Djupinlärningsbaserad individidentifiering och populationuppskattning av den gulfläckiga bergsalamandern (Neurergus derjugini)

Varför små bergsalamandrar spelar roll

Högt upp i bäckarna i Irans Zagrosberg lever en liten, hotad amfibie: den gulfläckiga bergsalamandern. Liksom många av världens grodor och salamandrar pressas dess populationer av föroreningar, habitatförlust och klimatförändringar. För att skydda en så känslig art måste forskare veta hur många individer som finns och om populationerna minskar eller återhämtar sig—men traditionella tekniker för att märka och följa individer kan skada just de djur de försöker rädda. Denna studie visar hur vanliga mobiltelefonbilder, ihop med modern artificiell intelligens, kan känna igen individuella salamandrar utifrån deras unika fläckmönster och uppskatta populationen på ett skonsamt, icke-invasivt sätt.

Från skadliga märken till ofarliga foton

Konservationsbiologer har länge förlitat sig på metoder som kloamputation, implanterade mikrochips eller färgade band för att skilja djur åt över tid. Även om dessa metoder är effektiva kan de vara smärtsamma, stressande och opraktiska för små, ömtåliga amfibier som redan står inför många hot. Forskarna bakom denna studie ville ersätta dessa invasiva metoder med en enkel fotografisk teknik. Den gulfläckiga bergsalamandern bär naturligt ett karaktäristiskt mönster av klara gula fläckar på mörk hud, ungefär som ett fingeravtryck eller en stjärnbild på natthimlen. Genom att noggrant fotografera dessa mönster i naturen ville teamet bygga ett system som kunde känna igen varje individ vid en blick och följa den över upprepade fältsessioner.

Att göra fläckar till data

Arbetande vid en bergsbäck känd som en reproduktionshotspot fångade teamet 549 vuxna salamandrar under säsongen 2024. Varje djur placerades kortvarigt i en liten vit avbildningslåda, belyst med mjukt naturligt ljus, och fotograferades uppifrån med en vanlig smartphone. Salamandrarna släpptes sedan tillbaka exakt där de hittats. I laboratoriet använde forskarna först klassiska bildbehandlingssteg för att "lära" datorn vad som räknades som en gul fläck och vad som var bakgrund. Genom att konvertera färgbilder till en form som framhäver nyans och ljusstyrka, och genom att rensa bort visuellt brus, kunde de mäta hur många fläckar varje salamander hade, hur stora och runda fläckarna var, och hur stor del av kroppen de täckte. Denna geometriska metod ensam upptäckte fläckar korrekt i ungefär nio av tio fall, även när bilderna beskars för att fokusera på enbart huvud eller bål.

Hur artificiell intelligens lär sig ett ansikte

För att gå längre än att räkna fläckar och verkligen känna igen individer vände sig forskarna till djupinlärning, en form av artificiell intelligens inspirerad av hur hjärnor bearbetar visuell information. De tränade tre olika konvolutionella neurala nätverk—datormodeller som är särskilt bra på bildigenkänning—med hjälp av salamanderbilderna och deras kända identiteter. Utan att få instruktioner om vilka specifika egenskaper som skulle vara viktiga lärde sig dessa nätverk att särskilja subtila skillnader i arrangemang och form hos de gula fläckarna. Alla tre modeller presterade imponerande och identifierade nästan varje salamander korrekt, där det bästa nätverket nådde över 99 % noggrannhet. Systemet fungerade särskilt väl när det analyserade både huvud och bål tillsammans, vilket tyder på att kombinationen av flera kroppsregioner ger AI:n fler pålitliga "ledtrådar" om vem som är vem.

Att räkna en dold population

Individidentifiering är kraftfull eftersom den öppnar upp ett klassiskt ekologiskt verktyg kallat fångst-återfångst, där djur som upptäcks vid ett första besök "märks" och sedan söks efter igen senare. Istället för fysiska märken använde denna studie bildmatchningar från djupinlärningssystemet som virtuella taggar. Vid två undersökningar 13 dagar isär fotograferade teamet 332 salamandrar första gången och 217 andra gången, och upptäckte 65 individer som förekom i båda bildseten. Att mata in dessa siffror i en standardformel gav en uppskattad lokal population på ungefär 1 100 gulfläckiga bergsalamandrar i bäcken. Även om denna siffra har viss osäkerhet—verkliga djur kan röra sig in och ut ur studieområdet—ger den en icke-invasiv ögonblicksbild av hur många som finns och en baslinje för att följa framtida förändringar.

Vad detta betyder för artbevarande

För en icke-specialist är huvudbudskapet enkelt: genom att använda fotografier och AI istället för skalpeller och märken kan forskare övervaka sårbara djur med mycket mindre risk för att skada dem. I detta fall blir de unika gula fläckarna hos en bergsalamander en naturlig streckkod som en dator kan läsa med anmärkningsvärd tillförlitlighet. Denna snabba, kostnadseffektiva metod kan rullas ut med smartphones och bärbara datorer på avlägsna fältplatser och hjälpa konservatörer att övervaka hotade amfibier när klimatet värms upp och livsmiljöer förändras. Utöver denna art erbjuder studien en modell för att använda modern bildigenkänning för att skydda ett brett spektrum blyga, ömtåliga varelser vars överlevnad kan bero på att de blir sedda—men aldrig rörda—av dem som försöker skydda dem.

Citering: 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

Nyckelord: amfibiekonservering, fotoidentifiering, djupinlärning, populationövervakning, hotad art