Abstract Advances in artificial intelligence for computer vision hold great promise for increasing the scales at which ecological systems can be studied. The distribution and behavior of individuals is central to ecology, and computer vision using deep neural networks can learn to detect individual objects in imagery. However, developing supervised models for ecological monitoring is challenging because it needs large amounts of human-labeled training data, requires advanced technical expertise and computational infrastructure, and is prone to overfitting. This limits application across space and time. One solution is developing generalized models that can be applied across species and ecosystems. Using over 250,000 annotations from 13 projects from around the world, we develop a general bird detection model that achieves over 65% recall and 50% precision on novel aerial data without any local training despite differences in species, habitat, and imaging methodology. Fine-tuning this model with only 1000 local annotations increase these values to an average of 84% recall and 69% precision by building on the general features learned from other data sources. Retraining from the general model improves local predictions even when moderately large annotation sets are available and makes model training faster and more stable. Our results demonstrate that general models for detecting broad classes of organisms using airborne imagery are achievable. These models can reduce the effort, expertise, and computational resources necessary for automating the detection of individual organisms across large scales, helping to transform the scale of data collection in ecology and the questions that can be addressed.

Abstract Giant kelp and bull kelp forests are increasingly at risk from marine heatwave events, herbivore outbreaks, and the loss or alterations in the behavior of key herbivore predators. The dynamic floating canopy of these kelps is well-suited to study via satellite imagery, which provides high temporal and spatial resolution data of floating kelp canopy across the western United States and Mexico. However, the size and complexity of the satellite image dataset has made ecological analysis difficult for scientists and managers. To increase accessibility of this rich dataset, we created Kelpwatch, a web-based visualization and analysis tool. This tool allows researchers and managers to quantify kelp forest change in response to disturbances, assess historical trends, and allow for effective and actionable kelp forest management. Here, we demonstrate how Kelpwatch can be used to analyze long-term trends in kelp canopy across regions, quantify spatial variability in the response to and recovery from the 2014 to 2016 marine heatwave events, and provide a local analysis of kelp canopy status around the Monterey Peninsula, California. We found that 18.6% of regional sites displayed a significant trend in kelp canopy area over the past 38 years and that there was a latitudinal response to heatwave events for each kelp species. The recovery from heatwave events was more variable across space, with some local areas like Bahía Tortugas in Baja California Sur showing high recovery while kelp canopies around the Monterey Peninsula continued a slow decline and patchy recovery compared to the rest of the Central California region. Kelpwatch provides near real time spatial data and analysis support and makes complex earth observation data actionable for scientists and managers, which can help identify areas for research, monitoring, and management efforts.