Siirry sisältöön

Tällä sivulla:

Konehavainnot luonnon seurannassa

Automaattisilla luontohavainnoilla tai konehavainnoilla (engl. machine observations) tarkoitetaan havaintoja, jotka on kerätty kokonaan tai osittain automaattisesti. Havaintojen keruu tapahtuu teknisellä laitteella joko täysin automaattisesti tai niin, että ihminen käyttää laitetta, esimerkiksi ottaa valokuvia tai tekee äänitteitä. Itse havaintojen keruun lisäksi automatiikkaa voidaan käyttää lajien määritykseen esimerkiksi tekoälyyn ja hahmon- tai äänentunnistukseen perustuvien konenäkösovellusten avulla. Tekoälyllä tarkoitetaan tietokoneohjelmaa, joka kykenee tekemään yleisesti älykkäinä pidettyjä asioita. Koneoppimisella puolestaan tarkoitetaan tekoälyä, joka oppii itsenäisesti sen näkemästä datasta. Tekoäly on terminä laajempi ja esimerkiksi liikkuvaan kohteeseen kääntyvä riistakamera voi olla esimerkki tekoälystä, joka ei ole koneoppimista.

Tekoälyä voidaan käyttää paitsi lajiston selvittämisessä ja seurannassa, myös luontotyyppien kartoituksessa ja seurannassa.

Tekoälyä voidaan opettaa satelliittikuvilla ja muulla aineistolla tekemään tulkintaa esimerkiksi puulajiston tai vetisyyden muutoksista laajoilla alueilla (Jussila ym. 2023). Kaukokartoitusmenetelmiin pohjautuvat luontotyyppitulkinnat vaativat kuitenkin aina luotettavaa maastokartoitustietoa ohjaamaan tulkintaa, sekä myös tuotetun tiedon laadunvarmennukseen. Kaukokartoitusmenetelmiä on suunniteltu käytettäväksi myös muun muassa isojen petolintujen pesien kartoituksessa harvaan asutuilla seuduilla. Suurimmat hyödyt kaukokartoitusmenetelmistä lajikartoituksiin ja -seurantoihin saataneen kuitenkin epäsuorasti sopivien elinympäristöjen määrän ja laadun seurannan kautta. Lisätietoa kaukokartoitusmenetelmistä luontotiedon tulkinnasta (Kaukokartoitus(siirryt toiseen palveluun)).

Automaattiset äänen- ja kuvantunnistusmenetelmät lajistotiedon keruussa

Äänentunnistus

Konehavainnot ovat osassa lajitiedon keräämisessä jo arkipäivää. Automaattinen äänentallennus ja äänten automaattinen tunnistus on saatu rutiinikäyttöön esimerkiksi Luomuksen toteuttamassa lepakoiden seurannassa. Siinä biologisilla asemilla vakiopaikoissa sijaitsevat laitteet tallentavat lepakoiden ääniä, jotka kenttäkauden jälkeen analysoidaan. Aivan viime vuosina automaattitallentimilla tehtävää seurantaa on laajennettu vapaaehtoisten verkoston avulla. Myös talvehtivien lepakoiden kartoituksen ja seurannan osalta automaattitallentimien menetelmää on testattu.

Linnuilla automaattista äänentunnistusta on hyödynnetty esimerkiksi LIFEPLAN –tutkimushankkeessa ja Muuttolintujen kevät -mobiilisovelluksen kehityksessä. Näissä hankkeissa koneoppimisen tueksi on käytetty kansalaistieteen panosta eli vapaaehtoiset ovat tunnistaneet äänitteiltä lintulajeja ja sillä tavoin luoneet menetelmälle opetusaineistoa.

Lisäksi automaattista äänentunnistusta testataan Luomuksen ja Jyväskylän yliopiston tutkimushankkeissa, joissa tehdään menetelmävertailua samoilla paikoilla tehtyyn pesimälinnuston perinteisin menetelmin tehtävään seurantaan. Myös petolintujen reviirin asutetuksi toteamisessa on testattu audiotallennusmenetelmiä, mutta toistaiseksi ne vaativat jatkokehittämistä.

