Летопись в цифре

Более 80 лет в российских заповедниках и национальных парках ведется «Летопись природы» — уникальный архив наблюдений за экосистемами, который пережил несколько поколений ученых, но до сих пор во многом существует на бумаге. Сегодня этот массив данных, сопоставимый с десятками миллионов записей, наконец-то переводится в цифру. При поддержке Президентского фонда природы и ИТ-гигантов начинается создание единой цифровой среды для всех особо охраняемых природных территорий.

Но зачем переводить в электронный вид то, что десятилетиями бережно хранили в папках и таблицах? Как нейросети учатся различать бокоплава от личинки хирономиды, почему байкальский проект «Точка №1» стал золотым фондом для машинного обучения и сможет ли искусственный интеллект когда-нибудь заменить полевого биолога — в нашем интервью с экспертами, которые стоят у истоков этой цифровой революции в экологии.

Анастасия Цветкова, генеральный директор фонда «Озеро Байкал», ответила на вопросы «Ъ-Науки».

— Мы знаем, что «Летопись природы» — это уникальный многолетний архив наблюдений, который ведется с 1945 года. Сейчас, с запуском проектов Президентского фонда природы и поддержкой ИТ-гигантов, начинается его масштабная цифровизация. В чем главная ценность этих данных для науки и почему именно сейчас возникла острая необходимость перевести их в цифру?

— «Летопись природы» для заповедников — основной документ научной деятельности с описанием природных процессов и явлений в экосистемах заповедника и на сопредельных территориях. С 2007 года по решению Росприроднадзора «Летопись природы» начали вести и в национальных парках. Важно, что наблюдения фиксируются всеми сотрудниками заповедников и национальных парков: и научными специалистами, и егерями, и лесниками, и даже студентами и аспирантами, которые временно работают на территории.

Ценность наблюдений — в их продолжительном характере, территориальной масштабности, системности фиксирования состояния экосистем. Накоплен колоссальный объем информации о состоянии природных комплексов фактически по единым длительным рядам наблюдений, позволяющим анализировать естественную динамику экосистем, выведенных из хозяйственного использования. При этом данные, собираемые специалистами особо охраняемых природных территорий в «Летописях природы», могут быть несовместимы между учреждениями и недоступны для широкого круга исследователей ввиду хранения в бумажном виде. Среди заповедников есть пионеры по цифровизации рядов наблюдений, например ФГБУ «Приокско-Террасный государственный заповедник» стал первым российским учреждением, опубликовавшим данные «Летописи природы» в глобальной сети открытых данных о биоразнообразии GBIF. Однако это кропотливый труд, он требует и соответствующих компетенций, и времени научных сотрудников.

Недавно было объявлено, что Президентский фонд природы даст старт проекту по созданию единой цифровой среды для сотрудников организаций, управляющих особо охраняемыми природными территориями,— такой картотеки цифровых решений как для внутренних сервисов по сбору и обработке данных, так и для внешних нужд — по взаимодействию с посетителями, работе с картами, оформлению разрешений на посещение. Цифровая «Летопись природы» также часть этой инициативы.

— В чем, на ваш взгляд, главная проблема бумажной «Летописи»? Зачастую это разобщенные данные в разных форматах, риск их утраты и невозможность быстрого анализа. Как цифровизация поможет преодолеть эти барьеры и, например, сравнивать данные по разным заповедникам?

— После обработки полевых данных в рамках ведения «Летописи природы» фактические материалы наблюдений оформляются в виде таблиц и схем с краткими комментариями. Сейчас они хранятся в бумажном архиве на территории, передаются в вышестоящую инстанцию, а еще хранятся в библиотеках заповедников — таким образом без оцифровки остаются недоступными для широкого круга исследователей, а далеко не все данные «Летописи» затем публикуются в научных статьях. Ценный массив наблюдений влияния природных и антропогенных факторов на экосистемы остается труднодоступным для анализа в условиях увеличивающейся антропогенной нагрузки и климатических изменений.

Представление таких данных в цифровом виде в масштабах страны откроет новые возможности как для развития комплекса междисциплинарных исследований состояния экосистем, так и для принятия решений по сохранению биоразнообразия. Собираемые данные необходимо сделать совместимыми между учреждениями заповедной системы, аккумулировать их в цифровой среде по единым стандартам. Не менее важно, что цифровизация данных в целом — это вклад в сохранность самих сведений, ведь на их сбор ушли усилия уже нескольких поколений ученых.

