KI ermöglicht es iNaturalist, kalifornische Pflanzen mit beispielloser Präzision zu kartieren

Mithilfe fortschrittlicher künstlicher Intelligenz und Citizen-Science-Daten aus der iNaturalist-App haben Forscher der University of California in Berkeley einige der bisher detailliertesten Karten entwickelt, die die Verbreitung der Pflanzenarten Kaliforniens zeigen.

iNaturalist ist eine weit verbreitete Mobiltelefonanwendung, die ursprünglich von Studenten der UC Berkeley entwickelt wurde und es Menschen ermöglicht, Fotos und Standortdaten von Pflanzen, Tieren oder anderen Lebewesen, denen sie begegnen, hochzuladen und dann ihre Identität zu erfassen. Die App hat derzeit über 8 Millionen Nutzer weltweit, die zusammen über 200 Millionen Beobachtungen hochgeladen haben.

Die Forscher verwendeten eine Art künstlicher Intelligenz namens Convolutional Neural Network, bei der es sich um ein Deep-Learning-Modell handelt, um Citizen-Science-Daten über kalifornische Pflanzen mit hochauflösenden Fernerkundungssatelliten- oder Luftbildern des Staates zu korrelieren. Das Netzwerk entdeckte Korrelationen, die dann verwendet wurden, um das aktuelle Verbreitungsgebiet von 2.221 Pflanzenarten in ganz Kalifornien auf einer Skala von nur wenigen Quadratmetern vorherzusagen.

Botaniker erstellen in der Regel hochwertige Artenkarten, indem sie alle Pflanzenarten in einem Gebiet sorgfältig katalogisieren. Dies ist jedoch außerhalb einiger kleiner Naturgebiete oder Nationalparks nicht möglich. Stattdessen nutzt das KI-Modell namens Deepbiosphere kostenlose Daten von iNaturalist und Fernerkundungsflugzeugen oder -satelliten, die mittlerweile den gesamten Globus abdecken. Mit ausreichenden Beobachtungen durch Bürgerwissenschaftler könnte das Modell in Ländern eingesetzt werden, in denen detaillierte wissenschaftliche Daten zur Pflanzenverteilung und ihren Lebensräumen fehlen, um Vegetationsveränderungen wie Abholzung oder Nachwachsen nach Waldbränden zu überwachen.

Die Ergebnisse wurden am 5. September in der Zeitschrift veröffentlicht Verfahren der Nationalen Akademie der Wissenschaften von Moisés „Me“ Expósito-Alonso, Assistenzprofessor für integrative Biologie an der UC Berkeley, Erstautorin Lauren Gillespie, Doktorandin in Informatik an der Stanford University, und Kollegen. Gillespie erhält derzeit ein Stipendium des US-amerikanischen Fulbright Student Program, um ähnliche Techniken zur Erkennung von Mustern der Pflanzenbiodiversität in Brasilien einzusetzen.

„In meinem Jahr hier in Brasilien erlebten wir die schlimmste Dürre aller Zeiten und eine der schlimmsten Waldbrandsaisonen aller Zeiten“, sagte Gillespie. „Bisher konnten wir mithilfe von Fernerkundungsdaten erfahren, wo diese Brände aufgetreten sind oder wo die Dürre am schlimmsten ist, und mit Hilfe von Deep-Learning-Ansätzen wie Deepbiosphere werden sie uns bald sagen, was mit einzelnen Arten in der Region passiert.“ Feld.”

„Das ist ein Ziel: es auf viele Orte auszudehnen“, sagte Expósito-Alonso. „Fast jeder hat jetzt ein Smartphone, also werden die Leute vielleicht anfangen, Fotos von natürlichen Lebensräumen zu machen, und das ist auf globaler Ebene möglich. Irgendwann wird es uns ermöglichen, Ebenen in Google Maps zu haben, die zeigen, wo sich alle Arten befinden, also wir.“ kann sie beschützen.

