TEKST RAUNO VEEROJA, keskkonnaagentuuri eluslooduse osakonna juhtivspetsialist
Rajakaamerate ehk fotolõksude kiire areng ning hinna ja kvaliteedi oluliselt paranenud suhe on kaasa toonud nende laialdase kasutuse nii jahimeeste kui ka muidu loodushuviliste seas, vallandades omamoodi revolutsiooni eri loomaliikide seire ja teadusuuringute vallas.
Ulukite arvukuse ja asustustiheduse hindamise klassikalised meetodid on valdavalt seotud mahukate välitöödega. Ühelt poolt kasvab vajadus aina kvaliteetsemate andmete järele, teiselt poolt kahanevad paradoksaalselt vahendid selliste andmete kogumiseks. Loodusressursside majandamisel on suuremaid väljakutseid leida aina kulutõhusamaid seiremeetodeid ja tagada, et kogutav info oleks arusaadav ning eesmärgipärane.
Jättes kõrvale algsed soetamiskulud, saab klassikaliste ja valdavalt välitöömahukate loendusmeetoditega võrreldes märgatavalt madalamate kuludega koguda kaameralõksude vahendusel väärtuslikku teavet, sekkumata oluliselt (mitteinvasiivselt) loomade igapäevatoimetustesse. Põhimõtteliselt võib ühe liigutusega koguda väga mahuka andmestiku. Pane ainult kaamera üles ja info muudkui koguneb – päevi, nädalaid või isegi kuid. Ent siingi on omad “agad”.
Nende seadmete töö tulemus on sageli suur hulk ülesvõtteid, mis keegi peab läbi vaatama ja süstematiseerima. Probleem ei ole kuigi suur siis, kui kasutada korraga mõnd fotolõksu. Kui aga tööle on korraga seatud kümneid või sadu kaameraid, kasvab jäädvustuste hulk ja nende läbivaatamiseks ning analüüsimiseks kuluv aeg kiiresti. Probleemi lahendamiseks on püütud luua erinevaid arvutiprogramme, mis osaliseltki analüüsimist lihtsustaks ja kiirendaks.
Sobiva näite, kuhu viimastel aastatel selles vallas on jõutud ja milliste andmemahtudega tuleb suuremate projektide korral rinda pista, pakub üks tänavu avaldatud teadustöö. Nimelt õpetati tehisintellekt ehk õpivõimeline arvutiprogramm (deep neural network) Serengeti rahvuspargis tehtud väga erineva kvaliteediga fotodelt tuvastama 48 loomaliiki. Huvitav on märkida, et tarkvara õpetamise ja testimise eksperimendis kasutatud 3,2 miljoni foto läbivaatamiseks, liigi tuvastamiseks ja kirja panemiseks jätkunuks ühel inimesel täiskohaga tööd 8,2 aastaks (Norouzzadeh jt, 2017).
Kuidas teha vahet?
Üldjuhul oleks vaja kuidagi vahet teha ka erinevatel isenditel, et saada aimu ühe või teise loomaliigi arvukusest. See aga on juba märksa keerulisem nii inimese kui ka masina jaoks. Liikide puhul, kelle erinevad isendid üksteisest selgelt eristuvad näiteks väliste tunnuste, nagu karvastiku mustri poolest, on fotolõksud arvukuse hindamisel juba üsna levinud. Kui jätta kõrvale ülesvõtete analüüsimisega seotud suur ajakulu, on saadud arvukuse või asustustiheduse määrangud osutunud küllaltki täpseks. Enamasti ei saada kaugeltki kõiki loendatava asurkonna liikmeid fotole, vaid arvukuse väljaselgitamisel toetutakse näiteks märgistamis-taaspüügi metodoloogiale.
Analoogset meetodit saab kasutada ka juhul, kui uuritavast asurkonnast vähemalt osa isendeid eristuvad teistest. Näiteks hirvlaste isaseid on osa aastast võimalik üksteisest eristada sarvede põhjal. Eeldus on aga see, et eristatavate isendite tõenäosus kaamera ette sattuda on samasugune nagu kõigil teistelgi isenditel. See tingimus ei pruugi sugugi olla täidetud soolakuid külastavate isendite korral.
Enamasti aga pole paraku võimalik isendeid fotode põhjal üksteisest eristada. Üsna sirgjooneline lahendus oleks osa isendeid märgistada, mis valdavalt aga ei ole kuigi lihtne. Käega ei tasuks siiski lüüa, sest üha rohkem on hakatud arendama ja testima meetodeid, õigemini statistilisi mudeleid, mis võimaldaks fotolõksude abil kogutud info alusel määrata meid huvitava liigi asustustihedust, ilma et oleks vaja isendeid üksteisest eristada.
Kaubanduses on saadaval suur hulk erinevate näitajate ja kvaliteediga rajakaameraid. Nagu võrdlustestid näitavad, võib eri tootjate kaameramudelite efektiivsus isegi sarnastele tööparameetritele seadistatuna olla väga erinev. Kuigi kvaliteetsemad ja kallimad kaamerad on enamasti usaldusväärsemad, ei garanteeri ka see alati, et kõik kaamera tabamisalasse sattuvad isendid jäädvustatakse. Uuringute tulemusi võrreldes tasub kaamerate iseärasusi kindlasti silmas pidada. Ühe seire-uurimisprojekti piires tasuks andmete kogumisel pigem kasutada ühesuguseid kaameramudeleid.
Rahvateadus ja rajakaamerad
Jahimeeste ja loodushuviliste seas on rajakaameraid maailmas juba ilmselt kümnetes kordades rohkem kasutusel kui uurimisprojektides kokku. Seetõttu kaalutakse või isegi juba testitakse mitmel pool süsteeme, mis võimaldaks seda suurt infohulka kaasata ja kasutada loomapopulatsioonides toimuva jälgimiseks.
Eeskuju tasuks ehk võtta USA-s käivitunud projektist, kus üle 400 vabatahtliku osalusel koguti ja analüüsiti kahe esimese aasta jooksul üle 2,3 miljoni foto. Kõik projektis osalevad vabatahtlikud läbivad koolituse. Uuringu vajadustest lähtuvalt antakse neile kaamerate seadistamise ja paigaldamise (täpne asukoht, paigaldamise kõrgus ja nurk) detailsed juhised ning jälgimisperioodi ajapiir. Loodud on spetsiaalne andmevahetuse keskkond, pidevalt kontrollitakse kaamerate paigaldust ja määrangute kvaliteeti, välja on arendatud loomade tuvastamist hõlbustavad programmid (McShea jt 2015).
Juba praegu aitavad rajakaamerad Eesti jahimeestel saada oluliselt parema pildi sellest, millised eri liikide isendid ja isendite grupid nende jahimaadel elavad või seda aeg-ajalt külastavad. Eeldatavasti aitab kaamerate vahendusel nähtu jahipiirkonna kasutajal ka adekvaatsemalt hinnata ulukiliikide arvukust oma jahimaadel.
Tekstis viidatud kirjandusallikad
* W. J. McShea, T. Forrester, R. Costello jt. Volunteer-run cameras as distributed sensors for macrosystem mammal research. Landsc Ecol 31: 55–66, 2015.
* M. S. Norouzzadeh, A. Nguyen, M. Kosmala, A. Swanson, C. Packer, J. Clune. Automatically identifying wild animals in camera trap images with deep learning. CoRR, vol. abs/1703.05830, 2017.
