Nyhed
Biologistuderende og forskere undersøger AI's muligheder i dyreovervågningen
Lagt online: 11.03.2025

Nyhed
Biologistuderende og forskere undersøger AI's muligheder i dyreovervågningen
Lagt online: 11.03.2025

Biologistuderende og forskere undersøger AI-teknologiens mange muligheder i overvågningen af pattedyr (1)
Nyhed
Lagt online: 11.03.2025
Nyhed
Lagt online: 11.03.2025
Ved Dorte Larsen, Kommunikationsspecialist, AAU Kommunikation og Public Affairs
Foto: Anders Fast Nielsen, AAU
AI kan tilbyde en lang række fordele i en biologs arbejde. AI kan f.eks. øge effektiviteten betydeligt, når det gælder bearbejdning af store mængder data. Og her snakker vi om data, der er indsamlet ved overvågning af pattedyr. Teknologien kan anvendes både i feltarbejdet og i arbejdet med dyr i zoologiske haver. AI-modellerne kan bl.a. standardisere forskeres kategorisering af adfærd og hjælpe med at afsløre mistrivsel hos dyrene.
Alle disse fordele skal nu undersøges nærmere i en nye vidensgruppe kaldet ”AI Bio”. Gruppen skal fungere som et mødested for alle på instituttet, der arbejder med udvikling af AI modeller til artsgenkendelse og monitering af adfærd. Seniorforsker Sussie Pagh, Institut for Kemi og Biovidenskab, fortæller om perspektiverne for anvendelse af AI i overvågningen:
”AI modeller har vidtrækkende perspektiver i forhold til at kunne håndtere store datamængder. Vi kan se, at vores standardisering af metoderne kan hjælpe os til effektivt at kunne indsamle viden om dyrene”.
AI Bio – en ny vidensgruppe for biologistuderende og ansatte
Den nye gruppe består af en stor gruppe biologistuderende samt forskerne, professor Cino Pertoldi, professor Niels Madsen og Sussie Pagh. De studerende har erfaringer at trække på fra deres projektarbejder, hvor de har anvendt AI til artsgenkendelse, monitering og adfærd. Både forskere og studerende satser på, at AI bliver det nye redskab, der i fremtiden skal støtte moniteringsarbejdet i forbindelse med forskningsprojekter og studieprojekter. I gruppen vil de samle op på deres erfaringer og støtte hinanden i AI-arbejdet. I det følgende kan du læse eksempler på igangværende studieprojekter på Institut for Kemi og Biovidenskab.
Kortlægning af rovdyrs jagtområder
Katrine Møller-Lassesen arbejder som videnskabelig assistent for midler fra Aage V. Jensens Fond. Hun skal udvikle kunstig intelligens, der kan genkende rovdyr og deres adfærd ud fra videoklip fra en termisk drone. Projektet skal, når modellerne er udviklet, skabe mulighed for en kortlægning af forskellige rovdyrs jagtområder. Katrine fortæller:
”Det AI-redskab, jeg skal udvikle, kan blive nyttigt til undersøgelse af rovdyrs brug af forskellige habitater. I fuglebeskyttelsesområder vil det kunne bruges til at afdække, hvor meget rovdyrene påvirker sårbare ynglefugle”.
Hjortedyrs fourageringsadfærd i Hanstholm Vildtreservat
Specialestuderende, Lasse, arbejder med krondyr og dådyrs fourageringsadfærd. Dataindsamlingen foregår i Hanstholm Vildtreservat, som er et mosaiklandskab af forskellige naturtyper, og hvor en af Danmarks største populationer af kronvildt befinder sig.
Lasse træner AI modellen til at kunne genkende hjortedyrenes adfærd ved hjælp af Machine Learning. Adfærden standardiseres rent matematisk og sammenholdes med, hvilken naturtype dyrene befinder sig i. På sigt vil de indsamlede data give os viden om, i hvilke naturypper hjortedyrene foretrækker at græsse, hvilket kan vise sig at blive et vigtigt forvaltningsredskab i fremtiden.
Monitering af grævlinger på den fredede ø Vorsø
Camilla og Nikolai arbejder med grævlinger på Vorsø. De anvender AI til en undersøgelse af grævlingernes adfærd. Et mål er desuden at kunne identificere hver enkelt grævling ud fra dens individuelle ’maske’. AI skal kvantificere grævlingernes tidsforbrug på forskellige typer af adfærd og deres sociale interaktioner. Det skal så sammenlignes med samme undersøgelse af grævlinger på fastlandet, hvor dyrene kan blive udsat for forstyrrelser fra mennesker.
Zoodyrs adfærd i zoologiske anlæg
En gruppe af studerende, Silje, Frej og Jonas, udarbejder deres projekt i Aalborg Zoo. Her udvikler de AI modeller til brug for genkendelse af zoodyrenes adfærd i de zoologiske anlæg. Ved hjælp af videooptagelser af dyrene kan modellerne lære at genkende dyrenes adfærd. Den indsamlede viden vil på sigt kunne bruges til at give dyrepasserne besked om dyrenes trivsel og evt. sygdom. Automatisk adfærdsgenkendelse hos de forskellige arter i zoo vil kunne bidrage til mere effektive velfærdsanalyser på tværs af zoologiske haver, og af dyr som andre steder holdes i fangenskab.
Analyse af ulvehyl
Johanne arbejder på sit bachelorprojekt, hvor hun skal analysere ulvehyl med anvendelse af AI. Målet er at kunne overvåge ulvebestandene og få en forståelse af ulves måde at kommunikere på. Projektet skal også se på fordele og ulemper ved AI-teknologien sat overfor traditionel manuel registrering - en proces der kræver ugers manuel gennemlytning. Fordelen ved at benytte AI-metoder er, at de er i stand til at gennemgå hundredvis af lydoptagelser på få timer.
AI-modeller til analyse af havpattedyrs adfærd
Ditte, som er specialestuderende, bruger drone til at filme havpattedyr og udvikler AI-modeller til at analysere havpattedyrenes adfærd. Havpattedyr er afgørende for havets økosystem, men de påvirkes negativt af menneskelig aktivitet som fiskeri, skibstrafik og offshore-industri. Ditte fortæller om potentialet af AI-teknologien:
”AI-baserede adfærdsanalyser kan hurtigt identificere vigtige områder og migrationsruter for havpattedyrene. Forhåbentlig kan de nye AI modeller hjælpe til at vejlede fiskefartøjer, så de store dyr ikke ender som bifangster. Og skibsfarten kan blive advaret om, at der er store havpattedyr i nærheden, så kollisioner kan undgås. Måske kan man ligefrem omdirigere skibsruter og indføre hastighedsbegrænsninger?
AI har store perspektiver for overvågningen af pattedyr
Sussie Pagh fortæller:
”Som det fremgår af beskrivelserne af studieprojekterne, træner vi i dag AI-modellerne til at løse forskellige moniteringsopgaver. Den helt store fordel er, at AI kan samle og kvantificere store datamængder. Det vil lette vores manuelle arbejde betydeligt. Jeg ser frem til, at AI-modellerne inden for nær fremtid bliver sikre nok til artsbestemmelse og klassificering af adfærd. Vi er der ikke helt endnu, på sigt vil vi kunne øge vores viden om dyrene ret betydeligt, så vi i vores forvaltning kan sikre dyrenes behov og trivsel bedre, end vi gør i dag”.