KI enthüllt verborgene Merkmale der Flora unseres Planeten und hilft so, Arten zu retten

Wissenschaftler der UNSW und des Botanic Gardens of Sydney haben KI darauf trainiert, Daten aus Millionen von Pflanzenexemplaren zu erschließen, die in Herbarien auf der ganzen Welt aufbewahrt werden, um die Auswirkungen des Klimawandels auf die Flora zu untersuchen und zu bekämpfen.

„Herbarsammlungen sind erstaunliche Zeitkapseln von Pflanzenexemplaren“, sagt der Hauptautor der Studie, außerordentlicher Professor Will Cornwell. „Jedes Jahr werden allein dem National Herbarium of New South Wales über 8.000 Exemplare hinzugefügt, sodass es nicht mehr möglich ist, die Dinge manuell durchzugehen.“

Mithilfe eines neuen Algorithmus für maschinelles Lernen zur Verarbeitung von mehr als 3.000 Blattproben stellte das Team fest, dass im Gegensatz zu häufig beobachteten Mustern zwischen den Arten die Blattgröße in wärmeren Klimazonen innerhalb einer einzelnen Art nicht zunimmt.

Veröffentlicht im Amerikanisches Journal für BotanikDiese Forschung zeigt nicht nur, dass andere Faktoren als das Klima einen starken Einfluss auf die Blattgröße einer Pflanzenart haben, sondern zeigt auch, wie KI verwendet werden kann, um statische Exemplarsammlungen umzuwandeln und die Auswirkungen des Klimawandels schnell und effektiv zu dokumentieren.

Herbarium-Sammlungen verlagern sich in die digitale Welt

Herbarien sind wissenschaftliche Bibliotheken von Pflanzenexemplaren, die mindestens seit dem 16. Jahrhundert existieren. „Historisch gesehen bestand eine wertvolle wissenschaftliche Anstrengung darin, hinauszugehen, Pflanzen zu sammeln und sie dann in einem Herbarium aufzubewahren. Jede Aufzeichnung hat eine Zeit und einen Ort sowie einen Sammler und eine mutmaßliche Art-ID“, sagt A/Prof. Cornwell, Forscher an der School of BEES und Mitglied des UNSW Data Science Hub.

Um die wissenschaftliche Zusammenarbeit zu erleichtern, gab es vor einigen Jahren eine Bewegung, diese Sammlungen online zu übertragen.

„Die Herbarium-Sammlungen waren an bestimmten Orten in kleinen Kisten verschlossen, aber die Welt ist jetzt sehr digital. Um den Wissenschaftlern, die jetzt über die ganze Welt verstreut sind, Informationen über all die unglaublichen Exemplare zukommen zu lassen, wurde versucht, sie zu scannen.“ Proben, um hochauflösende digitale Kopien davon anzufertigen.

Das größte Herbarium-Imaging-Projekt wurde im Botanischen Garten von Sydney durchgeführt, als über 1 Million Pflanzenexemplare im National Herbarium von New South Wales in hochauflösende digitale Bilder umgewandelt wurden.

„Das Digitalisierungsprojekt dauerte über zwei Jahre und kurz nach seiner Fertigstellung kontaktierte mich einer der Forscher – Dr. Jason Bragg – vom Botanischen Garten Sydney. Er wollte sehen, wie wir maschinelles Lernen in einige dieser hochauflösenden digitalen Projekte integrieren können.“ Bilder der Herbarium-Exemplare.

Dr. Bragg sagt: „Ich war begeistert, mit A/Prof. Cornwell an der Entwicklung von Modellen zur Erkennung von Blättern in Pflanzenbildern zusammenzuarbeiten und diese großen Datensätze dann zu verwenden, um Beziehungen zwischen Blattgröße und Klima zu untersuchen.“

„Computer Vision“ misst Blattgrößen

Zusammen mit Dr. Bragg vom Botanischen Garten Sydney und dem UNSW Honors-Studenten Brendan Wilde, A/Prof. Cornwell entwickelte einen Algorithmus, der automatisiert werden konnte, um die Größe der Blätter gescannter Herbariumproben für zwei Pflanzengattungen zu erkennen und zu messen – Syzygium (allgemein bekannt als Lilipillien, Buschkirschen oder Satinas) und Ficus (eine Gattung von etwa 850 Arten von Gehölzen). Sträucher und Weinreben).