— Байкальский проект «Точка №1» — один из пионеров в этом процессе. В чем уникальность этого массива данных, который собирали ученые десятилетиями, и как он стал «золотым фондом» для обучения искусственного интеллекта?

— Проект стал золотым фондом для обучения ИИ из-за сочетания нескольких факторов: длительность, стабильность и массив реальных данных. Проект представляет собой беспрецедентный по своей длительности и значимости экологический мониторинг, играющий ключевую роль в понимании состояния экосистемы уникального озера и оценке его роли в глобальной экологии, который берет свое начало с 1945 года. За десятилетия накопился гигантский архив: отобрано и проанализировано более 31 тыс. проб и внесено в базу данных около 10 млн записей.

За время существования проекта используются одни и те же методы сбора и первичной обработки, что позволяет сопоставлять между собой данные разных лет. Для машинного обучения это огромный плюс: модель учится на последовательном, непротиворечивом потоке, делая данные идеальной базой для выявления реальных трендов, происходящих в планктонном сообществе озера Байкал. Таким образом, статус «золотого фонда» обусловлен не только объемом накопленных данных, но и целостной архитектурой ресурса, объединяющей длительную историю наблюдений, методологическую преемственность, масштабную базу данных и открытый доступ к результатам. Именно эта совокупность характеристик делает проект «Точка №1» ценным междисциплинарным ресурсом, востребованным как в экологических исследованиях, так и в разработке технологий ИИ.

— Самый яркий кейс сегодня — это нейросеть для анализа проб воды на Байкале, разработанная при поддержке «Яндекса». Она анализирует зоопланктон с точностью до 87% за часы вместо нескольких дней ручного труда. Можете подробнее рассказать, как это работает на практике и какие это открывает возможности?

— В сентябре 2022 года исследователи НИИ биологии озера Байкал ИГУ совместно с командой облачной платформы Yandex Cloud, предоставляющей облачные вычислительные мощности и инфраструктуру, экспертами по созданию алгоритмов машинного обучения для морских экосистем компании MaritimeAI и специалистами Фонда поддержки прикладных экологических разработок и исследований «Озеро Байкал» начали использовать систему с нейросетями в мониторинге экосистемы озера Байкала. Система работает по принципу «человек в контуре управления» (human in the loop): сначала изображения обрабатываются конвейером компьютерного зрения, затем верифицируются экспертами. С момента внедрения автоматизированной системы анализа проб все образцы оцифровываются путем фотографирования отдельных объектов, идентифицированных с помощью микроскопии. Для исходного датасета вручную было обработано 12 174 изображения из зоопланктонных проб: на первом этапе выбирали объекты, на втором классифицировали их с присвоением соответствующего класса — это яркая иллюстрация того, как важна роль ученого в обучении ИИ.

После обработки первых проб начали внедрять алгоритмы компьютерного зрения. Алгоритм обрабатывает все изображения, а эксперт оценивает качество обнаружения объектов. Вручную анализируют только те снимки, которые алгоритмы сочли слишком сложными. Модель постоянно дообучается на пополняющемся наборе данных. На данный момент система компьютерного зрения обеспечивает хранение и обработку более чем 250 тыс. изображений из 811 проб. Такая автоматизация анализа проб в перспективе позволит масштабировать мониторинг, стандартизировать и снизить субъективность за счет применения одних и тех же критериев ко всем изображениям, пополнять базу данных, совершенствуя модель. Датасет изображений проб с разметкой и предобученные ML-модели командой разработчиков проекта и ученых выложены в свободный доступ. Теперь биологи и специалисты по машинному обучению по всему миру могут брать эти данные, чтобы тестировать свои гипотезы, разрабатывать системы мониторинга для других водоемов.

— Другая огромная область — это фотоловушки. Ученые МФТИ разработали нейросеть, которая отбраковывает до 70% пустых снимков и распознает виды с точностью около 99%. Насколько остро для заповедников стоит проблема анализа терабайтов фото- и видеоматериалов и как ИИ кардинально меняет ситуацию?

