CzechLynx: En datamängd för individuell identifiering och poseuppskattning av lodjuret (Eurasisk lodjur)

Varför detta är viktigt för vilt och teknik

Det Eurasiska lodjuret är en av Europas mest försynta stora kattdjur, som strövar över stora skogsområden i mycket låga tätheter. Att följa hur många lodjur som finns, var de rör sig och hur deras populationer förändras över tid är avgörande för bevarandet — men att manuellt gå igenom hundratusentals bilder från kamerafällor är tidskrävande och felbenäget. Denna artikel presenterar CzechLynx, en stor, öppet tillgänglig samling lodjursbilder avsedd inte bara för biologer utan också för datavetare som utvecklar bildanalysverktyg. Genom att länka viltövervakning till modern artificiell intelligens syftar datamängden till att göra det mycket enklare att skydda dessa svårfångade rovdjur.

En lång blick på blyga katter i vilda skogar

CzechLynx sammanför 39 760 fotografier av Eurasiska lodjur insamlade under mer än 15 år från kamerafällor i två centralauropeiska regioner: sydvästra Böhmen och de västra Karpaterna. Det här är kuperade, mestadels skogsklädda områden där lodjur lever i mycket låga tätheter och kan röra sig över flera hundra kvadratkilometer. Bevarandeföreningar och parkmyndigheter placerade kameror längs skogsvägar, viltstigar och doftmarkeringsplatser, ofta med systematiska rutnät för att säkerställa bred täckning. Varje bild i datamängden genomgick noggrann granskning: tomma rutor och bilder med människor eller fordon togs bort, och sedan använde expertteam lodjurens unika pälsmönster för att bekräfta vilken individ som syntes på varje foto.

Rensning, urval och märkning av bilderna

Många kameror spelade in korta videoklipp i stället för enstaka foton, vilket skulle kunna ge enorma mängder nästan identiska rutor. För att hålla datamängden hanterbar och informativ använde författarna en automatisk detektor för att hitta de rutor där ett djur syntes tydligt, och valde sedan högst tre representativa bilder från varje möte. Dessa utvalda bilder gynnar helkroppsprofiler, sidovy där fläckmönstren är synliga och djuret är tillräckligt nära för att fånga fina detaljer. Mänskliga annotatörer lade därefter till flera informationslager: precisa konturer av varje lodjurs kropp, upp till 20 nyckelpunkter som markerar leder och ansiktslandmärken, samt beskrivande etiketter som vilken sida av djuret som syns. Semi‑automatiska verktyg — moderna segmenterings‑ och poseuppskattningsmodeller — användes för att utarbeta dessa etiketter, vilka sedan kontrollerades och förfinades av människor.

Att bygga en digital tvilling av lodjuret

Verkliga data från kamerafällor, även om de är rika, har begränsningar: sällsynta poser, ovanliga ljusförhållanden och vissa pälsmönster förekommer helt enkelt inte tillräckligt ofta för att fullt ut träna och testa avancerade algoritmer. För att fylla dessa luckor skapade teamet en syntetisk motsvarighet till de verkliga bilderna. Med Unity‑spelmotorn placerade de en detaljerad 3D‑modell av ett lodjur i fotorealistiska virtuella skogsscener inspirerade av faktiska kamerafällplatsers miljöer. Det virtuella djuret följer stigar genom dessa scener, stannar på slumpmässiga punkter och betraktas från olika kameravinklar under varierande ljus‑ och väderförhållanden. För att simulera många distinkta individer genererade forskarna hundratals olika pälsstrukturer med en textstyrd bildsyntesmetod, vilket gav ett brett spektrum av naturligt utseende fläck‑ och randmönster. Varje renderad bildruta levereras automatiskt med perfekt kunskap om lodjurens kontur, skelett och identitet.

Testa datorseende under verkliga förhållanden

Datamängden är organiserad kring tre nyckeluppgifter: att skilja mellan enskilda lodjur, uppskatta deras kroppspose och separera dem från bakgrunden. En enda, konsekvent metadata‑tabell länkar varje bild till dess identitet, tid och plats, synvinkel samt uppgifts‑specifika uppdelningar. För att efterlikna realistiska bevarandemässiga utmaningar definierar författarna flera utvärderingsscheman. I en "geo‑medveten" inställning tränas modeller på en region och testas på en annan för att pröva hur väl de överförs till nya landskap. I "tidsmedvetna" inställningar separeras tränings‑ och testbilder efter säsonger och år, så att algoritmer måste hantera att djur åldras, ändrar utseende eller att nya individer tillkommer. Dessa noggrant utformade uppdelningar hjälper till att undvika subtil läckage av data och erbjuder en tuff, realistisk referens för framtida metoder.

Vad detta betyder för att rädda lodjur

I grunden förvandlar CzechLynx år av noggrant fältarbete till en gemensam resurs för den bredare forskargemenskapen. Genom att kombinera expertverifierade verkliga foton med livfulla syntetiska bilder och detaljerade annotationer ger datamängden datorseendesystem allt de behöver för att lära sig att upptäcka, följa och känna igen individuella lodjur över långa tidsperioder och över stora avstånd. För bevarandearbetare kan mer pålitliga automatiserade verktyg innebära snabbare uppdateringar om populationsstorlek, överlevnad och rörelsemönster — allt avgörande för att upptäcka problem tidigt, rikta skyddsinsatser och stödja den långsiktiga återhämtningen av en av Europas ikoniska vilda katter.

Citering: Picek, L., Straka, J., Jirik, M. et al. CzechLynx: A Dataset for Individual Identification and Pose Estimation of the Eurasian Lynx. Sci Data 13, 511 (2026). https://doi.org/10.1038/s41597-026-06853-9

Nyckelord: Eurasiskt lodjur, kamerafällor, viltövervakning, datorseende, syntetiska data