Revolutie in dieronderzoek: mobiele camera's brengen vogelgedrag in kaart!

Revolutie in dieronderzoek: mobiele camera's brengen vogelgedrag in kaart!

Onderzoekers van de Konstanz Cluster of Excellence “Collective Behavior” hebben een innovatief mobiel camerasysteem ontwikkeld genaamd “3D-SOCS”. Dit systeem is ontworpen om gedetailleerde gegevens vast te leggen over het gedrag van dieren in hun natuurlijke habitat en maakt nauwkeurige, markerloze 3D-tracking van de houdingen en bewegingen van meerdere vogels tegelijk mogelijk. Tot nu toe heeft 3D-tracking zich vooral gericht op binnenruimtes of op dieren in gevangenschap. Het nieuwe systeem is gepubliceerd in het gerenommeerde tijdschrift Methods in Ecology and Evolution en vertegenwoordigt een vooruitgang in het onderzoek naar diergedrag.

Het gebruik van 3D-SOCS vond plaats in een bos nabij het Max Planck Instituut voor Gedragsbiologie in Möggingen. Tijdens een veldexperiment werden visuele stimuli zoals meelwormen en opgezette vogels gepresenteerd om de reacties van de vogels te observeren. Met de verkregen gegevens kunnen conclusies worden getrokken over het gebruik van het gezichtsveld en de lateralisatie van de vogels. Het systeem kan ook worden gebruikt om het lichaamsvolume van de dieren te schatten, wat als benadering voor hun gewicht dient. Wat vooral opvalt is dat de gegevensverzameling niet-invasief is, wat betekent dat de dieren niet gevangen hoeven te worden.

Technologische innovaties en ecologische monitoring

Het 3D SOCS-systeem vertegenwoordigt een open platform. Hardwareplannen en softwarepijplijnen zijn openbaar beschikbaar, waardoor een brede wetenschappelijke gemeenschap de technologie kan gebruiken. Dit systeem bevordert synergieën tussen laboratorium- en veldonderzoek en dicht de kloof tussen gecontroleerde studies en ecologisch valide veldobservaties. Het wordt gefinancierd door de Duitse Onderzoeksstichting (DFG) en het Zwitserse Staatssecretariaat voor Onderwijs, Onderzoek en Innovatie (SERI) en werkt op batterijen, dus het is ontworpen voor gebruik in het veld.

De auteurs van de onderliggende studie, waaronder Michael Chimento en Alex Hoi Hang Chan, willen grote sets gedragsgegevens verzamelen over wilde dieren in natuurlijke habitats. Met behulp van de modernste sensortechnologieën zoals GPS en passieve transpondertags worden de kwaliteit en reikwijdte van gedragsgegevens aanzienlijk verbeterd. Vooruitgang op het gebied van machinaal leren en computervisie maakt bijzonder nauwkeurige metingen mogelijk die kunnen concurreren met gecontroleerde laboratoriumomstandigheden.

De rol van algoritmen voor beeldanalyse

Naast de ontwikkelingen in Konstanz hebben onderzoekers van het Universitair Instituut voor Neuro-informatica en ETH Zürich een beeldanalyse-algoritme ontwikkeld om de analyse van video-opnamen in gedragsstudies te automatiseren. Dit algoritme maakt gebruik van computervisie en machinaal leren om individuele dieren te onderscheiden en gedrag zoals nieuwsgierigheid en angst te detecteren. De bijzondere kracht van het algoritme ligt in de snelle en geautomatiseerde evaluatie van video-opnamen, waardoor de reproduceerbaarheid en validiteit van onderzoeksresultaten wordt vergroot.

De methode is getraind met behulp van video-opnamen van zowel muizen als makaken, maar is universeel toepasbaar. Van het monitoren van abnormaal gedrag in de veehouderij tot het analyseren van complexe sociale interacties in dierengemeenschappen: dit algoritme heeft een brede toepassing. Samen met de dierentuin van Zürich heeft dit initiatief tot doel de veehouderij te verbeteren en geautomatiseerd gedragsonderzoek tot stand te brengen. ETH-professor Yanik is van plan deze techniek te gebruiken in zijn onderzoek naar imitatieleren.

De vooruitgang die door deze technologieën wordt geboekt, zou aanzienlijk kunnen bijdragen aan het verdiepen van ons begrip van het gedrag van dieren in het wild en daarmee ook aan het verbeteren van de basis voor de bescherming en het behoud van bedreigde diersoorten.