در غرب ایالات متحده، میلیون‌ها کیلومتر حصار کشیده شده است که می‌تواند از زمین تا ماه امتداد یابد. این حصارها که در طول قرن قبل عمدتاً برای کنترل دام تشکیل شده‌اند، مانع مهاجرت حیوانات وحشی همانند گوزن، الک و آنتیلوپ برای یافتن غذا یا فرار از برف‌های عمیق خواهد شد. حفاظت‌گران محیط زیست در تلاشند تا برخی از حصارهای قدیمی را برداشته یا جانشین کنند، اما اشکار کردن آن‌ها در گستره گسترده غرب کار سختی است. دو محقق برای پشتیبانی به این مشکل به هوش مصنوعی روی آوردند.

به نقل از سرویس اخبار فناوری تکنا، ونجینگ شو، یک محقق پسادکترا در مرکز تحقیقات تنوع زیستی و اقلیم سنکنبرگ، و ژونگی میائو، یک دانشمند تحقیقات کاربردی در آزمایشگاه هوش مصنوعی مایکروسافت برای خیر، یک کامپیوتر را برای شناسایی حصارها در تصاویر هوایی گرفته شده از هواپیماهای در حال پرواز بر فراز جنوب غربی وایومینگ، منطقه‌ای مهم برای مهاجرت آنتیلوپ و گوزن دم‌سفید، آموزش دادند. آن‌ها با بازدید تخمین‌های حصار با داده‌های نظرسنجی‌های میدانی، دریافتند که این سیستم می‌تواند نزدیک به ۷۰ درصد از حصارها را با دقت شناسایی کند. این دو نفر تصمیم دارند راه حلهای خود را برای منفعت گیری از تصاویر ماهواره‌ای گسترش دهند که می‌تواند امکان شناسایی حصارها در دیگر نقاط جهان را فراهم کند.

بن کوگر، اکولوژیست و دانشمند کامپیوتر در دانشگاه وایومینگ که از تصاویر هوایی در تحقیقات خود منفعت گیری می‌کند اما در این پروژه شرکت نداشته است، می‌گوید: «حصارها نقش بزرگی در نحوه حرکت حیوانات و سلامت محیط زیست دارند و اکنون به دست آوردن داده‌های خوب در رابطه آنچه با آن‌ها اتفاق می‌افتد زیاد دشوار است.» تیم میائو و شو «قدم خوبی در جهت انجام کاری در این عرصه برداشته است.»

حصارها زمان‌ها است که برای حیات وحش در سراسر غرب که برای یافتن بهترین زیستگاه مهاجرت می‌کنند، مشکل‌ساز بوده‌اند، همانطور که یک مطالعه تازه پافشاری کرده است. هال سویر، زیست‌شناس فناوری اکوسیستم‌های غربی، ۴۵ آنتیلوپ را با یقه رادیویی برای ردیابی حرکات آن‌ها در بخشی از دشت‌های مرتفع وایومینگ به نام بیابان سرخ جستوجو کرد. در زمستان ۲۰۲۳، بعد از ماه‌ها برف عمیق و مرطوب، بادهای شدید و دمای سرد، نیمی از آنتیلوپ‌های یقه‌دار به همراه هزاران نفر دیگر از کل گله مردند. داده‌های یقه آن‌ها نشان داد که حیوانات تلاش کرده‌اند از شرایط سخت زمستانی فرار کنند، اما به حصارها و بزرگراه بین ایالتی برخورد کرده‌اند. سویر می‌گوید یک حیوان بیشتر از ۴۰۰ کیلومتر سرگردان شده می بود اما هیچ زمان موفق نشد بیشتر از ۵۰ کیلومتر از جایی که اغاز کرده می بود دور بشود.

