Het tellen van migrerende vissen, zoals haring of zalm, is cruciaal voor natuurbeheer maar vaak arbeidsintensief en beperkt tot korte periodes. Onderzoekers van onder meer MIT hebben nu aangetoond dat computer vision, een vorm van kunstmatige intelligentie die beelden analyseert, een betaalbare en effectieve aanvulling kan zijn op traditionele methodes. Door onderwatercamera’s te combineren met AI-software kan de monitoring continu plaatsvinden, ook ’s nachts en tijdens korte, intense migratiegolven.

Volgens het onderzoek, gepubliceerd in het tijdschrift Remote Sensing in Ecology and Conservation, biedt deze aanpak een veel vollediger beeld dan visuele tellingen door vrijwilligers. Die zijn vaak beperkt tot daglichturen en missen daardoor belangrijke bewegingen. Automatische analyse van videobeelden kan deze gaten opvullen en zo de kwaliteit van de data voor natuurbeheer en beleid aanzienlijk verbeteren.

De beperkingen van traditioneel tellen

De klassieke manier van vismonitoring, waarbij getrainde vrijwilligers of professionals vanaf de kant of een brug visueel tellen, kent inherente beperkingen. Het is afhankelijk van het weer, het daglicht en de beschikbaarheid van mensen. Korte, massale migraties van honderden vissen in enkele minuten kunnen gemist worden. Ook nachtelijke migratie, wat bij sommige soorten voorkomt, blijft buiten beeld. Dit leidt tot onvolledige datasets waarop toch belangrijke beleidsbeslissingen worden gebaseerd.

Computer vision als praktische aanvulling

De oplossing die in het onderzoek wordt verkend, is niet bedoeld om menselijke tellers volledig te vervangen, maar om hun werk aan te vullen en te verrijken. Door een onderwatercamera op te stellen op een strategische plek, zoals bij een vistrap of een smal kanaal, wordt continu beeldmateriaal verzameld. Vervolgens analyseert een getraind computer vision-model deze beelden automatisch. Het kan vissen detecteren, volgen en in sommige gevallen zelfs op soortniveau classificeren. Dit resulteert in een continue stroom van tellingen, 24 uur per dag, die een veel nauwkeuriger schatting van de totale migratie mogelijk maakt.

Hoe kun je dit vandaag toepassen?

Deze ontwikkeling is vooral relevant voor organisaties die betrokken zijn bij waterbeheer, ecologisch advies en natuurbehoud. Het toont aan dat geavanceerde AI-tools niet langer exclusief voorbehouden zijn aan grote techbedrijven, maar ook toegepast kunnen worden in praktische, ecologische projecten. De kern is het combineren van betaalbare hardware (onderwatercamera’s) met open-source of gespecialiseerde AI-software voor beeldherkenning.

Als je als ecologisch adviesbureau werkt voor waterschappen… Een mogelijkheid is om voor een pilotproject een bestaande monitoringlocatie uit te rusten met een onderwatercamera. Je zou kunnen samenwerken met een data scientist of een gespecialiseerd softwarebedrijf om een eenvoudig computer vision-model te trainen op beelden van de lokale vissoorten. Dit levert naast de traditionele tellingen een extra datastroom op die de betrouwbaarheid van je advies vergroot.

Als je bij een waterschap verantwoordelijk bent voor vispassages en herstelprojecten… Overweeg om de effectiviteit van een nieuwe vispassage te monitoren met videotechnologie. In plaats van sporadische steekproeven krijg je een continu beeld van het gebruik, zowel overdag als ’s nachts. Deze data kan concrete inzichten geven in welke aanpassingen het beste werken voor de lokale vispopulatie.

Als je een stichting of vrijwilligersorganisatie runt die zich inzet voor rivierherstel… Je zou kunnen onderzoeken of deze methode de inzet van je vrijwilligers kan ondersteunen. Vrijwilligers hoeven niet meer urenlang in de kou te tellen, maar kunnen zich richten op andere taken, terwijl de camera’s de continue telling verzorgen. De vrijwilligers kunnen wel een cruciale rol spelen bij het labelen van trainingsbeelden voor de AI.

Als je geïnteresseerd bent in technologische innovatie voor de groene sector… Dit onderzoek is een concreet voorbeeld van hoe AI een tastbaar probleem in de natuurbescherming kan aanpakken. Een mogelijke stap is om je te verdiepen in bestaande open-source frameworks voor objectdetectie in video’s en te kijken of deze toepasbaar zijn op onderwaterbeelden uit Nederlandse wateren.

De praktische toepassing begint vaak klein: met één camera, één locatie en een focus op het automatiseren van het tellen van één belangrijke soort. De waarde zit hem in het verkrijgen van een completer, objectiever en minder arbeidsintensief beeld van wat er onder water gebeurt.

Bron: MIT News