Hahmontunnistus

Hahmontunnistusta käytetään hyväksi luontotiedon keruussa monissa eri tarkoituksissa. Esimerkiksi harrastajille on tarjolla useita erilaisia sovelluksia, jotka tunnistavat lajeja käyttäjän ottamista valokuvista. Ne perustuvat tekoälyyn, joka vertaa kuvan yksityiskohtia ja yksityiskohtien suhteellisia sijainteja suureen määrään kuvia, joissa esiintyvä laji on tiedossa. Sovellukset laskevat usein varmuuksia siitä, että käyttäjän ottamassa kuvassa on jokin kyseiselle tekoälysovellukselle jo opetetuista lajeista. Automaattisen hahmontunnistuksen mallit kehittyvät koko ajan ja kehitystyössä ovat mukana myös sovellusten käyttäjät, jotka voivat tunnistaa lajeja kuvista ja näin opettaa tekoälymallia.

Esimerkiksi kansalaisille ilmaiseksi käytössä oleva iNaturalist-sovellus tunnistaa lajeja käyttäjän ottamista kuvista ja äänitteistä tekoälyn avulla. iNaturalistissa sovelluksen tunnistuksen varmistavat muut käyttäjät. Keskeistä luontotiedon karttumisen kannalta on, että varmistettu tunnistus tallentuu Suomen Lajitietokeskuksen tietokantaan ja tulee sitä kautta tutkimuksen ja asiantuntijoiden käyttöön. Jyväskylän yliopiston kehittämän Muuttolintujen kevät sovelluksen avulla käyttäjät voivat saada apua lintujen äänten lajinmääritykseen, mutta hyödyttävät samalla tutkimusta, koska äänitteet ja niihin perustuvat tunnistukset ovat tutkimuksen käytössä.

Automaattista hahmontunnistusta on pilotoitu myös useissa lajiston systemaattisissa seurannoissa. Esimerkiksi eläinplanktonin seurannassa planktoneliöiden automaattista luokittelua on testattu ja otettu käyttöön menestyksekkäästi. Tasaisin väliajoin vesinäytteestä kuvan ottava automaattinen mittausasema tuottaa kymmeniä miljoonia kuvia vuodessa, joten perinteiseen lajintunnistukseen perustuva seuranta samalla intensiteetillä ei olisi mahdollista. Samoilta paikoilta saadaan monipuolisesti fysikaalisia ja kemiallisia tietoja, mikä mahdollistaa erilaisten tietojen yhdistämisen ja analysoinnin.

Lehtoimikkä (Pulmonaria obscura).
iNaturalist-sovellus tunnistaa esimerkiksi kasvilajeja käyttäjän ottamista kuvista. Kuvassa lehtoimikkä. Kuva: Terhi Ryttäri / Syke

Hahmontunnistuksen menetelmää on kehitetty ja optimoitu Suomen ympäristökeskuksen ja LUT-yliopiston välisessä yhteistyössä (Eerola ym. 2020). Vertailututkimus perinteisten eli mikroskopointimenetelmien kanssa osoitti, että syanobakteerien seurannassa menetelmä toimi hyvin (Kraft ym. 2021) ja uusimmilla menetelmillä on pystytty määrittämään jopa 98 % kuvatuista eliöistä. Jo nykyisellään kuvat siirtyvät automaattisesti tutkimuksessa käytetyltä seuranta-asemalta tietokantaan, mikä mahdollistaa lähes reaaliaikaisen syanobakteerien seurannan. Myös esimerkiksi yöperhosseurannan menetelmiä on kehitetty kansainvälisesti melko pitkälle automaattisen hahmontunnistuksen osalta (Bjerge ym. 2021) ja Suomessakin menetelmien käyttöönottoa testataan perinteisten seurantamenetelmien rinnalla.

Myös useissa muissa seurannoissa alustavaa testausta automaattisten hahmontunnistuksen hyödyntämiseksi on tehty. Kuitenkin esimerkiksi Luonnonvarakeskuksen toteuttamissa hyljeseurannoissa automaattisen hahmontunnistuksen käytön ongelmaksi on osoittautunut kallioilla lepäilevien hylkeiden värityksen vähäinen kontrasti väriltään vaihteleviin kallioihin. Valokuvista tapahtuva automaattinen hahmontunnistus ja laskenta kehittyvät nopeasti ja kehitystyössä on mukana myös kansalaistiede, jossa vapaaehtoiset tunnistavat ja laskevat yksilöitä valokuvista. Verrattuna perinteisin menetelmin tehtyyn lajistonseurantaan automaattisten laitteiden kustannustehokkuus mahdollistaa monissa tapauksissa aiempaa laajemman ja jatkuvamman seurannan.

