Identyfikacja osobnicza i szacowanie liczebności populacji traszki górskiej z żółtymi plamami (Neurergus derjugini) oparte na uczeniu głębokim

Dlaczego drobne traszki górskie są ważne

W górskich potokach iranskiego pasma Zagros żyje mały, zagrożony płaz: traszka górska z żółtymi plamami. Podobnie jak wiele żab i salamander na świecie, jej liczebność jest pod presją zanieczyszczeń, utraty siedlisk i zmian klimatu. Aby chronić tak delikatny gatunek, naukowcy muszą wiedzieć, ile osobników występuje i czy populacje maleją czy odradzają się — jednak tradycyjne techniki znakowania i śledzenia zwierząt mogą szkodzić tym samym stworzeniom, którym mają pomóc. Niniejsze badanie pokazuje, że zwykłe zdjęcia ze smartfona, połączone z nowoczesną sztuczną inteligencją, mogą rozpoznawać poszczególne traszki po unikalnych wzorach plam i szacować ich liczebność w sposób delikatny i bezkontaktowy.

Od inwazyjnych znaczników do nieszkodliwych zdjęć

Biolodzy zajmujący się ochroną przyrody od dawna korzystają z metod takich jak obcinanie palców, wszczepiane mikroczipy czy kolorowe obrączki, by rozróżniać zwierzęta w czasie. Choć skuteczne, podejścia te mogą być bolesne, stresujące i niepraktyczne dla małych, delikatnych płazów, które już i tak są narażone na wiele zagrożeń. Badacze stojący za tym opracowaniem postanowili zastąpić inwazyjne metody prostą techniką fotograficzną. Traszki górskie z żółtymi plamami mają naturalnie charakterystyczne ubarwienie — jasne żółte plamy na ciemnej skórze, niczym odcisk palca lub konstelacja na nocnym niebie. Poprzez staranne fotografowanie tych wzorów w terenie zespół chciał zbudować system, który rozpozna każde zwierzę wzrokowo i będzie mógł śledzić je podczas kolejnych inwentaryzacji.

Przekształcanie plam w dane

Pracując przy górskim strumieniu znanym jako miejsce rozrodu, zespół w sezonie 2024 złapał 549 dorosłych traszek. Każde zwierzę na krótko umieszczano w małym, białym pudełku do fotografowania, oświetlonym miękkim, naturalnym światłem, i fotografowano z góry standardowym smartfonem. Traszkę następnie wypuszczano dokładnie tam, gdzie została znaleziona. W laboratorium naukowcy najpierw zastosowali klasyczne kroki przetwarzania obrazu, aby „nauczyć” komputer, co jest żółtą plamą, a co stanowi tło. Poprzez konwersję obrazów kolorowych do formatu uwypuklającego odcień i jasność oraz oczyszczanie szumów wizualnych mogli zmierzyć liczbę plam u każdej traszki, ich wielkość i kształt oraz jaki procent ciała zajmowały. Ta geometryczna metoda sama w sobie poprawnie wykrywała plamy w około dziewięciu na dziesięć przypadków, nawet gdy zdjęcia były przycięte, by skupić się tylko na głowie lub tułowiu.

Jak sztuczna inteligencja uczy się „twarzy”

Aby pójść dalej niż jedynie liczenie plam i naprawdę rozpoznawać osobniki, badacze sięgnęli po uczenie głębokie — formę sztucznej inteligencji inspirowaną sposobem, w jaki mózg przetwarza informacje wizualne. Wyszkolili trzy różne splotowe sieci neuronowe — modele komputerowe specjalizujące się w rozpoznawaniu obrazów — używając zdjęć traszek i ich znanych tożsamości. Nie wskazując sieciom konkretnych cech do wyszukania, modele te nauczyły się rozróżniać subtelne różnice w układzie i kształcie żółtych plam. Wszystkie trzy modele osiągnęły imponujące wyniki, prawidłowo identyfikując niemal każdą traszkę, a najlepsza sieć przekroczyła 99% dokładności. System działał szczególnie dobrze, gdy analizował zarówno głowę, jak i tułowie jednocześnie, co sugeruje, że połączenie kilku obszarów ciała dostarcza SI bardziej wiarygodnych „wskazówek”, kto jest kim.

Liczebność ukrytej populacji

Rozpoznawanie osobnicze jest potężne, ponieważ otwiera klasyczne narzędzie ekologiczne zwane metodą znakuj–wypuszczaj (mark–recapture), w której zwierzęta wykryte podczas pierwszej wizyty są „oznaczane”, a następnie poszukiwane ponownie. Zamiast znaków fizycznych, w tym badaniu wykorzystano dopasowania obrazów z systemu uczenia głębokiego jako wirtualne znaczniki. W dwóch inwentaryzacjach przeprowadzonych z odstępem 13 dni zespół sfotografował 332 traszki za pierwszym razem i 217 za drugim, odkrywając 65 osobników obecnych w obu zestawach zdjęć. Wprowadzenie tych liczb do standardowego wzoru dało szacowaną lokalną liczebność około 1 100 traszek górskich z żółtymi plamami w tym strumieniu. Choć liczba ta niesie ze sobą pewną niepewność — prawdziwe zwierzęta mogą przemieszczać się wewnątrz i na zewnątrz obszaru badań — daje to bezinwazyjne spojrzenie na to, ile osobników jest obecnych, i stanowi punkt odniesienia do śledzenia przyszłych zmian.

Co to oznacza dla ochrony gatunków

Dla osoby niezwiązanej ze specjalistyką kluczowy przekaz jest prosty: używając fotografii i SI zamiast skalpela i znaczników, naukowcy mogą opiekować się wrażliwymi zwierzętami z dużo mniejszym ryzykiem wyrządzenia im krzywdy. W tym przypadku unikalne żółte plamy traszki górskiej stają się naturalnym kodem kreskowym, który komputer potrafi odczytać z zadziwiającą niezawodnością. To szybkie, niskokosztowe podejście można wdrożyć przy użyciu smartfonów i laptopów w odległych miejscach, pomagając praktykom ochrony monitorować zagrożone płazy w obliczu ocieplającego się klimatu i zmieniających się siedlisk. Poza jednym gatunkiem, badanie przedstawia wzorzec wykorzystania nowoczesnego rozpoznawania obrazu do ochrony szerokiego spektrum nieśmiałych, delikatnych stworzeń, których przetrwanie może zależeć od tego, by były widziane — ale nigdy dotykane — przez ludzi, którzy próbują je chronić.

Cytowanie: 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

Słowa kluczowe: ochrona płazów, identyfikacja na podstawie zdjęć, uczenie głębokie, monitoring populacji, gatunki zagrożone