Kleine ectotherme dieren zoals reptielen, amfibieën en geleedpotigen spelen een cruciale rol in ecosystemen, maar worden geconfronteerd met veel uitdagingen op het gebied van behoud en blijven relatief onderbestudeerd. Een efficiëntere monitoring van deze soorten is nodig om het ecologisch inzicht te verbeteren en de inspanningen voor natuurbehoud te ondersteunen. Cameravallen en machine learning zijn belangrijke hulpmiddelen geworden om de monitoring van wilde dieren te verbeteren en de gegevensverwerking te stroomlijnen, maar hun toepassing voor de studie van ectotherme dieren staat nog in de kinderschoenen. De meeste cameravallen kunnen ectothermen niet betrouwbaar detecteren en de toepassing van algoritmen om kleine, cryptische soorten automatisch te detecteren en te identificeren blijft beperkt.

In dit artikel combineren we citizen science en nieuwe technologieën om de gegevensverzameling en screening te verbeteren in een ecologische pilotstudie naar kleine fauna. Zeven maanden lang verzamelden zevenentwintig (27) videocameravallen een grote dataset gericht op kleine fauna, waaronder ectotherme soorten. De camera's werden ingezet met de hulp van burgerwetenschappers, die ook assisteerden bij het annoteren van de video. We evalueerden de prestaties van twee algoritmen voor objectdetectie (Faster R-CNN en YOLOv5) om de verzamelde video's te screenen. We ontdekten dat YOLOv5 beter presteerde; het detecteerde met succes dieren in 89 % van de video's met fauna en filterde 96 % van de video's zonder dieren eruit (bijvoorbeeld veroorzaakt door schaduwen of bewegende vegetatie).

We creëerden SAW-IT++, een geannoteerde videodataset met 11.458 video's van kikkers (28,7 %), hagedissen (6,8 %), vogels (30,3 %), kleine zoogdieren (10,1 %), schorpioenen (2,7 %) en spinnen (16,1 %). De gescreende dataset werd gebruikt voor bezettingsanalyse, rekening houdend met detectie. Het onthulde dispersiebeperkingen bij een kikkersoort en landschapsafhankelijkheid van water bij een bosvogelsoort. Met behulp van een inferentiële benadering schatten we dat, gemiddeld, slechts een klein aantal camera's (< 5) ingezet gedurende een maand per locatie nodig was voor een detectiekans boven 95 % voor de meest voorkomende taxa die in de analyse waren opgenomen.

Ons onderzoek demonstreert een schaalbare oplossing voor het snel en wijdverspreid monitoren van kleine en ectotherme dieren. De combinatie van citizen science met nieuwe videovallen en AI-gegevensverwerking vergroot de reikwijdte van ecologische projecten en zorgt voor tijdige levering van gegevens van hoge kwaliteit. Deze combinatie is met name relevant voor onderbelichte soorten, waar betaalbare en efficiënte monitoring essentieel is om hiaten in de kennis op te vullen en het beheer van natuurbehoud te informeren in het licht van snelle en extreme wereldwijde veranderingen.