Citizen science and machine learning: Interdisciplinary approach to non-invasively monitoring a northern marine ecosystem
Notice bibliographique
Résumé
Successful conservation efforts often require novel tactics to achieve the desired goals of protecting species and habitats. One such tactic is to develop an interdisciplinary, collaborative approach to ensure that conservation initiatives are science-based, scalable, and goal-oriented. This approach may be particularly beneficial to wildlife monitoring, as there is often a mismatch between where monitoring is required and where resources are available. We can bridge that gap by bringing together diverse partners, technologies, and global resources to expand monitoring efforts and use tools where they are needed most. Here, we describe a successful interdisciplinary, collaborative approach to long-term monitoring of beluga whales (Delphinapterus leucas) and their marine ecosystem. Our approach includes extracting images from video data collected through partnerships with other organizations who live-stream educational nature content worldwide. This video has resulted in an average of 96,000 underwater images annually. However, due to the frame extraction process, many images show only water. We have therefore incorporated an automated data filtering step using machine learning models to identify frames that include beluga, which filtered out an annual average of 67.9% of frames labelled as “empty” (no beluga) with a classification accuracy of 97%. The final image datasets were then classified by citizen scientists on the Beluga Bits project on Zooniverse ( https://www.zooniverse.org ). Since 2016, more than 20,000 registered users have provided nearly 5 million classifications on our Zooniverse workflows. Classified images are then used in various researcher-led projects. The benefits of this approach have been multifold. The combination of machine learning tools followed by citizen science participation has increased our analysis capabilities and the utilization of hundreds of hours of video collected each year. Our successes to date include the photo-documentation of a previously tagged beluga and of the common northern comb jellyfish (Bolinopsis infundibulum), an unreported species in Hudson Bay. Given the success of this program, we recommend other conservation initiatives adopt an interdisciplinary, collaborative approach to increase the success of their monitoring programs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».