Forscher beobachten Insekten, um die Umweltgesundheit besser beurteilen zu können

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

Durch das Abhören der Insektenwelt können wir beobachten, wie sich Insektenpopulationen verändern, und so Aufschluss über den allgemeinen Gesundheitszustand der Umwelt geben. Die Studie, veröffentlicht im Zeitschrift für Angewandte Ökologielegt nahe, dass maschinelles und tiefes Lernen zum Goldstandard für die automatisierte bioakustische Modellierung wird und dass Ökologen und Experten für maschinelles Lernen erfolgreich 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 leitende Autorin der Zeitung. „Einige sind Krankheitsüberträger und Schädlinge, während andere nahrhafte Nutzpflanzen bestäuben und Nährstoffe umwandeln. Sie sind die Grundlage von Ökosystemen auf der ganzen Welt und dienen als Nahrung für Tiere, von Vögeln und Fischen bis hin zu Bären und Menschen. Überall, wo wir hinschauen, gibt es Insekten, aber es ist schwierig, ein Gefühl dafür zu bekommen, wie sich ihre Populationen verändern.“

Tatsächlich verändern sich die Insektenpopulationen im Zeitalter chemischer Pestizide, des Klimawandels und anderer Umweltstressoren drastisch. Einige Arten – wie die Bestäuber, die jährlich für Ökosystemdienstleistungen verantwortlich sind, deren Schätzungen auf weit über 200 Milliarden US-Dollar weltweit geschätzt werden – scheinen abzusterben, während andere, wie Mücken, die Malaria, Dengue-Fieber und andere Krankheiten übertragen können, auf dem Vormarsch zu sein scheinen. Dennoch kann es schwierig sein, ein genaues Bild davon zu bekommen, 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. Diese Methoden können zwar zuverlässige Ergebnisse liefern, sind aber auch zeit- und ressourcenintensiv und oft tödlich für die gefangenen Insekten. 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 Summen einer Fliege erkennen“, sagt Figueroa. „Da viele, aber nicht alle Insekten Geräusche abgeben, sollten wir KI-Modellen beibringen können, sie anhand der einzigartigen Geräusche zu identifizieren, die sie machen.“

Tatsächlich gibt es solche Schulungen bereits – aber welche KI-Methoden sind die besten?

Um diese Frage zu beantworten, führten Figueroa und ihre Kollegen, darunter die Hauptautorin Anna Kohlberg, die diese Forschung während ihrer Arbeit im Figueroa-Labor fertigstellte, eine systematische Literaturrecherche durch, um Studien zu analysieren, die verschiedene Arten automatisierter bioakustischer Modelle zur Identifizierung von Insekten verwendeten. Sie fanden Modelle für 302 verschiedene Arten, verteilt auf neun taxonomische Ordnungen. Sie unterteilten die resultierenden Modelle in drei große Kategorien: nicht-maschinelles Lernen, maschinelles Lernen und Deep Learning.

Die nicht-maschinellen Lernmodelle ordnen Insektenrufe bestimmten Markern zu, die menschliche Forscher als Schlüssel zur Identifizierung festlegen, beispielsweise einem bestimmten Frequenzband im Ruf einer Katydide. Das Modell „lauscht“ dann auf diese spezifischen, vom Menschen vorgegebenen Hinweise.

Beim maschinellen Lernen hingegen werden keine vorab festgelegten Marker verwendet, sondern es wird auf ein flexibles Rechengerüst zurückgegriffen, um relevante Muster in den Geräuschen zu finden und diese Muster dann mit den Bioakustikdaten abzugleichen, auf denen es trainiert wurde.

Deep Learning, eine spezielle Form des maschinellen Lernens, basiert auf fortschrittlicheren neuronalen Rechenrahmen, die dem Modell mehr Flexibilität bei der effektiven Identifizierung relevanter bioakustischer Muster verleihen. Wie sich herausstellt, sind die Modelle, die auf Deep Learning basieren, am erfolgreichsten. Einige der Besten können Hunderte von Arten mit einer Genauigkeit von mehr als 90 % klassifizieren.

„Das bedeutet nicht, dass KI alle herkömmlichen Überwachungsansätze ersetzen kann oder sollte“, sagt Kohlberg, und es gibt Einschränkungen in ihren Möglichkeiten. Die meisten Modelle benötigen riesige Datensätze zum Trainieren, und auch wenn sie immer besser mit kleineren Datensätzen arbeiten können, bleiben sie datenintensive Werkzeuge. Darüber hinaus geben nicht alle Insekten Geräusche von sich – wie zum Beispiel Blattläuse. Und sehr laute Umgebungen, wie etwa eine städtische Umgebung, können die geräuschbasierte Überwachung leicht verwirren.

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