Dansk forskning: AI-droner afslører rovdyrs skjulte jagtmønstre

På en mark i det danske landskab letter en drone lydløst og følger en ræv, der bevæger sig gennem det høje græs. Under dronen arbejder et kamera og en algoritme i realtid. Systemet er ikke styret af en pilot, men af kunstig intelligens, der har lært at genkende og spore dyret – også når det forsvinder bag træer eller i krat. Det lyder som en scene fra en science fiction-film, men det er virkelighed i et nyt forskningsprojekt, hvor danske forskere bruger droner og kunstig intelligens til at kortlægge, hvordan rovdyr jager.

Projektet markerer et markant skifte i den måde, biologer og økologer indsamler viden om dyrs adfærd på. Traditionelt har forskere været afhængige af GPS-halsbånd, vildtkameraer eller direkte observation – metoder der enten er invasive, tidskrævende eller begrænsede af terræn og vejrforhold. Et GPS-halsbånd kræver eksempelvis, at dyret først indfanges og bedøves, hvilket både er ressourcekrævende og stressende for individet. Vildtkameraer leverer kun stillbilleder fra faste positioner, og direkte observation er stærkt begrænset af lysforhold og forskerens tilstedeværelse. Nu åbner kombinationen af avanceret droneteknologi og maskinlæring for en hidtil uset detaljerigdom i studiet af jagende rovdyr.

Hvorfor det er vigtigt

Forståelsen af rovdyrs jagtadfærd er ikke blot en akademisk øvelse. Den har direkte betydning for forvaltningen af dansk natur og for balancen mellem landbrug, skovbrug og vilde dyr. Når man ved, hvordan en ræv eller en mår bevæger sig gennem landskabet, hvor den jager, og hvor ofte den har succes, kan man træffe bedre beslutninger om alt fra jagtregulering til beskyttelse af truede byttedyr. Samtidig giver den nye teknologi forskerne mulighed for at observere adfærd, der hidtil har været skjult for det menneskelige øje – for eksempel natlige jagter eller bevægelser i tæt vegetation, hvor termiske sensorer kan registrere dyrets varmesignatur gennem løv og mørke.

For danske landmænd og skovejere er viden om rovdyrs færden også økonomisk relevant. Prædation på lam, fjerkræ eller vildtbestande kan have lokale konsekvenser, og en mere præcis forståelse af rovdyrenes adfærdsmønstre kan danne grundlag for målrettede og skånsomme forvaltningstiltag. I stedet for generelle reguleringer kan man eksempelvis målrette indsatsen mod de specifikke korridorer og tidspunkter, hvor rovdyrene faktisk jager. Dertil kommer, at teknologien kan overføres til overvågning af invasive arter eller truede dyrebestande – områder hvor Danmark har internationale forpligtelser gennem EU’s habitatdirektiv og biodiversitetskonventionen.

Sådan fungerer teknologien

Kernen i det nye system er en kombination af droner udstyret med højopløsningskameraer og termiske sensorer samt en kunstig intelligens, der er trænet på tusindvis af billeder og videosekvenser af dyr i bevægelse. Algoritmen kan skelne mellem forskellige arter, forudsige et dyrs næste bevægelse og holde det i fokus, selv når det bevæger sig uforudsigeligt. Det er en markant forbedring i forhold til tidligere dronestudier, hvor en menneskelig pilot skulle styre dronen manuelt og ofte mistede dyret af syne ved pludselige retningsskift eller når dyret søgte dækning i vegetation.

Forskerne bag projektet fremhæver, at den autonome sporing gør det muligt at følge et dyr over længere tid og over større afstande end nogensinde før. Hvor et GPS-halsbånd typisk giver et punkt hvert femte eller tiende minut, leverer dronen kontinuerlige data om dyrets position, hastighed og omgivelser. Det giver et langt mere nuanceret billede af jagtstrategier – for eksempel hvornår et rovdyr skifter fra at snige sig ind på byttet til at sætte i fuld sprint. Den tidslige opløsning er afgørende, fordi selve angrebsfasen ofte varer under ti sekunder og derfor forsvinder mellem punkterne i traditionelle GPS-data.

En af de tekniske udfordringer har været at få algoritmen til at fungere i dansk terræn, der ofte er præget af levende hegn, skovbryn og ujævnt terræn. Her har forskerne været nødt til at træne modellen specifikt på danske landskabstyper, fordi et system udviklet til åbne afrikanske sletter eller nordamerikanske prærier ikke umiddelbart kan overføres til danske forhold. De mange små biotoper, markskel og tætte læhegn skaber en visuel kompleksitet, som algoritmen skal lære at navigere i. Det understreger, at teknologien ikke er en hyldevare, men kræver lokal tilpasning og betydelig dataindsamling, før den leverer pålidelige resultater.

