Hert of zwijn? Agouti helpt om dit voor miljoenen beelden vast te leggen

In 2009 bestudeerden Yorick Liefting en Patrick Jansen Midden-Amerikaanse zoogdieren met behulp van wildcamera’s. Het handmatig bekijken en verwerken van de vele duizenden foto’s was een tijdrovende taak. In samenwerking met INBO begonnen zij daarom software te ontwikkelen om beelden te beheren en efficiënt te analyseren. Toen collega-onderzoekers interesse toonden in de software besloten zij het platform open te stellen.

Het nieuwe platform kreeg de naam van de toen meest waargenomen diersoort: Agouti, en groeide in 15 jaar tijd van één naar bijna duizend projecten. Nu is Liefting onderzoeksmedewerker bij de leerstoelgroep Wildlife Ecology and Conservation en beheerder en ontwikkelaar van Agouti. Patrick Jansen is er hoofddocent en projectleider. Sinds voorjaar 2023 is Ruud Borgart van Corporate Value Creation aangehaakt met als doel om Agouti toekomstbestendig te maken zodat het platform kan doorgroeien tot dé oplossing voor wildcamera’s.

Wat is Agouti?

Liefting: ‘Agouti is software die de beelden van bewegingsgevoelige wildcamera’s verwerkt. Dit soort camera’s zijn de laatste jaren snel populair geworden bij wetenschappers en wildbeheerders. Met wildcamera’s kun je essentiële informatie verzamelen over dierpopulaties. Welke diersoorten komen waar voor, en in welke aantallen? Hoe verspreiden zij zich? Welk gedrag vertonen zij? Je kunt dit soort gegevens die bij die beelden horen natuurlijk met de hand invoeren. Maar het kan ook veel efficiënter, dus een klein deel met de hand en de rest automatisch.

Een belangrijk doel van Agouti is het voorkomen dat beeldmateriaal, dat over de hele wereld verzameld is, verloren gaat. Daarvoor moet het op een goede en gestandaardiseerde manier worden verwerkt en in een zogenoemde data repository opgeslagen. Agouti helpt bij al deze taken, en stimuleert onderzoekers om hun data netjes te verwerken en te bewaren.‘

Hoe herkent Agouti verschillende diersoorten?

Liefting: ‘We liften mee op innovaties die je nu hebt op het gebied van Artificial Intellicence (AI). Dit werkveld ontwikkelt zich razendsnel. Technieken die voorheen slechts theorie waren, komen nu binnen bereik van ecologen. In andere woorden: de stap is gemaakt van algoritme in een wetenschappelijk artikel naar een systeem waarmee gebruikers met een muisklik automatisch soorten kunnen identificeren.'

Borgart: ‘Agouti maakt gebruikt van neurale netwerken. Zo’n netwerk bestaat uit heel veel lagen en zoekt naar patronen in de afbeelding. Om zo’n netwerk op te bouwen werk je met een gelabelde dataset, in dit geval beelden waarvan de diersoort bekend is. Deze dataset deel je op in twee delen: één deel om het netwerk op te bouwen en een ander deel om achteraf te testen hoe goed het model werkt.

Dit heet een trainingsproces, en herhaal je net zo vaak totdat het netwerk de diersoorten correct leert herkennen. Oftewel: welk percentage foto’s met een hert worden correct door het model herkend als hert? Als dit percentage voor voldoende soorten hoog genoeg is, kun je het model ook gaan toepassen op beelden waarvan nog niet bekend is wat er op staat. En in dat laatste zit de enorme winst voor onderzoekers.’

Ooit bevatte het platform dus vooral agoeti’s, maar inmiddels staan er foto’s van sneeuwluipaarden, zwijnen, jachtluipaarden, herten en allerlei andere soorten in. Waarom kiezen al deze onderzoekers en wildbeheerders voor Agouti om hun beelden te beheren en analyseren?

Liefting: ‘Vooral omdat je makkelijker en sneller bepaalde vragen kunt beantwoorden. In Nationaal Park De Hoge Veluwe hangen bijvoorbeeld al jaren tientalen wildcamera’s. Die leveren ontzettend veel gegevens op van waar dieren zich bevinden en hoeveel ervan zijn. Beheerders van het park willen bijvoorbeeld weten hoe herten hun leefgebied gebruiken, en of zij zich anders gedragen nu de wolf er is.

