A vadállomány nagyságának pontos felmérése, és változásának nyomon követése mindig is a vadgazdálkodás egyik legnagyobb kihívása volt.
Különösen igaz ez akkor, ha egy adott területen járványügyi vagy állománykezelési okokból szigorú intézkedésekre van szükség. Az afrikai sertéspestis (ASP) elleni küzdelem – a házisertés állományok betegségtől való megóvása – érdekében több évvel ezelőtt már bevezetésre kerültek a vaddisznóállomány nagymértékű csökkentésére vonatkozó intézkedések. A vadászatra jogosultak által végrehajtott gyérítés eredményességére eddig az általuk elkészített vadállománybecslési jelentésből és a teríték adatokból lehetett következtetni. Egy nemrégiben a Nemzeti Élelmiszerlánc-biztonsági Hivatal (Nébih) által megvalósított projekt során Baranya vármegye országhatártól mért 10 kilométeres zónájába tartozó vadgazdálkodási egységek vaddisznóállományát mérték fel. A kutatásban egy olyan 21. századi, csúcstechnológiás módszert alkalmaztak, amely alapjaiban reformálhatja meg a hagyományos vadállomány-becslést: a légi hőkamerás felvételek és a mesterséges intelligencia kombinációját.
Mi az az UAV TIR technológia?
A rövidítés első fele (UAV - Unmanned Aerial Vehicle) a pilóta nélküli légijárműveket, azaz a drónokat jelenti, míg a TIR (Thermal Infrared) a hőkamerás érzékelőkre utal. A drónos felmérés legnagyobb előnye, hogy képes nagy területeket gyorsan, az állatok zavarása nélkül átvizsgálni. A hőkamerák alkalmazására leginkább a naplemente és napfelkelte közötti időszak az ideális, amikor már nincs besugárzás. A drónra szerelt TIR szenzor (hőkamera) nem a látható fényt, hanem a testek által kibocsátott infravörös sugárzást, azaz a hőt érzékeli. Nappal a napsugárzás felmelegíti a talajt, a sziklákat, a növényzetet és a fák törzsét. Ez a felmelegedett környezet a hőkamerán keresztül nézve rengeteg úgynevezett „hőzajt” generál, egy összefüggő, meleg foltokkal teli háttérként jelenik meg. Egy ilyen környezetbe a melegvérű vad teste vizuálisan szinte beleolvad, a szoftver pedig nehezebben tudja elkülöníteni a környezetétől.
Éjszaka a háttér (növényzet, talaj stb.) gyorsan lehűl. A melegvérű emlősök, mint a vaddisznó és a szarvas, eközben természetesen megtartják 37-38 Celsius-fok körüli állandó testhőmérsékletüket. Ez a jelentős hőmérsékleti kontraszt – a lehűlt, sötét háttér és a vad meleg teste között – az, ami miatt az állatok éjszaka szinte „világítanak” a hőkamera képernyőjén. Fontos, hogy a módszer elsősorban a lombmentes időszakban alkalmazható eredményesen, mivel ekkor alacsony a növényzet kitakarása. Az éjszakai repülésekhez speciális műveleti engedély szükséges, és a tervezésnél figyelembe kell venni a területen található légtérkorlátozásokat is. Egyszerre akár több drónnal is le lehet repülni egy-egy nagyobb területet így növelhető a területi teljesítmény.
Hogyan működnek az éjjellátó hőkamerával felszerelt drónok?
A feladathoz ipari csúcskategóriás szenzorokat használtak, amelyek képességei messze túlmutatnak egy hagyományos éjjellátón. A jelenleg a kereskedelmi forgalomban kapható legnagyobb érzékenységű DJI Zenmuse H30T drónos hőkamerás rendszert alkalmazták, amely magában foglal egy 12 megapixeles széles látószögű kamerát, egy 20 megapixeles, 23-szoros hibrid zoom kamerát, egy lézeres távolságmérőt és egy hőkamerát is. Objektívje egy fix, 24 milliméteres gyújtótávolságú lencse. A hőképalkotáshoz a korábbiaknál négyszer nagyobb, 1280x1024-es felbontást biztosít, ráadásul a mérési hőtartománya -20°C-tól egészen 1600°C-ig terjed. A terepi felbontás (GSD) azt mutatja meg, hogy a digitális képen egyetlen képpont (pixel) a valóságban mekkora fizikai területet fed le a talajon. Ha a GSD értéke például 3 cm/pixel, az azt jelenti, hogy a hőkamerás felvételen minden egyes apró négyzet egy 3x3 centiméteres foltot ábrázol. Minél kisebb ez a szám, annál élesebb, részletgazdagabb a kép, és annál könnyebben ismeri fel a vadat a mesterséges intelligencia. A GSD alapvetően három dologtól függ: a repülési magasságtól, a szenzor pixelméretétől és a lencse fókusztávolságától. A 70 méteres repülési magasságnál a terepi felbontás, a hőkamera GSD-je pontosan 3,5 cm/pixel, míg 90 méteres repülési magasságnál: 4,5 cm/pixel-re módosul.
Ezek az értékek ipari viszonylatban is rendkívül jónak számítanak (sok régebbi hőkamera csak 10-15 cm/pixel értéket produkál ilyen magasságból). A területet pásztázó módban vizsgálták át: ha az élőképen a kezelő a hőfelvételen egy előre beállított küszöbértékű objektumot – azaz gyaníthatóan vadat – észlelt, megszakította az automatikus repülést, és a célterületet több irányból is felvételezte. A rendszer minden felvételhez rögzíti az időbélyeget és az aktuális navigációs és GPS adatokat.
