iNaturalist の観測記録を時系列で可視化するツール「Sightings」の紹介

ツール: iNaturalist Sightings

私は、iNaturalist の観測記録を、2 つの異なるアカウントにまたがって、発生した時期ごとにグループ化して表示したいと思いました。今週末はキャンプに行くので、ウェブ版 Claude Code を使って完全にスマホでこのツールを作成しました。

まずは、観測データを取得し、「クランプ（clump：近接する観測をまとめる処理）」を行うための Python CLI ツール inaturalist-clumper を作成しました。デフォルトでは、このクランプ処理は互いに 2 時間以内かつ 5km 以内の観測データをまとめます。

次に、そのツールを実行して結果を clumps.json に記録するために、simonw/inaturalist-clumps を Git スクレイピング リポジトリとして設定しました。

この JSON ファイルは GitHub でホストされているため、JavaScript による CORS（Cross-Origin Resource Sharing）を介した取得が可能です。

最後に、以下のプロンプトを私の simonw/tools リポジトリに対して実行しました：

inat-sightings.html を構築してください。これは fetch() 関数を使って https://raw.githubusercontent.com/simonw/inaturalist-clumps/refs/heads/main/clumps.json にアクセスし、すべての観測記録を 1 ページに表示するアプリです。サムネイルには https://static.inaturalist.org/photos/538073008/small.jpg のような small.jpg URL を使用し、loading=lazy 属性を設定してください。ただし、サムネイルがクリックされた場合は、HTML モーダル内で large.jpg を表示するようにしてください。両方の画像には、利用可能な場合は共通種名（common species names）を含めてください。

翻訳全文

Tags: tools, claude-code, inaturalist, generative-ai, ai, llms

前回の投稿では、生成 AI を活用して iNaturalist の観測データを分析し、特定の種の分布や季節的なパターンを可視化する手法について紹介しました。今回は、その続きとして、より高度な分析や実用的な応用例について掘り下げていきます。

まず、AI が特定種の生息地予測にどのように貢献できるかを見てみましょう。過去の観測データと気象データ、地形データを組み合わせることで、機械学習モデルが将来の生息地拡大や縮小を予測する可能性があります。例えば、ある鳥類の移動経路が気候変動によってどう変化するかをシミュレーションしたり、外来種の侵入リスクが高い地域を特定したりすることが可能です。

また、市民科学プロジェクトにおける AI の役割も重要です。一般参加者が撮影した写真の自動識別精度を向上させることで、データ収集の質と量を大幅に改善できます。特に、類似種の見分けが難しい場合や、画像が不鮮明な場合でも、AI が候補種を絞り込む手助けをします。

さらに、教育現場での活用事例も増えています。学校で iNaturalist を利用し、生徒たちが地域の生物多様性を調査する際、AI が種の同定をサポートすることで、学習の効率と興味が向上しています。教師は AI の出力を確認しながら指導を行い、生徒たちは実際のデータに基づいて科学的な考察を行うことができます。

ただし、AI による分析には注意点もあります。データの偏りや誤識別の可能性を常に考慮し、人間の専門家の判断と組み合わせることが不可欠です。また、プライバシーや倫理的な問題にも配慮する必要があります。

最後に、今後の展望として、リアルタイムでの種同定や、グローバルなデータ連携の強化が期待されています。AI と市民科学の融合は、生物多様性の保全に向けた新たな可能性を切り開くでしょう。

次回の投稿では、具体的なコード例を用いた分析ツールの実装方法について詳しく解説する予定です。