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

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

iNaturalist ist eine weit verbreitete Handy-App, 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 per Crowdsourcing zu ermitteln. Die App hat derzeit weltweit mehr als 8 Millionen Nutzer, die zusammen mehr als 200 Millionen Beobachtungen hochgeladen haben.

Die Forscher verwendeten eine Art künstlicher Intelligenz namens Convolutional Neural Network, ein Deep-Learning-Modell, um die Citizen-Science-Daten für Pflanzen in Kalifornien mit hochauflösenden Fernerkundungssatelliten- oder Flugzeugbildern des Staates zu korrelieren. Das Netzwerk entdeckte Korrelationen, die dann verwendet wurden, um das aktuelle Verbreitungsgebiet von 2.221 Pflanzenarten in ganz Kalifornien bis auf Größenordnungen von wenigen Quadratmetern vorherzusagen.

Botaniker erstellen in der Regel hochwertige Artenkarten, indem sie alle Pflanzenarten in einem Gebiet sorgfältig auflisten. 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. Bei ausreichenden Beobachtungen durch Bürgerwissenschaftler könnte das Modell in Ländern eingesetzt werden, in denen es an detaillierten wissenschaftlichen Daten zur Pflanzenverteilung und Lebensräumen mangelt, um Vegetationsveränderungen wie Abholzung oder Nachwachsen nach Waldbränden zu überwachen.

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

„Während meines Jahres hier in Brasilien haben wir die schlimmste Dürre aller Zeiten und eine der schlimmsten Feuersaisons aller Zeiten erlebt“, sagte Gillespie. „Fernerkundungsdaten konnten uns bisher sagen, 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 am Boden passiert.“

„Das ist ein Ziel – es auf viele Orte auszudehnen“, sagte Expósito-Alonso. „Mittlerweile hat fast jeder auf der Welt ein Smartphone, also werden die Leute vielleicht anfangen, Bilder von natürlichen Lebensräumen zu machen, und das wird auf der ganzen Welt möglich sein. Irgendwann wird uns das ermöglichen, in Google Maps Ebenen zu haben, die zeigen, wo all das ist.“ Arten sind, also können wir sie schützen.

Abgesehen davon, dass sie kostenlos sind und den größten Teil der Erde abdecken, sind Fernerkundungsdaten auch feinkörniger und werden häufiger aktualisiert als andere Informationsquellen, etwa regionale Klimakarten, die oft eine Auflösung von wenigen Kilometern haben. Die Verwendung von Citizen-Science-Daten mit Fernerkundungsbildern – lediglich die einfachen Infrarotkarten, die nur ein Bild und die Temperatur liefern – könnte eine tägliche Überwachung von Landschaftsveränderungen ermöglichen, die schwer zu verfolgen sind.

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

„Mit der Fernerkundung gibt es fast alle paar Tage neue Bilder der Erde mit einer Auflösung von einem Meter“, sagte Expósito-Alonso. „Diese ermöglichen es uns nun, möglicherweise in Echtzeit Verschiebungen in der Verteilung von Pflanzen und Verschiebungen in der Verteilung von Ökosystemen zu verfolgen. Wenn Menschen abgelegene Orte im Amazonas abholzen, können sie jetzt nicht mehr damit durchkommen – es wird durch dieses Vorhersagenetzwerk gekennzeichnet.“

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 verspürte den Drang, eine skalierbare Methode zu haben, um zu wissen, wo sich Pflanzen befinden und wie sie sich verändern“, sagte er. „Wir wissen bereits, dass sie versuchen, in kühlere Gebiete zu migrieren, dass sie versuchen, sich an die Umwelt anzupassen, mit der sie jetzt konfrontiert sind. Der Kernteil unseres Labors besteht darin, diese Veränderungen und Auswirkungen zu verstehen und zu untersuchen, ob sich Pflanzen weiterentwickeln werden.“ sich anzupassen.“

In der Studie testeten die Forscher Deepbiosphere, indem sie einige iNaturalist-Daten aus dem KI-Trainingssatz ausschlossen und das KI-Modell später aufforderten, die 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 bei steigenden Temperaturen und wechselnden Niederschlägen wandern werden. 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 einige Nationalparks des Bundesstaates erstellt wurden. Es sagte mit einer Genauigkeit von 81,4 % die Lage der Mammutbäume im Redwood-Nationalpark in Nordkalifornien voraus und erfasste genau (mit R2=0,53) die Schwere der Verbrennungen, die durch den Rim Fire im Yosemite-Nationalpark im Jahr 2013 verursacht wurden.

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

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

Weitere Informationen:
Lauren E. Gillespie et al., Deep-Learning-Modelle kartieren schnelle Veränderungen von Pflanzenarten anhand von Citizen Science- und Fernerkundungsdaten. Verfahren der Nationalen Akademie der Wissenschaften (2024). DOI: 10.1073/pnas.2318296121

Bereitgestellt von der University of California – Berkeley

ph-tech