Veel van de beelden zijn gelabeld via crowd sourcing, dus met vrijwilligers in het project Snapshot Hoge Veluwe. Dat werkt wel, maar het zijn er een paar miljoen en het blijkt toch lastig om mensen voor langere tijd gemotiveerd te houden. AI kan een deel van het repetitieve werk uit handen nemen, want op 60 tot 80 procent van de foto’s met dieren staat het dier er goed genoeg op om betrouwbaar te herkennen.

Soms is het nog urgenter en actueler, want de Afrikaanse varkenspest maakt een opmars door Europa. Om daar iets aan te doen, moet je modelleren hoe de ziekte zich kan verspreiden. Essentiële informatie daarvoor is waar populaties everzwijnen zitten en hoe groot die zijn. De European Food Safety Authority (EFSA) wil dit beter gaan bijhouden, want nu is die informatie versnipperd of helemaal niet beschikbaar. Dan heb je een centraal systeem zoals Agouti nodig, waarin alle data over zoogdierpopulaties samenkomt, en met behulp van AI ook snel tot antwoorden kan komen.’

Borgart: ‘AI-modellen helpen zo om op de korte termijn antwoorden te vinden op allerlei vragen over biodiversiteitsverlies en klimaatverandering. WUR heeft enorm veel kennis, data en systemen, maar die bestaan vaak naast elkaar. AI betekent een versnelling. Nu er steeds meer beelden in Agouti staan, wordt het algoritme steeds beter.’

Hoe meer beelden, hoe beter het werkt dus?

Liefting: ‘Ja, Agouti heeft nu een dataset van 135 miljoen beelden, waarvan een deel gebruikt wordt om het AI systeem te trainen. Het heeft mij ook verrast hoe snel het platform is gegroeid. Elke week melden zich weer een stuk of tien nieuwe geïnteresseerden die Agouti willen gebruiken voor hun project. Elke onderzoeker blijft wel eigenaar en beheerder van de dataset, maar het AI-algoritme leert telkens bij met zo’n nieuwe dataset. En we bieden niet exclusief onze eigen AI aan; als iemand anders een bruikbaar model heeft gemaakt kunnen wij die op verzoek ook in Agouti opnemen. Op deze manier laten we onderzoekers zelf kiezen wat voor hun project het beste werkt.’

Borgart: ‘Het AI-systeem is door het collectief gecreëerd. We hebben enorm veel beelden nodig voor een effectief systeem, maar ondertussen draait het ook om een goede infrastructuur en datamanagement.’

Hoe zorgen jullie daar dan voor?

Liefting: ‘We hebben de laatste tijd bijvoorbeeld gewerkt aan betere standaarden voor de kwaliteit van de data, ook samen met andere instellingen in dit vakgebied. Onderzoekers moeten weten hoe ze de camera’s het beste kunnen ophangen en welk formaat de beelden moeten hebben, om gebruik te kunnen maken van het AI systeem. Daar hebben we nu de Camera Trap Data Package voor gemaakt. Deze standaard wordt ondersteunt door de Global Biodiversity Information Facility. Het is de volgende stap in het volwassen maken van Agouti en het FAIR maken van de data. Door Agouti te gebruiken produceer je automatisch data die makkelijk kan worden gedeeld en gepubliceerd.’

Agouti draait nu 15 jaar. Hoe zorgen jullie dat het platform blijft bestaan?

Borgart: ‘Het gaat er niet alleen om dat een systeem als Agouti werkt en impact maakt, maar we moeten ook naar de toekomst kijken. Daarom heeft het project nu subsidie van WUR gekregen om op zoek te gaan naar duurzame financiering. In de komende tien jaar willen we dat dit een van de meest relevante platforms wordt voor de monitoring van wild. We gaan Agouti professionaliseren en in de “markt” zetten. Niet voor de winst, maar om het op een duurzame manier in de lucht te houden.’