— Проблема действительно очень острая, и сегодня ограничивающим фактором фотомониторинга становится уже не сбор данных, а их обработка, сами ученые из МФТИ фиксируют это в своих работах. На одной ООПТ может работать до нескольких сотен фотоловушек, при этом во многих случаях значительная часть материала по-прежнему просматривается и сортируется вручную.

Фотоловушка реагирует не только на животное: любые движения природы дают большое количество ложных срабатываний. Поэтому человек тратит время на первичную фильтрацию массива. ИИ здесь может изменить именно архитектуру работы. Сначала детектор отделяет информативные кадры от пустых, затем классификатор определяет вид, а дальше результаты можно объединять в регистрации — то есть в отдельные события появления животного. Получается, что ученый работает уже не с миллионом сырых файлов, а с подготовленным массивом биологических наблюдений. Ученые из МФТИ действительно проводят очень большую и качественную работу в этом направлении.

Но для работника сферы охраны природы важен еще один момент: высокая точность на тестовой выборке не означает, что модель столь же хорошо заработает на новой территории с другими условиями и видами. Для сторонних локаций качество может заметно падать из-за другого фона, состава фауны и условий съемки. Поэтому ИИ в одночасье не заменит ученого в заповеднике.

— Какие еще направления в сохранении экосистем, помимо гидробиологии и зоологии, могут получить мощный импульс от цифровых сервисов? Мы слышали про попытки анализа микропластика, создание «цифровых двойников» леса или использование ГИС-систем для мониторинга редких видов на Байкале. Что, на ваш взгляд, самое перспективное?

— Одно из самых перспективных направлений — это ГИС как рабочий инструмент мониторинга редких видов и управления природоохранными территориями. Причем на Байкале это уже не абстрактная идея и не экспериментальная технология — такой подход используется в ФГБУ «Заповедное Прибайкалье».

Отличный пример — проект «Зеленая платформа», реализуемый при поддержке фондов «Озеро Байкал» и «Мир вокруг тебя». Здесь многолетний полевой мониторинг редких растений переводится в пространственный цифровой формат. В 2025 году наблюдения велись на постоянных площадках произрастания астрагала ольхонского, черепоплодника щетинистоватого и тимьяна; фиксировались координаты, состояние популяций и рекреационная нагрузка. Эти данные были интегрированы в интерактивную карту. В 2026 году система развивается дальше: добавляются новые площадки, в том числе для фиалки надрезанной, а в ГИС объединяются ареалы редких растений, туристические маршруты, инфраструктура и зоны ограничений.

ГИС в этом проекте позволяет перейти от простого учета вида к анализу пространственной динамики местообитания и факторов воздействия. То есть в одной системе можно сопоставить положение популяций редких видов, дорог, туристическую нагрузку и изменения самих местообитаний. И это уже становится инструментом не только научного мониторинга, но и управления ООПТ. В нашем проекте интерактивная ГИС-карта прямо рассматривается как средство управления рекреационной нагрузкой: научные данные о редких видах связываются с маршрутами и ограничениями, чтобы направлять поток посетителей вне наиболее уязвимых участков.

Второй байкальский пример — «Байкал под крылом», это новый проект, где тот же принцип применяется уже к орнитологическим данным в совокупности с ботаническими. Здесь ГИС объединяет места массового гнездования и отдыха птиц, миграционные скопления и пути пролета, возможные места встречи редких видов растений, маршруты малой авиации, существующие зоны ограничения полетов и площадки посадки вертолетов. На основе анализа данных создается электронная карта с дифференцированными ограничениями по маршрутам и высотам полета. Такая практика может распространяться и на другие ООПТ.

Эти проекты хорошо отражают эволюцию мониторинговых исследований. Раньше результатом полевой работы часто были таблица наблюдений и карта распространения вида. Сейчас пространственные данные непосредственно включаются в механизм принятия решений: где допустима рекреация, где нежелателен транспорт, где должна быть ограничена авиационная нагрузка, какие участки требуют усиленного наблюдения. Причем в проекте «Байкал под крылом» предусмотрено сезонно адаптируемое ГИС-зонирование, то есть режим территории может учитывать различия между периодами гнездования, миграции и другими этапами жизненного цикла птиц.