Hylkeitä lepäilemässä kalliolla
Kallilolla lepäilevien hylkeiden hahmontunnistus on haastavaa kuvista puuttuvien kontrastien vuoksi. Kuva: Riku Lumiaro / Syke

Hahmontunnistuksen avulla voidaan lajin lisäksi tunnistaa myös yksilöitä. Erityisesti photo-ID yksilöntunnistusta on testattu ja käytetty saimaannorpalla (Koivuniemi ym. 2019) ja itämerennorpalla (Heiskanen 2022). Menetelmän automaatio on kuitenkin osoittautunut haastavaksi ja toistaiseksi yksilötason seurannassa on käytetty paljon vapaaehtoistyötä. Photo-ID yksilöntunnistusta on suunniteltu lähivuosina käytettävän kansallisella tasolla myös eräiden muiden lajien seurannassa. Yksilöntunnistus tarkentaa jo itsessään populaatiokoon arviota ja lisäksi tuottaa paljon muuta tietoa populaation rakenteesta. Yhdistettynä geneettiseen tietoon yksilöntunnistus lisää kannanarvion luotettavuutta merkittävästi.

Konehavaintojen tiedonhallintaa kehitettävä

Automaattiseen keruuseen ja määritykseen perustuvia lajihavaintoja tehdään yhä enemmän. On arvioitu, että tällaisen aineiston määrä ylittänee niin sanotuilla perinteisillä menetelmillä tehtyjen havaintojen määrän lähitulevaisuudessa. Edulliset laitteet, sekä avoimesti ja helposti käytettävät sovellukset tekevät suurten tietomäärien keräämisen mahdolliseksi. Kasvava tietomäärä edellyttää uusia menetelmiä tietojen tallentamiseen, analysointiin ja jakamiseen. Jotta tiedot pysyisivät vertailukelpoisina tekniikan kehityksestä huolimatta, menetelmien ja tiedonhallinnan huolellinen suunnittelu ja dokumentointi on välttämätöntä.

Aineiston käsittelyn eri vaiheiden kehittämisen lisäksi konehavaintojen laadun varmistaminen ja laadunvaihtelu tulee ottaa huomioon. Konehavaintojen laatu vaihtelee riippuen tiedonkeruutavasta ja analyysimenetelmästä. Siinä missä parhaimmillaan tekoälyn avulla tunnistettu havainto on tarkempi kuin ihmisen määritys, voivat tekoälyjärjestelmät aiheuttaa myös systemaattisia vääristymiä aineistoon.

Lähteet

Bjerge, K., Nielsen, J.B., Sepstrup, M.V., Helsing-Nielsen, F. & Høye, T.T. (2021) An Automated Light Trap to Monitor Moths (Lepidoptera) Using Computer Vision-Based Tracking and Deep Learning. Sensors 2021, 21, 343. https://doi.org/10.3390/s21020343

Eerola, T., Kraft, K., Grönberg, O., Lensu, L., Suikkanen, S., Seppälä, J., Tamminen, T., Kälviäinen, H. & Haario, H. (2020) Towards operational phytoplankton recognition with automated high-throughput imaging and compact convolutional neural networks, Ocean Sci. Discuss. [preprint] doi:10.5194/os-2020-62, 2020.

Heiskanen, A. (2022) Photo-ID itämerennorppien (Pusa hispida botnica) seurannassa. Pro gradu -tutkielma (40 op.), 40 s. Itä-Suomen yliopisto.

Jussila, T., Heikkinen, R. K., Anttila, S., Aapala, K., Kervinen, M., Aalto, J., & Vihervaara, P. (2023). Quantifying wetness variability in aapa mires with Sentinel-2: towards improved monitoring of an EU priority habitat. Remote Sensing in Ecology and Conservation. https://doi.org/10.1002/rse2.363

Kraft K, Seppälä J, Hällfors H, Suikkanen S, Ylöstalo P, Anglès S, Kielosto S, Kuosa H, Laakso L, Honkanen M, Lehtinen S, Oja J and Tamminen T (2021) First Application of IFCB High-Frequency Imaging-in-Flow Cytometry to Investigate Bloom-Forming Filamentous Cyanobacteria in the Baltic Sea. Front. Mar. Sci. 8:594144. doi: 10.3389/fmars.2021.594144

Koivuniemi, M., Kurkilahti, M., Niemi, M., Auttila, M., Kunnasranta, M. (2019) A mark–recapture approach for estimating population size of the endangered ringed seal (Phoca hispida saimensis). PLoS ONE 14(3): e0214269. doi:10.1371/journal.pone.0214269