Forscher hören Insekten zu, um die Umweltgesundheit besser beurteilen zu können

Eine aktuelle Studie der University of Massachusetts Amherst untersucht, inwieweit maschinelles Lernen verschiedene Insektenarten anhand ihres Klangs identifizieren kann, von Malaria übertragenden Mücken und getreidehungrigen Rüsselkäfern bis hin zu bestäubenden Bienen, Feldfrüchten und saftsaugenden Zikaden.

Wenn wir der Insektenwelt zuhören, können wir die Entwicklung von Insektenpopulationen überwachen und uns so über den allgemeinen Gesundheitszustand der Umwelt informieren. Die Studie, veröffentlicht in der Zeitschrift für Angewandte Ökologieschlägt vor, dass maschinelles Lernen und Deep Learning zum Goldstandard für die automatisierte bioakustische Modellierung werden und dass Ökologen und Experten für maschinelles Lernen fruchtbar zusammenarbeiten können, um das volle Potenzial der Technologie zu entwickeln.

„Insekten regieren die Welt“, sagt Laura Figueroa, Assistenzprofessorin für Umweltschutz an der UMass Amherst und Hauptautorin des Artikels. „Einige sind Überträger von Krankheiten und Schädlingen, während andere nahrhafte Pflanzen bestäuben und Nährstoffe recyceln. Sie bilden die Grundlage von Ökosystemen auf der ganzen Welt und dienen als Nahrung für Tiere von Vögeln und Fischen bis hin zu Bären und „Überall, wo wir hinschauen, gibt es Insekten, aber.“ Es ist schwer, ein Gefühl dafür zu bekommen, wie sich ihre Populationen verändern.“

Tatsächlich verändern sich die Insektenpopulationen im Zeitalter chemischer Pestizide, des Klimawandels und anderer Umweltstressoren dramatisch. Einige Arten, wie zum Beispiel Bestäuber, die jedes Jahr weltweit für mehr als 200 Milliarden US-Dollar an Ökosystemdienstleistungen verantwortlich sind, scheinen zu verschwinden, während andere, wie zum Beispiel Mücken, die Malaria, Dengue-Fieber und andere Krankheiten übertragen können. Andere Krankheiten scheinen auf dem Vormarsch zu sein . Dennoch kann es schwierig sein, sich ein klares Bild davon zu machen, wie sich Insektenpopulationen verändern.

Bei vielen traditionellen Methoden zur Probenahme von Insektenpopulationen werden Entomologen ins Feld geschickt, um einzelne Arten zu sammeln und zu identifizieren. Obwohl diese Methoden zuverlässige Ergebnisse liefern können, erfordern sie auch viel Zeit und Ressourcen und sind für gefangene Insekten oft tödlich. Hier kommt KI ins Spiel.

„Nachdem ich über ein Jahrzehnt lang auf dem Feld gearbeitet habe, kann ich den Unterschied zwischen dem Summen einer Biene und dem einer Fliege erkennen“, sagt Figueroa. „Da viele, aber nicht alle Insekten Geräusche machen, sollten wir in der Lage sein, KI-Modelle zu trainieren, sie anhand der einzigartigen Geräusche zu identifizieren, die sie machen.“

Tatsächlich gibt es ein solches Training bereits, aber was sind die besten KI-Methoden?

Um diese Frage zu beantworten, führten Figueroa und Kollegen, darunter die Hauptautorin Anna Kohlberg, die diese Forschung während ihrer Arbeit in Figueroas Labor durchführte, eine systematische Literaturrecherche durch, um Studien zu analysieren, bei denen verschiedene Arten automatisierter bioakustischer Modelle zur Identifizierung von Insekten verwendet wurden. Sie fanden Muster für 302 verschiedene Arten in neun taxonomischen Ordnungen. Sie teilten die resultierenden Modelle in drei große Kategorien ein: nicht-maschinelles Lernen, maschinelles Lernen und tiefes Lernen.

Nicht-maschinelle Lernmodelle verknüpfen Insektenrufe mit bestimmten Markern, auf die menschliche Forscher als Identifikationsschlüssel verweisen, beispielsweise einem bestimmten Frequenzband im Ruf einer Katydide. Das Modell „horcht“ dann auf diese spezifischen, vom Menschen vorgegebenen Signale.

Maschinelles Lernen hingegen verwendet keinen vordefinierten Satz von Markern, sondern verlässt sich stattdessen auf einen flexiblen Rechenrahmen, um relevante Muster in Geräuschen zu finden, und ordnet diese Muster dann den bioakustischen Daten zu, auf denen es trainiert wurde.

Deep Learning, eine spezielle Form des maschinellen Lernens, basiert auf fortschrittlicheren neuronalen Computer-Frameworks, die dem Modell mehr Flexibilität verleihen, um relevante bioakustische Muster effizient zu identifizieren. Es zeigt sich, dass Modelle, die auf Deep Learning basieren, am besten abschneiden. Einige der Besten können Hunderte von Arten mit einer Genauigkeit von über 90 % klassifizieren.

„Das bedeutet nicht, dass KI alle traditionellen Überwachungsansätze ersetzen kann oder sollte“, sagt Kohlberg, und es gibt Grenzen für ihre Möglichkeiten. Die meisten Modelle erfordern große Datensätze zum Trainieren, und obwohl sie immer besser mit kleineren Datensätzen arbeiten können, bleiben sie datenintensive Werkzeuge. Darüber hinaus machen nicht alle Insekten Geräusche wie Blattläuse. Und sehr laute Umgebungen, wie beispielsweise eine städtische Umgebung, können die Schallüberwachungsbemühungen leicht stören.

„Automatisierte Bioakustik ist ein Schlüsselwerkzeug in einem vielfältigen Werkzeugkasten, mit dem wir diese wichtigen Organismen überall auf der Welt effektiv überwachen können“, sagt Kohlberg.