A digitális vadőr: Mélytanulásos (Deep Learning) módszer és a YOLO modell
Bármilyen kiváló is egy drón kamerája, a sokórányi éjszakai repülés során keletkező sok ezer hőképet az emberi szem számára rendkívül fárasztó és lassú folyamat lenne egyesével kielemezni. Továbbá egy-egy állományról több felvétel is készül. Itt lép be a képbe a mesterséges intelligencia, pontosabban a gépi mélytanulás (Deep Learning) algoritmusa. A vizsgálat során a vad felismerésére a YOLO (You Only Look Once – "Csak egyszer nézel rá") nevű modellt használták. Ez egy valós idejű objektum detekciós algoritmus, amely rendkívül gyors, mivel a teljes képet egyszerre dolgozza fel.
A YOLO modell a hőkamerás képet egy képzeletbeli, többnyire 7x7-es rácsra osztja fel. Minden egyes kis cella felelős azért, hogy detektáljon egy objektumot, amennyiben az adott vad (pl. egy szarvas) testének középpontja pont abba a cellába esik. A cellák úgynevezett határoló dobozokat (bounding boxokat) rajzolnak a gyanús hőfoltok köré. Minden ilyen dobozhoz a gép hozzárendel egy "konfidencia", azaz megbízhatósági értéket, amely százalékosan kifejezi, mennyire biztos a dolgában a szoftver. A program nemcsak bekeretezi a foltot, de a betanított minták alapján felismeri a vad faji jellegzetességeit, és felcímkézi azt (például vaddisznó, gímszarvas). Mivel egy állatot több doboz is keretezhet egyszerre, a program a végén a legmagasabb megbízhatóságú dobozt tartja meg, a többit törli (ezt hívják Non-Maximum Suppression-nek).
A modell óriási előnye a sebessége és az, hogy nem kell előzetesen kijelölni neki, hol keresse a vadat. Egyetlen gyenge pontja, hogy a rácsos felosztás miatt a nagyon kis méretű objektumokat – például az aljnövényzetben megbújó kismalacokat – rosszabbul kezeli. A rendszer tanításához a szakemberek a drónok által készített részletgazdag felvételeket használták fel. A vaddisznók esetében egy kondáról 3-10 különböző szögben is készült kép, így több száz darabos alap adatbázist hoztak létre, amit aztán mesterségesen tovább bővítettek. A korábbi, elsősorban zártkertben tartott állományokról készített felvételek segítségével a hazánkban leggyakrabban előforduló többi nagyvad (gímszarvasok, dám, muflon, őz) felismeréséhez is hasonló méretű adatbázist állítottak össze, így a képosztályozás tetszőlegesen alkalmazható bármilyen nagyvadra.
Eredmények a terepen: vadállomány becslés a Dráva mentén
A 2026-os tesztrepülések egy igen kiterjedt, összesen 18 842 hektáros területen történtek. A vizsgálatba öt vadgazdálkodási egységet vontak be, a repülések a március 21-24. között a naplemente utáni időszakban történtek.
Mit látott a mesterséges intelligencia?
A továbbfejlesztett betanításnak köszönhetően az algoritmus rendkívül magas megbízhatósággal vizsgázott: a gímszarvas és a vaddisznó osztályok esetében átlagosan 93,5%-os pontosságot (mAP@0.5) mutatott.
A vaddisznó törzsállomány felmérése alapján az említett területeken összesen 75 kifejlett (kan, koca, süldő) vaddisznót és 74 malacot azonosítottak. Érdekes szakmai tapasztalat volt a malacok esete. Mivel a malacok kisebbek, és gyakran takarásban mozognak, a szoftveres felismerés pontossága náluk – ahogy azt a YOLO modell sajátosságainál is említettük – alacsonyabb, körülbelül 60 százalékos volt. A projektről készült jelentés kiemeli, hogy emiatt a malacok száma a valóságban jóval magasabb lehetett. Magát a vaddisznó törzsállományt azonban 90% körüli pontossággal osztályozta a gép. Zaláta térségében a drón végigkövetett egy kondát, amely éppen a hazai területről vándorolt át Horvátországba.
A gímszarvasok számlálása még ennél is pontosabb volt. Mivel a gímszarvas nagyobb testméretű és az éjszakai órákban leginkább a nyílt szántó- vagy gyepterületeken tartózkodtak, az osztályozási pontosságuk elérte a 98 százalékot.
Összegzés
Az éjszakai időszakban, a nagy teljesítményű hőkamerás drónok és a rájuk épülő öntanuló algoritmusok olyan felbecsülhetetlen értékű eszközt adnak a vadgazdálkodók kezébe, amellyel a korábbiaknál sokkal pontosabb. Objektívebb képet kaphatnak a terület vadeltartó képességéről, a populációk mozgásáról és az állományösszetételről. A technológia rohamléptekkel fejlődik, és ahogy az a fentiekből is látszik, a jövő vadgazdálkodásában az égen pásztázó drónok mindennapos segítőtársak lesznek a pontos és gyors vadlétszám meghatározásában.
Szerző: dr. Burai Péter a projekt szakmai közreműködője, tudományos főmunkatárs Debreceni Egyetem Távérzékelési Szolgáltató Központ; Nébih