Tutkapohjaista hyönteislaskentaa

Hyönteisten biologisen monimuotoisuuden seuranta riittävän korkealla resoluutiolla ajassa ja paikassa on ratkaisevan tärkeää maaekosysteemien vankan ja reagoivan hallinnan tukemiseksi.

Trinity College Dublinin ja tutkijat ovat kehitelleet tutkapohjaista lähestymistapa yksittäisten pölyttävien hyönteisten taksonomiseen luokitteluun käyttäen millimetriaaltosignaaliteknologiaa (mmWave) ja hierarkkista koneoppimiskehystä (ML).

Vaikka koneoppimiseen perustuvaa lajien tunnistusta on ehdotettu kuvajärjestelmille, sen soveltaminen hyönteisten seurantaan ja luokitteluun on edelleen rajallista johtuen suuresta alttiudesta huonolle kuvanlaadulle ja vaihteleville valaistusolosuhteille.

Millimetriaaltojärjestelmien potentiaali hyödyntää koneoppimista hyönteislajien tunnistamisessa on kuitenkin suurelta osin tutkimatta.

Millimetriaaltotutka tarjoaa pääsyn biomekaanisiin ominaisuuksiin, jotka eivät ole näkyvissä ihmissilmälle tai kameroille. Nämä ominaisuudet koodataan hyönteisten siiveniskujen tuottamiin harmonisiin kuvioihin ja ne heijastuvat tutkasignaaliin.

Kehitetyllä hierarkkisella koneoppimismallilla saavutettiin 85 %:n tarkkuus viiden keskeisen pölyttäjälajin luokittelussa.

Vaikka tässä tutkimuksessa osoitettiin viiden keskeisen lajin luokittelu, tätä määrää on mahdollista kasvattaa merkittävästi, kun yhä useampia millimetriaaltotunnisteita, mukaan lukien eri lajien mikro-Doppler-spektrit, tallennetaan ja jaetaan julkisesti.

Lisäksi, koska tämä lähestymistapa perustuu datapohjaiseen malliin lajikohtaisten matemaattisten mallien sijaan, se on mukautuva ja skaalautuva, minkä ansiosta se voi luokitella monenlaisia hyönteislajeja ilman erikoistuneiden mallien tarvetta.

Viime kädessä tavoitteemme on luoda globaali hyönteisten tutkatunnisteiden tietokanta, joka mahdollistaa minkä tahansa hyönteisen välittömän luokittelun järjestelmän kantaman sisällä. Tämän lähestymistavan luotettavuuden vahvistamiseksi tulevassa työssä sisällytetään laajempia arviointistrategioita, kuten ristivalidointia ja toistuvia kokeita, sekä menetelmiä luokkaepätasapainon lieventämiseksi, erityisesti aliedustettujen lajien osalta.

Aiheesta aiemmin:

Kuinka mato nappaa lentävän kärpäsen

Hyönteisistä inspiroidut liiketunnistin ja logiikka