Konkrete resultater og observationer

De første resultater fra projektet er ifølge forskerne lovende. Dronerne har blandt andet dokumenteret, hvordan ræve i visse områder systematisk afsøger markskel og grøftekanter – sandsynligvis fordi byttedyrene her er lettere at fange end på åben mark, hvor de har frit udsyn og flugtmuligheder. Observationerne viser også, at jagtsuccesen varierer markant med årstiden og tidspunktet på døgnet, hvilket kan have betydning for, hvordan man planlægger beskyttelsestiltag for eksempelvis jordrugende fugle som vibe og agerhøne i ynglesæsonen.

Et andet interessant fund er, at rovdyrene i højere grad end hidtil antaget benytter sig af menneskeskabte strukturer som hegn, veje og drængrøfter som korridorer under jagt. Det kan tyde på, at landskabets indretning har større indflydelse på prædationsmønstre end tidligere antaget – en viden, der kan bruges aktivt i naturforvaltningen, for eksempel ved at placere beskyttede områder eller vildtremiser strategisk i landskabet for at afbryde rovdyrenes foretrukne ruter eller skabe refugier for byttedyr.

Forskerne understreger dog, at datagrundlaget endnu er begrænset, og at der er behov for flere sæsoners observationer, før man kan drage robuste konklusioner. Teknologien er stadig i en tidlig fase, og der er både tekniske og metodiske udfordringer, der skal løses – blandt andet batterilevetid, som i dag begrænser flyvningerne til under en time, støjpåvirkning på dyrene og sikkerhedsprocedurer for droneflyvning i områder med beboelse eller husdyr. Spørgsmålet om, hvorvidt dronens tilstedeværelse ændrer dyrenes naturlige adfærd, kræver også systematisk afprøvning, før resultaterne kan tolkes endegyldigt.

Reaktioner og perspektiver

Projektet har vakt opsigt i både forskningsmiljøer og blandt praktikere i naturforvaltningen. Flere eksperter peger på, at kombinationen af droner og kunstig intelligens kan blive et standardværktøj i økologisk forskning inden for få år – på samme måde som GPS-halsbånd revolutionerede feltet i 1990’erne og 2000’erne. Der er dog også kritiske røster, der påpeger, at teknologien rejser nye etiske spørgsmål om overvågning af vilde dyr, og at man bør være opmærksom på, at droner kan stresse dyrene, hvis de flyver for tæt på. Diskussionen handler blandt andet om, hvor grænsen går mellem nødvendig dataindsamling og unødig forstyrrelse af dyrelivet.

Fra dansk side er der interesse for at udvide projektet til også at omfatte andre arter – for eksempel ulv, kronvildt eller invasive mårhunde – og til at kombinere dronedata med data fra vildtkameraer og DNA-analyser. Perspektivet er et mere sammenhængende overvågningssystem, hvor forskellige datakilder supplerer hinanden og giver et mere komplet billede af dyrelivets dynamik. Dronerne kan dække store arealer hurtigt, vildtkameraer leverer kontinuerlig tilstedeværelse på faste punkter, og DNA-analyser kan bekræfte artsidentitet og slægtskab.

Samtidig er der et kommercielt potentiale. Flere danske virksomheder inden for droneteknologi og kunstig intelligens følger projektet tæt, og der er allerede drøftelser om at udvikle systemet til brug i landbruget – for eksempel til automatisk overvågning af husdyr eller tidlig varsling af rovdyrangreb. Hvis teknologien modnes, kan den danske forskningsindsats dermed bane vejen for nye eksportmuligheder inden for det, man kunne kalde præcisions-naturovervågning. Det vil i givet fald placere danske forskningsmiljøer og virksomheder i en stærk position på et felt, der forventes at vokse i takt med stigende krav om naturdokumentation og biodiversitetsovervågning.

Det videre arbejde vil blandt andet fokusere på at forbedre algoritmens evne til at skelne mellem individer af samme art, hvilket vil gøre det muligt at følge enkelte dyr over tid uden brug af halsbånd. Lykkes det, vil forskerne have et værktøj, der kombinerer GPS-teknologiens præcision med dronens fleksibilitet – og som kan ændre fundamentalt, hvordan vi forstår rovdyrs rolle i det danske landskab. Vejen dertil er dog stadig præget af tekniske udfordringer og behov for omfattende validering, før metoden kan betragtes som et etableret forskningsredskab.