跟踪水下物种的健康状况对于了解气候变化对海洋生态系统的影响至关重要。不幸的是，这是一个耗时的过程-生物学家使用回声测深仪进行研究，并使用声纳来确定水和物体深度，然后人工解释所产生的二维回声图。这些解释通常容易出错，并且需要像Echoview这样的昂贵软件。
幸运的是，来自加拿大维多利亚大学的一组研究科学家正在开发一种机器学习方法，用于检测声学调查数据中的特定生物目标。他们在预印本论文(“基于深度学习的用于检测鲱鱼中鲱鱼的学校的框架”)中说，他们的方法(在鲱鱼学校中进行了测试)可以显着提高环境监测的准确性。
该团队在2015年在不列颠哥伦比亚省温哥华岛附近的Discovery Passage中部署了从向下看向水面部署的设备生成的100个降噪回声图的语料库上训练了AI模型。训练了70个回声图，使用了30个回声图保留用于测试。尽管大多数表明存在鲱鱼(如“强强度”核心，垂直细长形状和其他特征所证明)，但所有这些都经过了预处理，以去除不良信号，例如小鱼。
研究人员报告说，尽管错误地对一些样本进行了分类，但三种AI模型中表现最佳的还是基准方法。不过，研究小组表示，他们的系统(可扩展至浮游动物和鲑鱼等其他规格)可实现确保“有意义”检测的性能。
他们留给未来的工作来简化架构，使其更容易扩展到新的可检测类。
“我们证明，即使使用较小的带注释的数据集，基于深度学习的解决方案也可以胜过传统的机器学习方法。我们的有希望的结果表明，通过注释更多的数据，深度学习可以有效地应用于水下声学分析中。”合著者写道。“能够长时间测量此类对象的丰度，是研究由气候变化相关现象引起的水温变化影响的强大工具。”
他们并不是第一个将AI应用于生态学的人。微软最近重点介绍了一家位于圣克鲁斯的初创公司-Conservation Metrics-该公司利用机器学习来追踪非洲大草原象。另外，一组研究人员开发了一种在Snapshot Serengeti上训练的机器学习算法，该算法可以以96.6%的准确性识别，描述和计数野生生物。英特尔的TrailGuard AI系统通过使用离线设备上AI算法检测嵌入式摄像机的运动来防止偷猎。昆士兰大学的科学家使用Google的TensorFlow机器学习框架来训练一种算法，该算法可以自动检测海洋图像中的海牛。