Vědci z Oxfordské univerzity poprvé použili umělou inteligenci k sečtení slavné Velké migrace pakoňů v africkém Serengeti — a to přímo ze satelitních snímků z oběžné dráhy. Výsledek překvapil i je samotné: místo dlouho uváděných 1,3 milionu zvířat jich AI napočítala méně než 600 000. Rozdíl přesahuje 700 000 kusů. Není to jen kuriozita pro milovníky přírody — je to ukázka toho, jak hluboké učení dnes řeší úkoly, které byly pro člověka prakticky nemožné.

Studie vyšla 9. září 2025 v recenzovaném časopise PNAS Nexus a vedl ji tým z oxfordské Wildlife Conservation Research Unit (WildCRU). Podívejme se, jak to celé funguje — a co si z toho může odnést kdokoli, kdo přemýšlí o nasazení AI.

Jak se počítají statisíce zvířat z výšky 700 kilometrů

Klíčem je spojení dvou věcí: satelitních snímků s velmi vysokým rozlišením a neuronových sítí natrénovaných na rozpoznávání jednotlivých zvířat.

Tým natrénoval dva modely hlubokého učení — U-Net a YOLOv8 — na datasetu 70 417 ručně označených pakoňů. Modely pak pustil na více než 4 000 km² satelitních snímků severního Serengeti v Tanzanii a jihozápadní Keni včetně rezervace Maasai Mara. Snímky pořídily družice Maxar Technologies WorldView-2 a WorldView-3 v srpnu 2022 a 2023 z výšky 617 až 770 kilometrů nad zemí.

Oba modely dosáhly takzvaného F1 skóre až 0,83 — což se v monitoringu divočiny považuje za vynikající přesnost. (F1 skóre se pohybuje od 0 do 1 a kombinuje to, jak často model trefí správně, s tím, kolik objektů vůbec najde.) Aby bylo jasné, jak náročný úkol to je: při rozlišení 30–60 cm na pixel je jeden pakůň na snímku jen 6 až 12 pixelů velká skvrnka. Ručně projít tisíce kilometrů čtverečních takových snímků je nemyslitelné — a přesně tady má AI navrch.

Záhada 700 000 chybějících pakoňů

Proč je ten rozdíl tak zásadní? Protože odhad 1,3 milionu pakoňů se v podstatě nezměnil od 70. let minulého století a opírá se o letecké sčítání — letadlo přeletí podél předem daných linií, fotí stáda pod sebou a zbytek plochy se dopočítává statistikou. Pokud jsou zvířata rozmístěná nerovnoměrně, vznikají chyby.

Nové výsledky obou AI modelů přitom byly pozoruhodně shodné: 324 202 až 337 926 kusů v roce 2022 a 502 917 až 533 137 v roce 2023. To je proti dřívějšímu odhadu schodek nejméně 700 000 zvířat.

Kam se poděla? Vedoucí studie Dr. Isla Duporge upozorňuje, že podle dat z GPS obojků byla většina stáda uvnitř sledované oblasti a je nepravděpodobné, že by se půl milionu zvířat schovalo třeba pod stromy. Možností je víc: dřívější letecké odhady mohly být nadsazené, zvířata mohla změnit trasy migrace — a část „přebytku“ může jít i na vrub toho, že AI zatím neumí spolehlivě odlišit pakoně od podobně velké zebry nebo antilopy losí. Autoři proto své číslo považují spíš za horní hranici.

Letecké sčítání vs. satelit s AI

Proč vědci tak rychle přešli k satelitům? Srovnání obou metod mluví samo za sebe:

Kritérium Klasické letecké sčítání Satelitní snímky + AI
Pokrytí Úzké pruhy, zbytek se dopočítává Až stovky tisíc km² na jednom snímku
Riziko chyby Extrapolace, dvojí počítání Bez extrapolace, minimum dvojího počítání
Rušení zvířat Ano (hluk letadla) Žádné
Bezpečnost pro lidi Riskantní lety v nízké výšce Bez rizika
Zpracování dat Ruční počítání z fotografií AI projde tisíce km² automaticky

Proč na přesném čísle tolik záleží

Velká migrace pakoňů přes Serengeti a Maasai Mara je jedním z největších přírodních divadel na Zemi a zároveň motorem celého ekosystému — živí lvy, krokodýly i hyeny a přitahuje turisty, kteří přinášejí klíčové příjmy Keni a Tanzanii.

