DOI: https://doi.org/10.1111/2041-210x.70213
تاريخ النشر: 2026-02-16
المؤلف: Andrea Zampetti وآخرون
الموضوع الرئيسي: علم البيئة والحفاظ على الحياة البرية
نظرة عامة
يقدم هذا القسم نظرة عامة على التحديات في تقييم الفقاريات الشجرية في الغابات الاستوائية لرصد التنوع البيولوجي، مع تسليط الضوء على قيود طرق المسح التقليدية. لمعالجة هذه القضية، يقدم المؤلفون TropiCam-AI، وهو خوارزمية مبتكرة مصممة للتصنيف الآلي للثدييات والطيور الشجرية النيوترونية. تستخدم هذه الخوارزمية بنية تعلم عميق تم تدريبها على مجموعة بيانات شاملة تتكون من 77,657 صورة من البرازيل، و48,670 من بيرو، و44,857 من كوستاريكا، و18,221 من غيانا الفرنسية، إلى جانب 53,960 صورة من علم المواطن من منصة iNaturalist لتعزيز قابليتها للتعميم والتغطية التصنيفية.
تحقق TropiCam-AI دقة اختبار ملحوظة تبلغ 95.0%، حيث أظهرت 50 من أصل 84 نوعًا أكثر من 90% من الدقة والاسترجاع، و36 نوعًا تجاوزت 95%. تمثل هذه التقدم قفزة كبيرة في تطبيق التعلم الآلي لرصد الحياة البرية الشجرية، مما قد يحول علم البيئة السلوكية، وعلم البيئة المجتمعية، وعلم الأحياء الحفظي من خلال توفير وسيلة أكثر كفاءة ودقة لتحديد الأنواع في البيئات الصعبة.
نقاش
يسلط قسم النقاش الضوء على أهمية TropiCam-AI، وهو خوارزمية رائدة في التعلم العميق مصممة للتصنيف الآلي للأنواع الشجرية في النيوتروبات. هذه الخوارزمية قادرة على تحديد 84 نوعًا، بما في ذلك 62 نوعًا، و14 جنسًا، و5 عائلات، و3 رتب، مع تغطية شاملة لجميع 24 جنسًا من الرئيسيات ذات الأنف المسطح. تعزز استراتيجية التجميع التصنيفي من قدرة النموذج على التكيف مع سيناريوهات التصنيف المعقدة من خلال السماح له بضبط الدقة التصنيفية بناءً على ثقة توقعاته. هذه المرونة ضرورية للباحثين الذين يعملون في رصد التنوع البيولوجي، حيث تستوعب الطبيعة الهرمية لتصنيف الحيوانات وتحسن دقة التقييمات البيئية.
علاوة على ذلك، تعالج TropiCam-AI الحاجة الملحة لمعالجة البيانات بكفاءة في رصد الحياة البرية، خاصة في سياق التهديدات المتزايدة للمجتمعات الشجرية من فقدان الموائل والصيد. من خلال أتمتة عملية التصنيف، تقلل الخوارزمية بشكل كبير من الجهد اليدوي المطلوب لتوضيح البيانات، مما يمكّن علماء البيئة من تقييم توزيع الأنواع وحالات الحفظ بسرعة. تضمن توفر TropiCam-AI على منصة AddaxAI إمكانية الوصول للباحثين ذوي المهارات التقنية المتفاوتة، مما يعزز اعتمادها عبر النيوتروبات ويسهل الاستجابة السريعة للتغيرات البيئية.
DOI: https://doi.org/10.1111/2041-210x.70213
Publication Date: 2026-02-16
Author(s): Andrea Zampetti et al.
Primary Topic: Wildlife Ecology and Conservation
Overview
The section presents an overview of the challenges in assessing arboreal vertebrates in tropical forests for biodiversity monitoring, highlighting the limitations of traditional survey methods. To address this issue, the authors introduce TropiCam-AI, an innovative algorithm designed for the automated classification of Neotropical arboreal mammals and birds. This algorithm utilizes a deep learning architecture trained on a comprehensive dataset comprising 77,657 images from Brazil, 48,670 from Peru, 44,857 from Costa Rica, and 18,221 from French Guiana, alongside 53,960 citizen science images from the iNaturalist platform to enhance its generalizability and taxonomic coverage.
TropiCam-AI achieves a remarkable testing accuracy of 95.0%, with 50 out of 84 taxa demonstrating over 90% precision and recall, and 36 taxa exceeding 95%. This advancement signifies a substantial leap in the application of machine learning for arboreal wildlife monitoring, potentially transforming behavioral ecology, community ecology, and conservation biology by providing a more efficient and accurate means of species identification in challenging environments.
Discussion
The discussion section highlights the significance of TropiCam-AI, a pioneering deep learning algorithm designed for the automated classification of arboreal species in the Neotropics. This algorithm is capable of identifying 84 taxa, including 62 species, 14 genera, 5 families, and 3 orders, with comprehensive coverage of all 24 genera of platyrrhine primates. The integration of a taxonomic aggregation strategy enhances the model’s adaptability to complex classification scenarios by allowing it to adjust the taxonomic resolution based on the confidence of its predictions. This flexibility is crucial for researchers working in biodiversity monitoring, as it accommodates the hierarchical nature of animal taxonomy and improves the accuracy of ecological assessments.
Furthermore, TropiCam-AI addresses the pressing need for efficient data processing in wildlife monitoring, particularly in the context of increasing threats to arboreal communities from habitat loss and hunting. By automating the classification process, the algorithm significantly reduces the manual effort required for data annotation, thus enabling ecologists to rapidly assess species distributions and conservation statuses. The availability of TropiCam-AI on the AddaxAI platform ensures accessibility for researchers with varying technical skills, promoting its adoption across the Neotropics and facilitating timely responses to ecological changes.