در برخی مناطق، مدیران حیات وحش و گروه‌های حفاظتی اغاز به حذف حصارها یا جانشین کردن آن‌ها با حصارهای دوستدار حیات وحش کرده‌اند که برای گونه‌هایی همانند آنتیلوپ برای خزیدن زیر آن و پریدن گوزن آسان‌تر است. یک مقاله در سال ۲۰۱۹ که به بازدید تأثیر حذف حصارها در آلبرتا، ساسکاچوان و مونتانا پرداخت، نشان داد که از آنجایی که آنتیلوپ‌ها از حصارها به شدت اجتناب می‌کنند، حذف مانع ها می‌تواند دسترسی به علوفه با کیفیت بالا برای حیوانات را تا ۳۸ درصد در زمین‌های عمومی و خصوصی افزایش دهد.

با این حال، هنگامی نمی‌دانید حصارها کجا می باشند، حذف یا معاوضه سیستماتیک آن‌ها می‌تواند دشوار باشد. شو که برای آخر‌نامه دکترای خود در دانشگاه کالیفرنیا، برکلی، بیشتر از ۷۰۰۰ کیلومتر حصار را از طریق بازدید‌های میدانی در جنوب غربی وایومینگ نقشه برداری کرده است، می‌گوید: «آژانس‌های دولتی در برخی مکان‌ها اسبق دارند و در برخی دیگر ندارند.»

برای تشکیل یک فهرست بهتر، او با میائو همکاری کرد تا روشی برای شناسایی قسمت‌های بزرگی از حصارها از راه دور گسترش دهد. تا بحال، آن‌ها روی عکس‌های گرفته شده از هواپیماهایی که وضوحی تا ۶۰ سانتی‌متر در هر پیکسل دارند، تمرکز کرده‌اند. میائو مدل یادگیری عمیق را آموزش داد تا با منفعت گیری از داده‌های میدانی کار شو در وایومینگ، به جستوجو حصارها در هر پیکسل باشد. میائو نتایج را «واقعاً امیدوارکننده» می‌داند اما محدودیت‌های اولیه از جمله مواردی را که مدل جاده‌ها را با حصار نادرست گرفته است، می‌پذیرد. او و شو اکنون به جستوجو همکاری با افرادی می باشند که بتوانند تصاویر با وضوح بالاتر جمع‌آوری کنند و مدل را روی آن‌ها آموزش دهند تا آن را دقیق‌تر کنند.

بن واینشتاین، اکولوژیست بینایی کامپیوتر در دانشگاه فلوریدا که در این تحقیق شرکت نداشته و نتایج را بازدید نکرده است، می‌گوید نرخ پیروزی ۷۰ درصدی برای پروژه‌های اولیه با منفعت گیری از هوش مصنوعی برای پشتیبانی به سؤالات حفاظتی نسبتاً معمول است. او اضافه می‌کند که از این نوع پروژه‌ها نباید برای جایگزینی مشاهده انسانی منفعت گیری کرد، بلکه باید به گروه‌های حفاظتی و مدیران زمین ابزار بیشتری برای تصمیم‌گیری داد.

ساویر که قبلاً با شو همکاری کرده می بود اما در این پروژه شرکت نداشت، نیز امیدوار است. اما او آرزو می‌کند که این روش بتواند اطلاعات دقیق‌تری در رابطه حصارها اراعه دهد. او می‌گوید: «فهمیدن انواع و ارتفاع سیم‌ها به ما امکان می‌دهد تعیین کنیم که آیا آن‌ها برای بازی‌های بزرگ مشکل‌ساز می باشند یا خیر.» میائو می‌گوید تصاویر ماهواره‌ای می‌توانند برای تشخیص بین انواع مهم حصار همانند چوب در روبه رو سیم منفعت گیری شوند، اما امکان پذیر جزئیات کافی برای تشخیص بین سیم بافتنی یا خاردار را نشان ندهند.

بعد از تکمیل مدل خود، میائو و شو تصمیم دارند آن را در کل گستره غرب ایالات متحده و سپس چمنزارها و مراتع سراسر جهان، از جمله کشورهایی همانند تبت، استرالیا و کنیا، اعمال کنند. اما کوگر می‌گوید، اگرچه هوش مصنوعی می‌تواند در یادگیری الگوها خوب باشد، اما می‌تواند در استخراج این الگوها به محیط‌های تازه مشکل داشته باشد. او می‌گوید: نگاه داشتن آن شوق‌انگیز خواهد می بود.