Nižší počty nutně neznamenají, že populace kolabuje; zvířata mohla jen upravit trasy. Pakoně ale čelí reálným tlakům: rozpadu přirozeného prostředí kvůli zemědělství, plotům a infrastruktuře a změně klimatu, která mění srážky i dostupnost pastvin. A jak říká spoluautor studie profesor David Macdonald: „Nejzákladnější věc, kterou potřebujete vědět, abyste mohli druh chránit, je, kolik jich vlastně je.“ Bez přesného čísla je každé ochranářské rozhodnutí střelbou naslepo.

Není to jen o pakoních — AI tiše mění ochranu divočiny

Oxfordský tým navazuje na svůj dřívější úspěch, kdy naučil AI rozpoznávat ze satelitu slony. Novinkou je, že tentokrát šlo o sečtení jednotlivých zvířat ve velké, rozptýlené populaci — ne jen v izolovaných skupinách. Metoda se přitom dá rozšířit na soby, zebry nebo velbloudy a tým už pracuje na detekci nosorožců. Kód svého modelu vědci navíc zveřejnili volně na GitHubu.

Podobných příběhů přibývá. Systém TrailGuard AI neziskovky RESOLVE (vyvinutý ve spolupráci s Intelem) používá kamery s AI, které v afrických rezervacích rozpoznají pytláka a v reálném čase upozorní strážce. V tanzanské rezervaci Grumeti pomohl zadržet desítky pytláků a zabavit stovky kilogramů masa z nelegálního lovu. Americký úřad NOAA zase testuje detekci velryb z družicových snímků. Společným jmenovatelem je, že AI zvládá to, co je pro člověka kvůli objemu dat nebo nebezpečí prakticky neproveditelné.

Co si z toho může vzít česká firma

Příběh pakoňů má jedno obecné ponaučení: největší hodnotu AI často nepřináší tím, že nahradí člověka, ale tím, že zvládne úkol, který byl dosud prakticky neřešitelný — třeba spočítat půl milionu zvířat na tisících satelitních snímků. Skoro každá firma přitom sedí na datech, ve kterých se skrývají vlastní „chybějící pakoně“: vzorce v objednávkách, v chování zákazníků nebo ve výrobních datech, které ručně nikdo nikdy nenajde.

Pokud přemýšlíte, kde by AI mohla dávat smysl právě u vás, v AI poradenství Praxio to s vámi projdeme krok za krokem a řekneme i to, co možná nechcete slyšet — třeba že se vám konkrétní nasazení zatím nevyplatí. Nabízíme nezávislý pohled bez vázanosti na jednoho dodavatele a úvodní konzultace je zdarma. Další inspiraci, jak AI využívají jinde, najdete v rubrice AI v praxi; a jestli teprve hledáte směr, pomůže vám AI Kompas.

Často kladené otázky

Jak přesně umí AI rozpoznat zvíře na satelitním snímku?

Ve studii dosáhly modely U-Net a YOLOv8 F1 skóre až 0,83, což se v monitoringu divočiny považuje za vynikající. Limitem je rozlišení snímků: při 30–60 cm na pixel je pakůň jen 6–12 pixelů velký, takže ho AI zatím nemusí odlišit od podobně velké zebry či antilopy.

Nahradí satelity a AI klasické sčítání zvířat?

Zatím spíš doplňují. Satelit pokryje obrovskou plochu naráz, neruší zvířata a je bezpečnější než lety s letadlem. Pro ověření a kalibraci se ale dál hodí pozemní a letecká data — ideální je kombinace metod.

Kde najdu původní studii?

Studie „AI-based satellite survey offers independent assessment of migratory wildebeest numbers in the Serengeti“ vyšla 9. září 2025 v časopise PNAS Nexus. Kód modelu je volně dostupný na GitHubu pod projektem sat-wildlife.

Zdroje: University of Oxford, PNAS Nexus, RESOLVE — TrailGuard AI, BBC — sloni ze satelitu.