[論文レビュー] Stay Ahead of Poachers: Illegal Wildlife Poaching Prediction and Patrol Planning Under Uncertainty with Field Test Evaluations

Lily Xu, Shahrzad Gholami+12 more|arXiv (Cornell University)|Mar 8, 2019

Wildlife Ecology and Conservation被引用数 12

ひとこと要約

本論文は、予測不確実性をモデル化するためのガウス過程を統合することで、PAWSの反密猟システムを強化し、リスク回避型のパトロール計画を可能にした。これにより、罠の検出率が30%向上した。ウガンダおよびカンボジアでの現地テストでは、データ駆動型パトロールルートを用いて1か月間で1,000個以上の罠が回収された。

ABSTRACT

Illegal wildlife poaching threatens ecosystems and drives endangered species toward extinction. However, efforts for wildlife protection are constrained by the limited resources of law enforcement agencies. To help combat poaching, the Protection Assistant for Wildlife Security (PAWS) is a machine learning pipeline that has been developed as a data-driven approach to identify areas at high risk of poaching throughout protected areas and compute optimal patrol routes. In this paper, we take an end-to-end approach to the data-to-deployment pipeline for anti-poaching. In doing so, we address challenges including extreme class imbalance (up to 1:200), bias, and uncertainty in wildlife poaching data to enhance PAWS, and we apply our methodology to three national parks with diverse characteristics. (i) We use Gaussian processes to quantify predictive uncertainty, which we exploit to improve robustness of our prescribed patrols and increase detection of snares by an average of 30%. We evaluate our approach on real-world historical poaching data from Murchison Falls and Queen Elizabeth National Parks in Uganda and, for the first time, Srepok Wildlife Sanctuary in Cambodia. (ii) We present the results of large-scale field tests conducted in Murchison Falls and Srepok Wildlife Sanctuary which confirm that the predictive power of PAWS extends promisingly to multiple parks. This paper is part of an effort to expand PAWS to 800 parks around the world through integration with SMART conservation software.

研究の動機と目的

• 密猟予測において極端なクラス不均衡とバイアスのあるデータの課題に対処する。具体的には、隠れた罠の検出が不十分なため、否定的ラベル（密猟なし）が信頼できないという点に焦点を当てる。
• 予測不確実性をパトロールルート計画に組み込むことで、レインジャーが高信頼度の検出領域を優先できるように、パトロールの耐性を高める。
• 予測、不確実性の定量化、意思決定を統合した、エンドツーエンドのデータから実装までのパイプラインを構築し、現実の保護地域に適用可能にする。
• ウガンダのマーチューセン・フォールズ国立公園およびクイーン・エリザベス国立公園、カンボジアのスレポー野生生物保護区といった多様なエコシステムで大規模な現地テストを実施し、システムの性能を検証する。
• SMART環境保護ソフトウェアと統合することで、世界約800か国の保護地域へのスケーラブルな展開を可能にする。

提案手法

• 保護地域内の各場所について、信頼区間を捉えることによって、密猟リスク予測における不確実性をモデル化・定量化するため、ガウス過程を用いる。
• iWare-Eモデルに不確実性を考慮したコンponentsを統合し、予測リスクとその予測の信頼性を反映したリスクマップを生成する。
• 不確実性指標をゲーム理論的パトロール計画フレームワークに統合し、高いリスクと高い予測信頼性を持つ領域を優先することで、パトロールルートの耐性を向上させる。
• レインジャーのフィードバックに基づき、乾期と雨期に分けて別々にモデルをキャリブレーションすることで、密猟リスク予測の季節的精度を向上させる。
• レインジャーとともに現実の環境でシステムを展開し、歴史的データと現地収集観察データを用いてモデルを訓練および検証する。
• 制御された現地テストを実施し、レインジャーがPAWSが提示するルートに従い、罠の検出率を歴史的平均値およびベースラインパトロール戦略と比較する。

実験結果

リサーチクエスチョン

• RQ1 予測不確実性のモデリングは、現実の保護地域における反密猟パトロールルートの耐性と検出性能を向上させることができるか？
• RQ2 密猟リスク予測において不確実性を考慮することで、従来のリスクベースのルーティングと比較して、現地パトロールにおける罠の検出数にどのような影響を与えるか？
• RQ3 ウガンダとカンボジアのような、生態的特性やデータ品質が異なる保護地域において、PAWSシステムはどの程度一般化可能か？
• RQ4 密猟行動と地形のアクセス可能性の季節的変化がモデルの性能に与える影響は何か？また、システムはこれらの変化に適応可能か？
• RQ5 データ駆動型で不確実性を考慮したパトロール計画システムは、現実の保護活動においてレインジャーによって成功裏に展開・採用可能か？

主な発見

• ガウス過程に基づく不確実性定量化の統合により、PAWSはベースライン手法と比較して平均して罠の検出率を30%向上させた。
• マーチューセン・フォールズ国立公園では、最初の1か月間の現地テストで、PAWSが提示したルートに従い、38件の密猟セルが検出された。低リスク地域では類似したパトロール努力にもかかわらず、密猟活動は確認されなかった。
• スレポー野生生物保護区では、1か月間で1,000個以上の罠が回収され、これは過去の平均を3倍以上上回った。また、銃器1挺を没収し、3つの密猟グループを抑止した。
• モデルは高リスク地域と低リスク地域を効果的に区別できた。パークレインジャーは、予測結果が自身の現場経験と季節パターンと一致していると確認した。
• 現地テストでは、システムの予測能力が研究室外にも及ぶことが確認された。レインジャーはパトロール計画における自信と効率性の向上を報告し、保護パートナーからは世界的な展開への強い関心が示された。
• 乾期と雨期に分けてトレーニングデータを分離することで、モデルの精度が向上した。乾期には北側で高い密猟リスクが予測され、雨期には南側で同様の傾向が見られ、これはレインジャーの観察と一致した。