Sarı benekli dağ semenderi (Neurergus derjugini) için derin öğrenmeye dayalı bireysel tanımlama ve popülasyon tahmini

Neden küçük dağ semenderleri önemlidir

İran’ın Zagros Dağları’nın derelerinde küçük, tehlike altındaki bir amfibi yaşıyor: sarı benekli dağ semenderi. Dünyanın birçok kurbağa ve semenderinde olduğu gibi, bu türün nüfusu kirlilik, habitat kaybı ve iklim değişikliği nedeniyle baskı altında. Böyle kırılgan bir türü korumak için bilim insanlarının kaç hayvan olduğunu ve nüfusların küçülüp küçülmediğini veya toparlanıp toparlanmadığını bilmesi gerekir—ancak bireyleri etiketlemek ve izlemek için geleneksel teknikler korumaya çalıştıkları canlılara zarar verebilir. Bu çalışma, sıradan akıllı telefon fotoğraflarının modern yapay zeka ile eşleştirildiğinde, benzersiz benek desenlerinden bireysel semenderleri tanıyabileceğini ve nüfuslarını nazik, müdahalesiz bir şekilde tahmin edebileceğini gösteriyor.

Zararlı etiketlerden zararsız fotoğraflara

Koruma biyologları uzun zamandır hayvanları zaman içinde ayırt etmek için ayak parmağı kesme, yerleştirilen mikroçipler veya renkli bantlar gibi yöntemlere dayanıyorlar. Etkili olsalar da bu yaklaşımlar küçük, hassas amfibiler için acı verici, stresli ve pratik olmayabilir; bu canlılar zaten birçok tehditle karşı karşıya. Bu çalışmanın araştırmacıları, bu invaziv yöntemlerin yerine basit bir fotoğrafçılık tekniği koymayı amaçladılar. Sarı benekli dağ semenderleri, gece gökyüzündeki takımyıldızlara ya da parmak izine benzeyen koyu deride parlak sarı beneklerden oluşan ayırt edici bir desene doğal olarak sahiptir. Bu desenleri dikkatle doğada fotoğraflayarak, ekip her hayvanı görsel olarak tanıyabilecek ve tekrarlı anketlerde izleyebilecek bir sistem oluşturmayı hedefledi.

Benekleri veriye dönüştürmek

Üreme alanı olarak bilinen bir dağ deresinde çalışan ekip, 2024 sezonunda 549 yetişkin semender yakaladı. Her hayvan kısa süreliğine küçük beyaz bir görüntüleme kutusuna kondu, yumuşak doğal ışıkla aydınlatıldı ve standart bir akıllı telefonla üstten fotoğraflandı. Semenderler daha sonra bulundukları yere tam olarak bırakıldı. Laboratuvarda, bilim insanları önce bilgisayara sarı benekle arka planı ayırt etmeyi “öğretmek” için klasik görüntü işleme adımlarını kullandı. Renkli görüntüleri ton ve parlaklığı vurgulayan bir forma dönüştürerek ve görsel gürültüyü temizleyerek, her semenderin kaç benek taşıdığını, beneklerin ne kadar büyük ve yuvarlak olduğunu ve vücudun ne kadarını kapladığını ölçebildiler. Bu geometrik yöntem tek başına, görüntüler sadece kafa veya gövdeye odaklanacak şekilde kırpılsa bile, yaklaşık on vakadan dokuzunda benekleri doğru şekilde tespit etti.

Yapay zekâ bir yüzü nasıl öğrenir

Benek saymanın ötesine geçip gerçek anlamda bireyleri tanımak için araştırmacılar, görsel bilgiyi işleyiş biçiminden esinlenen bir yapay zekâ türü olan derin öğrenmeye yöneldi. Yeni fotoğraflar ve bilinen kimlikleri kullanılarak görüntü tanımada üstün performans gösteren üç farklı konvolüsyonel sinir ağı—bilgisayar modelleri—eğitildi. Hangi özel özelliklere bakmaları gerektiği söylenmeden, bu ağlar sarı beneklerin düzeni ve şekillerindeki ince farklılıkları ayırt etmeyi öğrendi. Üç modelin tümü etkileyici performans gösterdi ve neredeyse her semenderi doğru bir şekilde tanımladı; en iyi ağ %99’un üzerinde doğruluk elde etti. Sistem özellikle kafa ve gövdeyi birlikte analiz ettiğinde iyi çalıştı; bu da birkaç vücut bölgesinin birleşiminin yapay zekâya “kim kimdir” konusunda daha güvenilir ipuçları sağladığını gösteriyor.

Gizli bir nüfusu saymak

Bireysel tanıma güçlüdür çünkü hayvanların ilk ziyarette tespit edilip “işaretlendiği” ve sonra daha sonra tekrar arandığı klasik bir ekolojik araç olan yakala–bırak yönteminin kilidini açar. Bu çalışmada fiziksel işaretler yerine derin öğrenme sisteminden gelen görüntü eşleşmeleri sanal etikletler olarak kullanıldı. 13 gün arayla yapılan iki ankette ekip ilk seferde 332, ikinci seferde 217 semender fotoğrafladı ve her iki görüntü setinde de görünen 65 birey keşfettiler. Bu sayıları standart bir formüle sokmak, derede yaklaşık 1.100 sarı benekli dağ semenderi civarında yerel bir nüfus tahmini verdi. Bu sayının bazı belirsizlikler taşıdığı—gerçek hayvanların çalışma alanına girip çıkabileceği—doğru olmakla birlikte, mevcut olanların müdahalesiz bir anlık görüntüsünü sunuyor ve gelecekteki değişiklikleri izlemek için bir başlangıç noktası sağlıyor.

Türleri kurtarmak için bunun anlamı

Uzman olmayan biri için temel mesaj basittir: cerrahi aletler ve etiketler yerine fotoğraflar ve yapay zekâ kullanarak, bilim insanları savunmasız hayvanları onlara zarar verme riski çok daha az olacak şekilde izleyebilir. Bu örnekte, dağ semenderinin benzersiz sarı benekleri, bir bilgisayarın dikkat çekici güvenilirlikle okuyabileceği doğal bir barkod haline geliyor. Bu hızlı, düşük maliyetli yaklaşım, uzak saha alanlarında akıllı telefonlar ve dizüstü bilgisayarlarla uygulanabilir; korumacılara iklim ısındıkça ve habitatlar değiştikçe tehdit altındaki amfibileri izlemekte yardımcı olabilir. Bu tek türün ötesinde, çalışma modern görüntü tanımayı utangaç, hassas ve hayatta kalmaları görülmelerine—ama korunmaya çalışılan insanlar tarafından asla dokunulmamaya—bağlı türleri korumak için kullanma taslağı sunuyor.

Atıf: 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

Anahtar kelimeler: amfibi koruma, fotoğrafla tanımlama, derin öğrenme, popülasyon izleme, tehlike altındaki türler