Voelen dieren dreiging, dan bewegen ze zich heel anders dan wanneer ze op hun gemak rondscharrelen. Een onderzoeker aan de Universiteit Twente heeft een algoritme ontwikkeld dat energie-efficiënt de verschillende bewegingspatronen van dieren herkent.

Om wilde dieren met sensoren te monitoren, moeten deze zo energiezuinig mogelijk zijn. Is de sensor eenmaal geplaatst, dan is vervanging van de batterijen immers niet zo eenvoudig meer. Het liefst gaat zo'n sensor een heel jaar mee.

 

Versnellen

Met deze eis ging onderzoeker Jacob Kamminga op zoek naar de minimale benodigdheden voor een sensor. 'Door alleen de versnelling van een dier te meten, is er eigenlijk al genoeg informatie beschikbaar om af te leiden wat de activiteit van het dier is', zegt Kamminga.

Het voordeel van het meten van enkel de versnelling, is dat de meter in slaapstand kan als het dier niet beweegt. Dat scheelt een hoop energie.


Trainen

De uitdaging is echter om uit de versnellingsdata af te leiden wat een dier doet. Daarvoor is training van de sensor nodig. Gedurende enkele weken tot maanden verzamelt de onderzoeker de bewegingsdata van de dieren, terwijl hij ze in de gaten houdt met camera's en GPS.

Handmatig koppelt de onderzoeker vervolgens versnellingsdata aan de verschillende acties van het dier. 'Deze training is erg arbeidsintensief en ook subjectief', zegt Kamminga. 'Ik moet bepalen vanaf wanneer een dier bijvoorbeeld rent, maar precies de overgang van lopen naar rennen ligt, is best willekeurig.'

Na de training gaat de gelabelde data naar een supercomputer, die het algoritme de verschillende bewegingspatronen van het dier leert herkennen. Nu is het algoritme klaar voor gebruik op een dier in het wild.

 

De helft van het werk

In zijn onderzoek minimaliseerde Kamminga de training van het algoritme. 'In de meeste onderzoeken wordt de data van een hele groep dieren verzameld voor de training', zegt hij. 'Wij vonden het echter interessant om te kijken of het ook mogelijk is slechts slechts de helft van de dieren te gebruiken voor de training. Dat scheelt al de helft van het werk.'

Naast het verkleinen van de training per diersoort, slaagde Kamminga erin een logaritme te maken dat op meerdere dieren toepasbaar is. Zo is zijn logaritme zowel te gebruiken voor schapen als geiten. 'Deze twee diersoorten lijken op elkaar', zegt Kamminga. 'De vraag is nog of we het logaritme zo kunnen aanpassen dat het ook te gebruiken is voor heel andere diersoorten.'

 

Parkiet

Nu de basis van dit algoritme is gelegd, moet het nog worden doorontwikkeld tot een sensor om te gebruiken bij wilde dieren. Daarbij denkt de onderzoeker vooral aan dieren die aantrekkelijk zijn voor stropers, zoals olifanten en neushoorns.

'Om stroperij tegen te gaan worden sommige beesten gevolgd met sensoren', zegt Kamminga. 'Maar dit blijkt nog steeds niet te volstaan.' Daarom stelt de onderzoeker een andere methode voor. Door alle dieren in de omgeving te voorzien van sensoren en hun bewegingspatronen te verzamelen, kan er inzicht ontstaan in hoe de dieren zich gaan gedragen als er stropers in de buurt zijn. De ene diersoort zal bijvoorbeeld sneller en beter reageren op de aanwezigheid van stropers.

'Prooidieren hebben vaak hele scherpe zintuigen en kunnen hun vijand al van verre ruiken', legt Kamminga uit. 'Misschien hoeven we straks maar één diersoort te monitoren die dezelfde functie heeft als ooit de parkiet in de kolenmijnen.'

 

Unieke kans

Maar voor het algoritme zo breed kan worden toegepast, is een enorme database aan bewegingspatronen van verschillende diersoorten nodig. Het Leidse Naturalis Biodioversity Center zal binnenkort, in samenwerking met onder andere de Universiteit Twente, een groot project genaamd NIEBA ARISE starten waarbij onder andere grootschalig dieren in Nederland worden gemonitord voor enkele jaren. Volgens onderzoeker Kamminga een unieke kans om de bewegingspatronen van al deze dieren in kaart te brengen.

 

Beeld: Jacob Kamminga