[논문 리뷰] Stay Ahead of Poachers: Illegal Wildlife Poaching Prediction and Patrol Planning Under Uncertainty with Field Test Evaluations

Lily Xu, Shahrzad Gholami외 12명|arXiv (Cornell University)|2019. 03. 08.

Wildlife Ecology and Conservation인용 수 12

한 줄 요약

이 논문은 예측 불확실성을 모델링하기 위해 고전적 과정(Gaussian processes)을 통합하여 PAWS 반사냥 체계를 향상시켜, 위험 회피적 순찰 계획을 가능하게 하여 함정 탐지율을 30% 향상시켰다. 우간다와 cambodia에서의 현장 테스트는 이 방법의 실제 적용 효과를 확인하였으며, 데이터 기반 순찰 경로를 사용해 한 달 만에 랭커스가 1,000개 이상의 함정을 제거하였다.

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.

연구 동기 및 목표

• 숨겨진 함정을 제대로 탐지하지 못하는 데 기인한 부정적 레이블(사냥 없음)의 신뢰성 문제로 인해 극심한 클래스 불균형과 편향된 데이터가 발생하는 야생 동물 사냥 예측 문제를 해결한다.
• 예측 불확실성을 순찰 경로 계획에 통합하여 순찰의 강건성을 향상시키며, 높은 확신도를 가진 탐지 영역을 우선순위로 삼도록 한다.
• 예측, 불확실성 측정, 권고를 실시간으로 통합한 실질적인 보호구역에서의 구현이 가능한 종단 간 데이터-배포 파이프라인을 개발한다.
• 우간다의 머처실슨 폭포 국립공원과 퀸 엘리자베스 국립공원, 캄보디아의 스레북 야생동물 보호구역 등 다양한 생태계에서 대규모 현장 테스트를 통해 시스템 성능을 검증한다.
• SMART 보존 소프트웨어와의 통합을 통해 전 세계 800개 국립공원으로의 확장 가능한 배포를 가능하게 한다.

제안 방법

• 보호구역 내 각 위치에 대한 신뢰구간을 캡처할 수 있도록, 사냥 위험 예측의 예측 불확실성을 모델링하고 측정하기 위해 고전적 과정을 사용한다.
• iWare-E 모델에 불확실성 인식 구성요소를 통합하여, 예측된 위험과 그 예측에 대한 신뢰도를 반영한 위험지도를 생성한다.
• 게임 이론 기반 순찰 계획 프레임워크에 불확실성 지표를 통합하여, 높은 위험도와 높은 예측 신뢰도를 가진 영역을 우선순위로 삼아 순찰 경로의 강건성을 향상시킨다.
• 랜서 피드백에 기반해 건기와 우기 동안 별도로 모델을 校정하여 사냥 위험 예측의 계절적 정확도를 향상시킨다.
• 실제 보호구역 환경에서 랭커스와 함께 시스템을 구현하여 역학적 데이터와 현장에서 수집한 관찰 자료를 활용해 모델을 훈련하고 검증한다.
• 통제된 현장 테스트를 실시하여 랭커스가 PAWS가 제안한 경로를 따르고, 함정 탐지율을 이전 평균 및 기존 순찰 전략과 비교한다.

실험 결과

연구 질문

• RQ1 예측 불확실성 모델링은 실질적인 보호구역에서 반사냥 순찰 경로의 강건성과 탐지 성능을 향상시킬 수 있는가?
• RQ2 사냥 위험 예측에서 불확실성을 고려할 경우, 기존의 위험 기반 경로 계획 대비 함정 탐지 수가 어떻게 변화하는가?
• RQ3 우간다와 캄보디아와 같은 생태계 및 데이터 품질 특성이 다른 보호구역 간에 PAWS 시스템이 얼마나 일반화되는가?
• RQ4 사냥 행동과 지형 접근성의 계절적 변화가 모델 성능에 미치는 영향은 무엇이며, 시스템은 이러한 변화에 적응할 수 있는가?
• RQ5 실제 보존 운영 환경에서 랭커스가 성공적으로 사용할 수 있도록 데이터 기반의 불확실성 인식 순찰 계획 시스템을 구현하고 도입할 수 있는가?

주요 결과

• 고전적 과정 기반의 불확실성 측정을 PAWS에 통합함으로써, 기준 방법 대비 평균 함정 탐지율이 30% 향상되었다.
• 머처실슨 폭포 국립공원에서 첫 번째 현장 테스트 한 달 동안 랭커스는 PAWS가 제안한 경로를 따라 38개의 사냥 세포를 탐지하였으며, 유사한 순찰 노력에도 불구하고 저위험 지역에서는 사냥 활동이 발견되지 않았다.
• 스레북 야생동물 보호구역에서는 랭커스가 한 달 만에 1,000개 이상의 함정을 제거하였으며, 이는 이전 평균의 3배 이상이며, 총 1梃의 총기를 압수하고 3개의 사냥 그룹을 막아내는 데 성공하였다.
• 모델은 고위험 지역과 저위험 지역을 성공적으로 구분하였으며, 랭커스는 예측 결과가 그들의 현장 경험과 계절 패턴과 일치함을 확인하였다.
• 현장 테스트 결과 시스템의 예측 능력이 실험실을 초월함을 확인하였으며, 랭커스는 순찰 계획 수립에 있어 더 높은 자신감과 효율성을 경험하였고, 보존 파artner는 글로벌 배포에 대해 강력한 관심을 표명하였다.
• 건기와 우기로 나누어 훈련 데이터를 분리함으로써 모델 정확도가 향상되었으며, 건기 동안 북부 지역에서 더 높은 사냥 위험이 예측되었고, 우기에는 남부 지역에서 더 높은 위험이 예측되었는데, 이는 랭커스의 관찰과 일치하였다.