Biodiversiteit en ecosystemen
Voedseljacht vogels voorspellen met computermodellen
Een ultralichte, slimme sensor op een vogel kan zelf herkennen of het dier aan het reizen, jagen of eten is. Onderzoeker Bruce Yu ontwikkelt deze techniek om het gedrag van vogels steeds beter te kunnen begrijpen. Zo krijgen wetenschappers inzicht in hoe vogels zich aanpassen aan klimaatverandering.
“Dieren hebben altijd mijn interesse gehad”, zegt Bruce Yu. Daarom stapte hij als jonge wetenschapper over van geofysica naar het vakgebied ecologie. Yu is nu als onderzoeker verbonden aan de leerstoelgroep Experimentele Zoölogie, waar hij gebruik maakt van machine learning, een vorm van kunstmatige intelligentie, om het gedrag van vogels te doorgronden. Vliegen is een energieslurpende manier van voortbewegen en trekvogels leggen ook nog eens lange afstanden af. Dat maakt de vliegbewegingen van trekvogels interessant om te bestuderen: hoe bewegen ze zich voort, hoe gedragen ze zich en hoe gaan ze om met hun energie? Als ze veel moeite moeten doen om voedsel te vinden dat door klimaatverandering schaars is, zijn ze wellicht te uitgeput om hun jongen voldoende te voeren. Dat is van belang om te weten met het oog op natuurbescherming.
Hoe gaat Yu te werk? “Eerst observeren we het natuurlijke gedrag van een vogelsoort. Dan trainen we de computer om de vliegbewegingen te analyseren en identificeren.” Yu voert daarvoor alle gegevens over vleugelslag, snelheid en beweging in een computermodel in. Met bepaalde algoritmes leert dit model geautomatiseerd de beelden te herkennen als specifiek gedrag, bijvoorbeeld jagen of eten. De kern van Yu’s onderzoek is ervoor te zorgen dat dit zelfstandig lerende programma zo klein is, dat het past op een datalogger die meelift op een vliegende vogel. “We zorgen ervoor dat het computermodel zo min mogelijk ruwe data hoeft op te slaan, door die gegevens ‘aan boord’ (van de vogel, red.) meteen al te verwerken. Zo is het een slimme on board tracker die ervoor zorgt dat we een dier gedurende langere tijd en in meer detail kunnen volgen.”
‘Met dataloggers volgen we de trekvogels gedurende langere tijd en in meer detail’
Opslag en verwerking van data zo dicht mogelijk bij de bron van die data is een voorbeeld van edge computing. Dat is een enorme verbetering ten opzichte van de welbekende zendertjes waarmee onderzoekers al jaren vogels volgen. Yu: “Het voordeel is dat je minder data hoeft te versturen of op te slaan. Dat bespaart energie op de batterij zodat de datalogger langer in bedrijf is.”
Bovendien, zegt hij, maakt edge computing het mogelijk om directer te reageren op de live gegevens. Dit gebeurt al in de landbouw, waar het een duidelijk doel heeft. Als een koe met zo’n sensor abnormaal gedrag vertoont en misschien ziek wordt, stuurt de datalogger een bericht naar de boer op zijn mobiel, zodat hij direct kan ingrijpen.
Voor natuurbeschermers kan edge computing veel nut hebben in de strijd tegen stropers, omdat je snel veel data verzamelt die je met weinig vertraging doorstuurt. Yu licht toe: “Dan gaat het om signalen zoals GPS-locatie, beelden van cameravallen waarop mensen te zien zijn, of gedrag van dieren in het wild dat je via bewegingssensoren kunt interpreteren.
Gecombineerd met moderne telecommunicatie kun je rangers veel sneller waarschuwen dat er stropers actief zijn dan met traditionele methoden.”
Yu gebruikt de slimme dataloggers om het gedrag van de bonte vliegenvanger te begrijpen, een trekvogel die van eind april tot in juni in ons land broedt. Vanaf een zitpost maken ze korte snelle vluchten achter insecten aan, die ze in volle vaart vangen. Hoe voeren ze die capriolen uit, hoe vaak doen ze dat, en hoe houdt het dier daarbij zijn energiebalans op peil?
Het computermodel kan verschillende soorten gedrag onderscheiden, zoals jagen, insecten inslikken, van zitpost naar zitpost vliegen of naar een ander gebied reizen. Yu analyseert hoeveel snelle vangmanoeuvres het dier maakt en hoeveel ervan succesvol zijn. “We willen leren hoe goed de vliegenvangers zijn in het vangen van de prooi die ze aan hun kuikens voeren. Dat heeft invloed op het broedsucces. We zien dat mannetjes en vrouwtjes daarin vergelijkbaar scoren.
Gegevens uit dataloggers laten zien hoe dieren zich aanpassen aan klimaatverandering
De resultaten vertellen meer over de beschikbaarheid van voedsel, de timing van broeden en de fitheid van de vogels. “Zo kun je een relatie leggen tussen het vluchtpatroon en het broedgedrag”, legt Yu uit. Daaruit trekken de onderzoekers conclusies over de mate waarin de bonte vliegenvanger zich kan aanpassen aan veranderende omstandigheden door bijvoorbeeld klimaatverandering.
Het machine learning systeem in dataloggers werkt efficiënter dan bestaande systemen. Dat is mooi, maar Yu erkent dat niet iedere onderzoeker de mogelijkheid heeft om dataloggers te programmeren. Hij vindt het dan ook belangrijk dat er meer computermodellen komen, niet alleen voor vogels maar voor diverse soorten dieren. Yu stelt zijn kennis daarom beschikbaar voor andere onderzoekers die met dataloggers werken.
Wat heeft de toekomst in petto? In de ‘boordsensor’ van de vogel zitten nu versnellingsmeters zoals die ook in een mobiele telefoon zitten. Binnenkort wil Yu daar microfoons aan toevoegen. Meeluisteren met migrerende vogels is nog maar zelden gedaan, volgens Yu. “Meeluisteren maakt het mogelijk om de communicatie van vogels tijdens de migratie te bestuderen. Maar om nuttige informatie uit audiosignalen te halen heb je meer rekencapaciteit nodig. Bovendien kost het opslaan van geluid veel geheugen. Met edge computing kunnen we ook hier de omvang van de ruwe data beperken. We slaan niet alles meer op maar de logger verwerkt de verzamelde gegevens ‘live’ bij de vogel zelf.” Hij denkt inmiddels al verder aan de volgende stap: “Wie weet, het toevoegen van video.”
Deel dit artikel
WIE Bruce Yu, onderzoeker
ONDERZOEK Real-time on-board kunstmatig-neurale-netwerkgebaseerde verwerking van sensorische gegevens
TEAM Experimentele Zoölogie
MEER INFORMATIE
Dit project hoort bij het innovatieprogramma Next Level Animal Sciences (NLAS).
Binnen dit programma werken onderzoekers van Wageningen University & Research samen met partners aan de (door)ontwikkeling van nieuwe onderzoeksmethoden en technologieën binnen het domein van de dierwetenschappen. NLAS bestaat uit drie onderzoekslijnen: sensortechnologie, complexe celsystemen en data en modellen.