Fernerkundungsdaten sind nicht nur kostenlos und decken den größten Teil der Erde ab, sondern sind auch feinkörniger und werden häufiger aktualisiert als andere Informationsquellen, wie beispielsweise regionale Klimakarten, die oft eine höhere Auflösung von einigen Kilometern haben. Die Verwendung von Citizen-Science-Daten mit Fernerkundungsbildern – einfache Infrarotkarten, die nur ein Bild und eine Temperatur liefern – könnte die tägliche Überwachung schwer zu verfolgender Landschaftsveränderungen ermöglichen.

Eine solche Überwachung kann Ökologen dabei helfen, Hotspots des Wandels zu entdecken oder artenreiche Gebiete zu identifizieren, die Schutz benötigen.

„Dank der Fernerkundung erhalten wir fast alle paar Tage neue Bilder der Erde mit einer Auflösung von einem Meter“, sagte Expósito-Alonso. „Damit können wir nun möglicherweise Änderungen in der Pflanzenverteilung und Änderungen in der Ökosystemverteilung in Echtzeit verfolgen. Wenn Menschen abgelegene Orte im Amazonasgebiet abholzen, kommen sie nicht ungestraft davon – das berichtet dieses Vorhersagenetzwerk.“

Expósito-Alonso, der Anfang des Jahres von Stanford an die UC Berkeley gezogen ist, ist ein Evolutionsbiologe, der sich dafür interessiert, wie sich Pflanzen genetisch entwickeln, um sich an den Klimawandel anzupassen.

„Ich hatte das Bedürfnis, eine skalierbare Möglichkeit zu haben, um zu wissen, wo sich Pflanzen befinden und wie sie sich bewegen“, sagte er. „Wir wissen bereits, dass sie versuchen, in kühlere Gebiete zu migrieren, dass sie versuchen, sich an die Umgebung anzupassen, mit der sie jetzt konfrontiert sind. In unserem Labor geht es vor allem darum, diese Veränderungen und Auswirkungen zu verstehen und festzustellen, ob sich Pflanzen anpassen werden.“ .

In der Studie testeten die Forscher Deepbiosphere, indem sie einige iNaturalist-Daten aus dem KI-Trainingssatz ausschlossen und dann das KI-Modell aufforderten, Pflanzen im ausgeschlossenen Bereich vorherzusagen. Das KI-Modell hatte eine Genauigkeit von 89 % bei der Identifizierung des Vorhandenseins von Arten, verglichen mit 27 % bei früheren Methoden. Sie verglichen es auch mit anderen Modellen, die entwickelt wurden, um vorherzusagen, wo Pflanzen in Kalifornien wachsen und wie sie wandern werden, wenn die Temperaturen steigen und sich die Niederschläge ändern. Eines dieser Modelle ist Maxententwickelt am American Museum of Natural History, das Klimagitter und georeferenzierte Pflanzendaten verwendet. Deepbiosphere schnitt deutlich besser ab als Maxent.

Sie testeten Deepbiosphere auch anhand detaillierter Pflanzenkarten, die für ausgewählte Staatsparks erstellt wurden. Es hat den Standort von Mammutbäumen im Redwood-Nationalpark in Nordkalifornien mit einer Genauigkeit von 81,4 % vorhergesagt und genau erfasst (mit R²=0,53) Schwere der Verbrennungen durch das Rim Fire 2013 im Yosemite-Nationalpark.

„Das Erstaunliche an diesem Modell, das Lauren entwickelt hat, ist, dass man es einfach mit öffentlich verfügbaren Daten trainiert, die die Leute immer wieder mit ihren Handys herunterladen, aber man kann genug Informationen extrahieren, um gut definierte Karten in hoher Auflösung erstellen zu können.“ » sagte Expósito-Alonso. „Sobald wir die geografischen Auswirkungen verstanden haben, lautet die nächste Frage: ‚Werden sich die Pflanzen anpassen?‘

Megan Ruffley, ebenfalls von der Carnegie Institution for Science in Stanford, ist Mitautorin des Artikels.