Остальные цифровые направления для Байкала могут дополнить пространственную основу. Цифровые двойники экосистем, например лесов, идут еще дальше: в одной модели объединяются дистанционное зондирование, метеорологические данные, лесотаксационная информация, породный состав, плотность древостоя, биомасса, продуктивность и углеродные потоки. Такая система позволяет уже моделировать состояние леса, биотические нарушения, пожарную опасность и сценарии управления.

Отдельное направление — автоматизация анализа загрязнений, в частности микропластика. Машинное обучение здесь соединяется с компьютерным зрением, съемками в разных спектрах и позволяет определять частицы по размеру, форме, цвету и химическому составу. Так можно повысить производительность анализа и снижение субъективности ручного подсчета.

И еще один мощный пласт — environmental DNA, или eDNA (рус. эДНК — экологическая ДНК окружающей среды). Эта технология дает возможность оценивать биоразнообразие по генетическому материалу из воды, почвы и других проб, а затем связывать геномные признаки с экологическим состоянием экосистем с помощью машинного обучения. Здесь особенно перспективны масштабируемый мониторинг, раннее выявление, например, инвазивных видов и построение сопоставимых временных рядов, но это станет возможным только при стандартизации методов и референсных баз.

Цифровизация может стать существенным вкладом в развитие организованных систем данных, что, в свою очередь, влияет на обоснованность природоохранных решений.

— Часто упускают из виду, что нейросеть не возникает из воздуха. Кто и как учит нейросеть различать бокоплава от личинки хирономиды или марала от медведя? В чем заключается критическая роль ученого-предметника в этом процессе — в разметке данных и контроле качества?

— Здесь роль специалиста, безусловно, критическая. Без качественной предметной разметки можно получить технически очень хорошую нейросеть, которая будет уверенно воспроизводить биологически неправильные решения. Ведь нейросеть сама по себе не знает, кто такие марал, медведь или личинка определенного таксона. Для нее на начальном этапе существуют изображение и метка класса. Ученый-предметник фактически задает «смысл» этой метки и тем самым формирует тот материал, на котором модель учится.

Очень показателен набор данных уже упомянутых ученых из МФТИ из Лаборатории цифровых систем специального назначения. Исходные данные были не сбалансированы, содержали дубликаты и снимки разного качества. При подготовке обучающей выборки исследователи размечали отдельные изображения. Изображения, для которых невозможно было принять однозначное решение при разметке, исключались. В результате были подготовлены сотни тысяч размеченных изображений для задач детекции и классификации. На этом этапе необходим узкопрофильный специалист. Он определяет, действительно ли на изображении данный вид, какой таксономический уровень допустим для этого материала, является ли объект диагностируемым, не перепутаны ли близкие виды, а также возрастные стадии или плохо видимые особи.

Есть и второй уровень работы ученого-предметника — контроль структуры выборки. Для устойчивой модели мало просто дать ей много картинок. Выборка должна быть достаточно большой, сбалансированной по классам и географически соответствовать территории будущего применения. На первых этапах важно вручную проверять результаты классификации, а перенос модели на новые территории распространения вида часто ухудшает качество распознавания.

Поэтому распределение ролей может выглядеть так: специалист по машинному обучению отвечает за обучение и вычислительную часть, а ученый-предметник формирует корректную постановку задачи, эталонные данные и критерий того, что вообще считать правильным результатом.

— Нейросеть Байкала имеет точность 87%. Что происходит с теми 13% данных, которые она не может распознать уверенно? Говорят, что на долю ученых теперь выпадают только «сложные случаи». Это значит, что их роль стала более интеллектуальной и творческой?

— Эти данные классифицирует специалист, чтобы определить, новый ли это вид, редкий подвид, особая морфологическая форма или же это артефакт съемки, повреждение препарата либо ошибка сегментации (когда алгоритм неправильно разделил объекты). Такие случаи требуют не шаблонного, а аналитического подхода: выдвижения гипотезы, сбора дополнительных данных, описания нового подвида или вида для науки. В результате получается, что сегодня и обучение ИИ требует времени ученого, и работа со «сложными случаями» тоже. Однако постепенно обученные AI-ассистенты, безусловно, начинают ускорять процессы анализа данных.

