Zum ersten Mal werden Big Data und künstliche Intelligenz genutzt, um verborgene Muster in der Natur zu modellieren – nicht nur für eine Vogelart, sondern für ganze ökologische Gemeinschaften über Kontinente hinweg.
Die Modelle verfolgen den gesamten jährlichen Lebenszyklus jeder Art, von der Brut über die Herbstwanderung zu Nichtbrutgebieten und wieder zurück nach Norden während der Frühjahrswanderung.
Die Entwicklung und Anwendung dieses Rechentools ist das Ergebnis einer Zusammenarbeit zwischen dem Cornell Lab of Ornithology und dem Cornell Institute for Computational Sustainability. Diese Arbeit war veröffentlicht am 2. Oktober im Tagebuch Ökologie.
„Diese Methode sagt uns auf einzigartige Weise, welche Arten wo, wann, mit welchen anderen Arten und unter welchen Umweltbedingungen vorkommen“, sagte Hauptautorin Courtney Davis, Forscherin am Cornell Lab. „Mit dieser Art von Informationen können wir Landschaften mit hohem Schutzwert identifizieren und priorisieren – wichtige Informationen in dieser Zeit des anhaltenden Verlusts der biologischen Vielfalt.“
Die Forscher verwendeten Daten zu 500 nordamerikanischen Vogelarten aus mehr als 9 Millionen Checklisten, die von 900.000 Vogelbeobachtern bereitgestellt wurden, die ihre Sichtungen dem Cornell Lab melden eBird-Programm. Sie kombinierten es mit Daten zu 72 Umweltvariablen, darunter Topographie und Landbedeckung, um die Artenverteilung, typische Umgebungen und Interaktionen mit anderen Arten abzuschätzen.
Bisher konnten Wissenschaftler jeweils nur eine Handvoll Umweltvariablen und einige wenige Arten analysieren. Nun sind der Anzahl der Arten oder Variablen, die auf kontinentaler Ebene analysiert werden können, keine Grenzen mehr gesetzt, solange Daten verfügbar sind.
„Das war ein sehr anspruchsvolles Rechenproblem“, sagte Co-Autorin Carla Gomes, Ronald C. und Antonia V. Nielsen-Professorin für Informatik und Informationswissenschaft am Cornell Ann S. Bowers College of Computing and Information Science und Direktorin von Cornell’s Institut für Computational Sustainability. „Wir könnten diese Herausforderung aufgrund der jüngsten Fortschritte in der KI, insbesondere im Deep Learning, und der Entwicklungen bei Grafikprozessoren (GPUs) annehmen.“
Ursprünglich für Computerspiele entwickelt, die komplexe Grafiken und eine schnelle Datenverarbeitung erfordern, sind GPUs inzwischen für KI-Anwendungen unverzichtbar geworden und ermöglichen die schnelle Verarbeitung großer Datenmengen, sagte Gomes.
„In unserer Anwendung lernt das Modell, wie Arten mit ihrer Umwelt und mit anderen Arten interagieren, wodurch die Vorhersagen darüber, welche und wie viele Arten wo und wann vorkommen, genauer sind als bei früheren Ansätzen“, sagte Davis. „Diese Informationen verbessern unser Verständnis der natürlichen und menschlichen Faktoren, die zum Artenrückgang beitragen können, erheblich.“
Beispielsweise identifizierten die Wissenschaftler Gebiete von großer Bedeutung für nordamerikanische Waldsänger, eine Gruppe wandernder Arten, von denen bekannt ist, dass sie im Rückgang begriffen sind. Sie waren in der Lage, das ganze Jahr über und in jeder Brut-, Nichtbrut- und Zugsaison Gebiete von höchster Bedeutung zu identifizieren. Die Wissenschaftler arbeiten daran, die Ergebnisse dieser Methode verfügbar zu machen, damit auch Benutzer ohne Computerkenntnisse von den Vorteilen profitieren können, die nicht nur auf die Ornithologie beschränkt sind.
„Dieses Modell ist sehr allgemein gehalten und eignet sich für verschiedene Aufgaben, sofern genügend Daten vorhanden sind“, sagte Gomes. „Bei dieser Arbeit zur gemeinsamen Modellierung der Vogelartenverbreitung geht es darum, das Vorhandensein und Fehlen von Arten vorherzusagen, aber wir entwickeln auch Modelle zur Abschätzung der Vogelhäufigkeit – der Anzahl einzelner Vögel pro Art. Wir wollen das Modell auch durch die Einbeziehung von Vögeln verbessern.“ Anrufe neben visuellen Beobachtungen.
Laut Daniel Fink, Forscher am Cornell Lab und leitender Autor der Studie, ist diese Art der interdisziplinären Zusammenarbeit für die Zukunft des Schutzes der biologischen Vielfalt notwendig.
„Die anstehende Aufgabe ist zu groß, als dass Ökologen sie alleine bewältigen könnten“, sagte er. „Wir benötigen das Fachwissen unserer Kollegen in den Bereichen Informatik und rechnerische Nachhaltigkeit, um gezielte Pläne für die Erhaltung, Wiederherstellung und Bewirtschaftung von Landschaften auf der ganzen Welt zu entwickeln.“
Mehr Informationen:
Courtney L. Davis et al.: Deep Learning mit Citizen-Science-Daten ermöglicht die Schätzung der Artenvielfalt und -zusammensetzung auf kontinentalen Ausdehnungen. Ökologie (2023). DOI: 10.1002/ecy.4175