het onderzoeksgebied bewegen—biedt het een niet-invasieve momentopname van hoeveel er aanwezig zijn en vormt het een basislijn om toekomstige veranderingen te volgen.

Wat dit betekent voor het behoud van soorten

Voor een niet-specialist is de kernboodschap eenvoudig: door foto’s en AI te gebruiken in plaats van scalpels en tags, kunnen wetenschappers kwetsbare dieren bewaken met veel minder risico op schade. In dit geval worden de unieke gele vlekken van een bergsalamander een natuurlijke streepjescode die een computer met opmerkelijke betrouwbaarheid kan lezen. Deze snelle, goedkope aanpak kan met smartphones en laptops worden uitgerold op afgelegen veldlocaties en helpt natuurbeschermers bedreigde amfibieën te monitoren nu klimaten opwarmen en leefgebieden verschuiven. Voorbij deze ene soort biedt de studie een blauwdruk voor het gebruik van moderne beeldherkenning om een breed scala aan schuwe, tere dieren te beschermen waarvan het voortbestaan kan afhangen van gezien te worden—maar nooit aangeraakt—door de mensen die ze proberen te behouden.

Bronvermelding: 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

Trefwoorden: amfibieënbehoud, foto-identificatie, deep learning, populatiebewaking, bedreigde soorten