معهد MIT يعرض نظام رؤية حاسوبية لعدّ الأسماك في مشاريع العلوم المواطنة

عرض MIT Sea Grant، بالتعاون مع Woodwell Climate Research Center وCSAIL وشركاء آخرين، نظامًا قائمًا على التعلّم العميق يعدّ الأسماك من مقاطع الفيديو تحت الماء. والهدف ليس استبدال المتطوعين، بل سدّ الثغرات التي يتركها الرصد اليدوي والحصول على بيانات أدق عن الهجرة.

لماذا يظل العدّ اليدوي محدودًا

في كل ربيع، يعود سمك الرنجة النهري من المياه الساحلية في ماساتشوستس إلى الأنهار والجداول، حيث يتكاثر في المياه العذبة. وقد تراجعت أعداده بشدة خلال العقود الماضية، لذا تحتاج الجهات المعنية بحماية البيئة ومديرو مصايد الأسماك إلى معرفة عدد الأسماك التي تعبر الأنهار فعلًا، ومتى يحدث ذلك.

وتكمن المشكلة في أن الرصد التقليدي يعتمد عادةً على العدّ البصري من الضفاف وعلى مساعدة المتطوعين، وهذه الملاحظات لا تقدّم سوى مقاطع قصيرة من الصورة الكاملة.

وللنهج اليدوي قيود صارمة. فالمتطوعون يعملون في الغالب خلال النهار، ولا يستطيعون متابعة تدفق الأسماك بشكل متواصل، ولذلك تسقط من البيانات بسهولة التحركات الليلية وفترات الهجرة القصيرة المفاجئة. وأحيانًا تعبر مئات الأسماك أحد مقاطع النهر خلال دقائق معدودة، ويصعب تقدير مثل هذه الذروات بالعين المجرّدة. أما الأساليب الأكثر تقدمًا، مثل الرصد الصوتي والسونار، فلا تصلح في كل الأماكن وتكلّف أكثر، في حين تبقى المراجعة اليدوية لمقاطع الفيديو تحت الماء مرهقة وتستغرق وقتًا طويلًا. لهذا راهن الفريق على الرؤية الحاسوبية بوصفها خيارًا أكثر قابلية للتوسّع.

كيف بُني النموذج

بنى الباحثون خط معالجة متكاملًا، يبدأ من تركيب الكاميرات تحت الماء في الميدان، مرورًا بتوصيف المقاطع، وصولًا إلى تدريب النموذج. وجُمعت مقاطع الفيديو من ثلاثة أنهار في ماساتشوستس في آن واحد: Coonamessett في فالموث، وIpswich في إبسويتش، وSantuit في ماشبي. ولم يكن هذا التصميم لأغراض العرض التوضيحي، بل لاختبار قدرة النظام على العمل في ظروف واقعية تتغير فيها باستمرار الإضاءة وشفافية المياه وكثافة الأسماك والموسم ووقت اليوم.

• رصدت الكاميرات تحت الماء الهجرة في ثلاثة أنهار مختلفة
• استُخدمت في التدريب مقاطع بإضاءة وجودة مياه وأنواع وكثافات أسماك متباينة
• وسم الفريق يدويًا 1 435 مقطع فيديو و59 850 إطارًا بمربعات إحاطة (bounding boxes)
• قورنت نتائج الخوارزمية بالمراجعة اليدوية للفيديو، وبالعدّ من الضفاف، وببيانات وسوم PIT

وكان الاستنتاج الرئيسي عمليًا إلى حد بعيد: فأفضل أداء جاء من النماذج المدرّبة على بيانات متنوعة من مواقع عدة ولعدة سنوات. وقدّم هذا النهج تقديرات موسمية مفصّلة تطابقت مع نتائج الرصد التقليدي. أي أننا لا نتحدث عن نموذج أولي مخبري، بل عن نظام قادر على إنتاج أعداد تضاهي ما يحصل عليه الإنسان، وبدقة زمنية أعلى.

ماذا أظهرت البيانات

أكثر ما يلفت الانتباه ليس أتمتة العدّ فحسب، بل الملاحظات الجديدة عن سلوك الأسماك. ففي فيديو هجرة عام 2024 في نهر Coonamessett، أحصى النظام 42 510 من سمك الرنجة النهري. وبيّن التحليل أن الحركة باتجاه أعلى النهر بلغت ذروتها عند الفجر، بينما جرت الحركة العكسية باتجاه أسفل النهر في الغالب ليلًا. ويربط الباحثون ذلك بأن الأسماك تستغل الفترات الأكثر ظلمة وهدوءًا لتقليل خطر مصادفة المفترسات. وبالنسبة لعلماء البيئة، لم يعد الأمر مجرد رقم، بل صورة أغنى للهجرة.

«سيحسّن هذا العمل قدرات رصد المصايد وتقدير أعداد الأسماك لدى المديرين والجماعات المعنية بحماية البيئة»، يقول روبرت فينسنت من MIT

Sea Grant.

وفي الوقت نفسه، يؤكد المؤلفون صراحةً أن العدّ الآلي لا ينبغي أن يحلّ فورًا محل الأساليب التقليدية. فالسلاسل الزمنية الطويلة من الملاحظات لها قيمتها في ذاتها، وتحتاج الجهات المعنية إلى الحفاظ على قابلية مقارنة البيانات إلى أن تُعتمد الأنظمة الجديدة بالكامل. كما أن العلوم المواطنة لا تختفي هنا، بل يتغير دورها: فما زال المتطوعون ضروريين لصيانة الكاميرات، ووسم مقاطع الفيديو، والتحقق من النماذج. وبالتكامل مع الرؤية الحاسوبية، يتشكّل نظام رصد بيئي أشمل مما يوفره كل نهج بمفرده.

ماذا يعني ذلك

بالنسبة للذكاء الاصطناعي، هذا مثال جيد على انتقال الرؤية الحاسوبية من العروض التجريبية إلى مهام ميدانية ذات فائدة قابلة للقياس. أما بالنسبة لعلم البيئة، فهو وسيلة لتعزيز برامج التطوع، والحصول على مراقبة شبه متواصلة، واتخاذ قرارات حماية الأعداد استنادًا إلى بيانات أكثر كثافة ودقة. وإذا أصبحت هذه الأنظمة واسعة الانتشار، فسيمكن رصد الأنواع النادرة والمهاجرة بوتيرة أعلى، وبكلفة أقل، ودون خسائر كبيرة في الجودة.