— При внедрении ИИ в проекте «Точка №1» специально сохранили старую методику, чтобы данные оставались сопоставимыми с историческими. Получается, что ученый — это хранитель методологии. Как не допустить, чтобы погоня за технологиями не сломала вековые научные подходы?

— Да, в проекте «Точка №1» именно так и выстроено: ИИ не подменяет методику, а работает внутри нее. Ученый действительно становится «хранителем методологии» — и это не метафора, а функциональная роль, без которой теряется главная ценность многолетних рядов. Так как для долгосрочных экологических трендов важны преемственность и ценность данных, полученных за 81 год наблюдений. Принцип «человек в контуре управления» (human in the loop) используется как защита от «технологического сноса». Эксперт не просто проверяет результаты ИИ — он контролирует, чтобы автоматизация не начала «подсказывать» новые категории или менять логику классификации. Например, если нейросеть предлагает объединить два близких вида в одну категорию «для удобства», ученый блокирует это, потому что исторически эти виды учитывались отдельно. Наборы данных, верифицированные экспертами, служат золотым стандартом для оценки качества ИИ и одновременно сохраняют методическую преемственность: новые версии моделей всегда проверяют на этих же наборах. Технологии становятся инструментом ускорения и масштабирования данных, а не причиной для потери их сопоставимости.

— Нейросеть может быстро посчитать количество зоопланктона или распознать вид зверя на фото. Но сможет ли она объяснить, почему численность этого вида упала или поднялась? Кто интерпретирует изменения в экосистеме и видит общую картину?

— Интерпретация результатов проводится специалистом, так как нейросеть может показать только тренд изменения численности организмов зоопланктона и их видового состава, а также выделить факторы, которые коррелируют с этим изменением, например прозрачность или температура воды. Но причинно-следственную связь устанавливает и объясняет ученый с учетом исторических, литературных данных и климатических изменений. Это касается и учета данных с фотоловушек в случае изучения животных. Нейросеть помогает зарегистрировать изменения и указать на возможные факторы, но объяснить глубинную причину и внести это в общую картину экосистемы — задача ученого. В перспективе можно ожидать, что технологии сделают анализ со стороны ИИ более комплексным, но сегодня еще требуется экспертная оценка со стороны специалиста.

— Что будет, если в пробе воды или на снимке фотоловушки появится вид, которого нет в обучающей выборке,— инвазивный пришелец или редкий зверь? Пропустит ли его нейросеть или обозначит как неизвестный объект? Насколько важно здесь участие биолога, который может распознать новое явление?

— В случае «Точки №1» обучаемая нейросеть отправит этот снимок на экспертизу ученому для распознавания организма. После того как специалист определит видовую принадлежность организма, эти данные будут внесены в обучающуюся выборку и в дальнейшем в базу данных для ее пополнения.

— Может ли ИИ заменить ученого при принятии управленческих решений по спасению экосистемы? Или же он выступает как мощный калькулятор и ассистент, а ответственность и стратегия всегда остаются за человеком?

— Технологии ИИ способны вывести исследования экосистем на принципиально новый уровень — уже сегодня алгоритмы машинного обучения позволяют распознавать генетические маркеры для идентификации редких и исчезающих видов, отслеживать популяции в отдаленных и даже недоступных местах без нарушения среды обитания животных, выявлять разные классы организмов в конкретной среде с возможностью создать карту среды обитания буквально за один день, считать численность и оценивать здоровье разных видов и многое другое. В мире множество примеров постепенного внедрения ИИ и в исследования в лабораториях научных институтов, и в управление национальными парками и заповедниками — для мониторинга и сохранения биологического разнообразия, развития экологического туризма, борьбы с браконьерством и обеспечения безопасности посетителей и сотрудников. Однако за обучением AI-ассистентов стоит профессионал, а за принятием решений по сохранению экосистем — и не один. Помимо внедрения технологий ИИ в охрану природы, нельзя забывать о сохранении постоянного диалога экспертного сообщества как на национальном, так и на международном уровне. Это тоже требует и временных, и финансовых усилий, но чрезвычайно важно для того, чтобы получаемые данные приводили к прикладным решениям по сохранению уникальных экосистем.

Подготовлено при поддержке фонда «Озеро Байкал»