機械学習はクジラを救うことができるか？PNWの研究者はテクノロジーツールを使ってシャチを監視する

シャチの飼育は容易ではありません。天敵がいないにもかかわらず、この驚異的な哺乳類は多くの深刻な脅威に直面しています。そのほとんどは、近隣に住む人間によって引き起こされています。私たちがシャチの個体群に及ぼす圧力を理解することは、シャチの継続的な生存に貢献する環境政策の決定にとって非常に重要です。

幸いなことに、シーライフ・レスポンス・リハビリテーション・リサーチ（SR3）のホリー・ファーンバック氏やオレゴン州立大学のジョン・ダーバン氏といった海洋哺乳類研究者たちは、サリッシュ海に生息する南部定住型シャチ（SKRW）の個体群の状態を定期的に監視することに尽力しています。Jポッド、Kポッド、Lポッドと呼ばれるこれらのシャチの群れは、数千年にわたってサリッシュ海を回遊してきました。しかし近年、その数はわずか75頭にまで減少し、2021年には新たに1頭の子シャチが誕生しました。これは、SRKWの個体数としては過去30年間で最低の数字です。

ファーンバック氏とダーバン氏は10年以上にわたり、シャチの空中画像を撮影するための写真撮影調査を行ってきました。2008年からは有人ヘリコプターによる画像調査が行われ、2014年からは無人ドローンへの移行が始まりました。

遠隔操作ドローンがクジラの上空100フィート（約30メートル）以上を飛行し、群れのクジラそれぞれを、個別または集団で撮影します。ドローンにはレーザー高度計も搭載されているため、正確な距離が分かるため、クジラの体格を非常に正確に算出できます。撮影された画像は「写真測量による健康評価」と呼ばれる方法で分析されます。この評価は、妊娠の兆候や栄養失調による著しい体重減少など、個々のクジラの健康状態を判断するのに役立ちます。

「調査ツールとして、ドローンは非常に費用対効果が高く、非侵襲的な調査を可能にします」とファーンバック氏は述べた。「個人の健康状態の低下を検知した場合、これらの定量的な健康指標を管理機関に提供することができます。」

しかし、画像収集段階は比較的安価である一方で、データ処理にはコストと時間がかかります。1回の飛行で2,000枚の画像が撮影され、調査ごとに数万枚の画像が撮影されます。ドローンによる作業の後、各シーズンの画像バッチの分析を手作業で完了させるのに通常約6ヶ月かかります。

飢えや妊娠中であれば、半年というのは明らかに非常に長い期間です。だからこそ、SR3とVulcanの新しいパートナーシップは非常に重要なのです。両組織は協力して、データをより迅速に処理するための新しいアプローチを開発しました。水生哺乳類写真測量ツール（AMPT）は、機械学習とエンドユーザーツールを活用することで、この手間のかかるプロセスを加速させ、すべての画像の分析、識別、分類に必要な時間を大幅に短縮します。

この問題に機械学習技術を適用することで、既に大きな成果が得られており、6か月かかるプロセスがわずか6週間に短縮され、さらなる改善の余地も残されています。機械学習は、経験とデータの活用を通じてパフォーマンスを向上させることができるコンピューティングの一分野です。Vulcan社によると、処理時間の短縮により、「懸念されるクジラをより迅速に特定し、管理グループに健康指標を提供して、適応的な意思決定を可能にする」ことが可能になります。

「私たちは、主に海洋の健全性と保全を通じて、世界をより良い場所にし、より良い未来へと残していくことを目指しています」と、Vulcanの機械学習チームマネージャー、サム・マッケノック氏は述べています。「SR3と提携し、これは素晴らしいユースケースだと気づきました。彼らは膨大な既存データを抱えており、ワークフローの自動化に支援を必要としていたのです。」

AMPTは4つの異なる機械学習モデルに基づいています。まず、シャチ検出器はシャチが写っている画像を識別し、それぞれのシャチを囲むボックスを配置します。次の機械学習モデルはシャチの体全体の輪郭を描き出します。このプロセスは機械学習分野では「セマンティックセグメンテーション」と呼ばれています。その後、ランドマーク検出器がシャチの吻（吻部）、背びれ、噴気孔、眼帯の形状、尾ひれの切れ込みなどを検出します。これにより、ソフトウェアはシャチの体の様々な部分の形状と比率を測定・計算することができます。

特に興味深いのは、シャチの顔面脂肪の蓄積量が非常に少ないために、海洋生物学者が「ピーナッツヘッド」と呼ぶ頭部のへこみが生じているかどうかです。これは、シャチが体脂肪を大幅に失い、飢餓の危機に瀕している場合にのみ現れます。

最後に、4つ目の機械学習モデルは識別器です。クジラの背びれの後ろにある灰色の鞍型の形状は指紋のようにそれぞれ異なり、群れの中の個体をそれぞれ識別することができます。

こうした自動化には、多種多様な情報が必要です。幸いなことに、Vulcan は SR3 の過去の手作業の一部を活用して、機械学習モデルをブートストラップすることができました。

「私たちが本当に望んだのは、顧客が抱える悩みを理解し、自分たちが提供したいツールではなく、顧客が必要とするツールをどのように提供できるかということです」とマッケノック氏は語った。

AMPTは成功を収めていますが、機械学習モデルにはまだ組み込まれていない知識や情報が数多くあります。そのため、一部の機械学習処理では、ユーザーを半教師あり学習（Supplied Learning）で介入させる必要があります。このインターフェースは、ユーザー入力を高速化し、異なるユーザーによる測定を標準化します。

マッケノック氏は、今後数サイクルにわたってバッチ処理ごとに成果が得られると考えています。そのため、精度、ワークフロー、計算時間の面でパフォーマンスを継続的に向上させ、最終的にはプロセス全体が数週間や数ヶ月ではなく数日で完了することを期待しています。

AMPTは様々なレベルで政策決定の指針となる情報を提供するため、これは非常に重要です。シャチの環境に対する人間の影響は減少するどころか、むしろ増大しています。乱獲はシャチの好物であるキングサーモンをはじめとする食料源を減少させています。商業船舶や遊覧船による被害は依然として多く、過度の騒音はシャチのサケ捕獲能力を阻害しています。雨水流出やその他の汚染物質による有毒化学物質は、海洋哺乳類の健康を損ないます。個々のクジラを継続的に監視することは、シャチの健康と地域の海洋生態系の健全性を維持するために不可欠です。

Vulcan社はAMPTをオープンソース化し、海洋哺乳類研究コミュニティで独自の存在感を示す計画です。マッケノック氏は、このツールを他のシャチの個体群や様々な大型クジラ、そして将来的には小型のイルカやゼニガタアザラシにも利用できるように拡張したいと述べています。