„Diese Art von KI wird als Convolutional Neural Network bezeichnet, auch bekannt als Computer Vision“, sagt Cornwell. Der Prozess bringt der KI im Wesentlichen bei, die Bestandteile einer Pflanze auf die gleiche Weise zu sehen und zu identifizieren, wie es ein Mensch tun würde.

„Wir mussten einen Trainingsdatensatz erstellen, um dem Computer beizubringen: Das ist ein Blatt, das ist ein Stängel, das ist eine Blume“, sagt Cornwell. „Also haben wir dem Computer im Grunde beigebracht, die Blätter zu lokalisieren und dann ihre Größe zu messen.

„Das Messen der Größe von Blättern ist nichts Neues, weil viele Menschen dies getan haben. Aber die Geschwindigkeit, mit der diese Exemplare verarbeitet und ihre individuellen Eigenschaften protokolliert werden können, ist eine neue Entwicklung.“

Ein Bruch in häufig beobachteten Mustern

Eine allgemeine Faustregel in der botanischen Welt besagt, dass in feuchteren Klimazonen wie tropischen Regenwäldern die Blätter von Pflanzen größer sind als in trockeneren Klimazonen wie Wüsten.

„Und das ist ein sehr konsistentes Muster, das wir in Blättern verschiedener Arten auf der ganzen Welt sehen“, sagt Cornwell. „Der erste Test, den wir durchgeführt haben, bestand darin, zu sehen, ob wir diese Beziehung aus den maschinell erlernten Daten rekonstruieren können, was uns gelang. Aber die zweite Frage war, ob wir das Gleiche sehen, weil wir jetzt so viel mehr Daten haben als zuvor.“ Ding innerhalb der Art?“

Der Algorithmus für maschinelles Lernen wurde entwickelt, validiert und angewendet, um die Beziehung zwischen Blattgröße und Klima innerhalb und zwischen Arten für Syzygium- und Ficus-Pflanzen zu analysieren.

Die Ergebnisse dieses Tests waren überraschend – das Team stellte fest, dass dieses Muster zwar zwischen verschiedenen Pflanzenarten zu beobachten ist, die gleiche Korrelation jedoch nicht innerhalb einer einzelnen Art auf der ganzen Welt beobachtet werden kann, was wahrscheinlich auf einen anderen Prozess, den sogenannten Genfluss, zurückzuführen ist innerhalb der Arten agieren. Dieser Prozess schwächt die Pflanzenanpassung auf lokaler Ebene und könnte die Entwicklung der Blattgröße-Klima-Beziehung innerhalb der Art verhindern.

Einsatz von KI zur Vorhersage zukünftiger Reaktionen auf den Klimawandel

Der hier verwendete Ansatz des maschinellen Lernens zur Erkennung und Messung von Blättern lieferte, wenn auch nicht pixelgenau, ein Maß an Genauigkeit, das für die Untersuchung von Zusammenhängen zwischen Blattmerkmalen und Klima geeignet ist.

„Aber weil sich die Welt ziemlich schnell verändert und es so viele Daten gibt, können solche maschinellen Lernmethoden genutzt werden, um die Auswirkungen des Klimawandels effektiv zu dokumentieren“, sagt Cornwell.

Darüber hinaus können die Algorithmen des maschinellen Lernens trainiert werden, um Trends zu erkennen, die für menschliche Forscher möglicherweise nicht sofort erkennbar sind. Dies könnte zu neuen Erkenntnissen über die Evolution und Anpassung von Pflanzen sowie zu Vorhersagen darüber führen, wie Pflanzen auf zukünftige Auswirkungen des Klimawandels reagieren könnten.