Invasive Pflanzenarten schaden nicht nur der Landwirtschaft und einheimischen Arten, da sie Landschaften umgestalten. Außerdem verursachen sie allein in den USA jährliche wirtschaftliche Verluste von mehr als 20 Milliarden Dollar. Die Identifizierung, wo und wie schnell sich invasive Pflanzen ausbreiten, ist entscheidend für die Bekämpfung einer Invasion. Wissenschaftler und Landverwalter verwenden derzeit vor Ort durchgeführte Felduntersuchungen der Bevölkerungsgröße, -dichte oder -wachstumsraten, um diese Informationen zu erhalten, was unerschwinglich teuer und arbeitsintensiv sein kann. Außerdem breiten sich invasive Arten so schnell auf der ganzen Welt aus, dass traditionelle Methoden unhaltbar geworden sind. Neue Techniken werden dringend benötigt, um invasive Arten effizienter zu verfolgen.
Eine kürzlich von Professor David Moeller von der University of Minnesota gemeinsam mit dem Doktoranden Thomas Lake und dem Forschungswissenschaftler Ryan Briscoe Runquist verfasste Studie hat eine solche Technik bewertet, und die Ergebnisse sind ermutigend. Das Forschungsteam entwickelte Deep-Learning-Modelle, bekannt als Convolutional Neural Networks, die es einem Computer ermöglichen, zu lernen, interessante Objekte in Satellitenbildern zu identifizieren. Mithilfe der Deep-Learning-Modelle durchsuchten Computer Satellitenbilder der Twin Cities-Region nach einer invasiven Pflanze, die als Blatt-Wolfsmilch (Euphorbia virgata, manchmal auch als Euphorbia esula bezeichnet) bekannt ist. Das Team verwendete sowohl Bilder mit höherer Auflösung, die selten aufgenommen werden, als auch Bilder mit niedrigerer Auflösung, die täglich von Satelliten aufgenommen werden. Sie wollten feststellen, ob eine Reihe von Bildern mit geringerer Auflösung, die über die Jahreszeiten hinweg aufgenommen wurden, zur genauen Erkennung der Pflanze verwendet werden könnte.
„Die Zeitreihenanalyse ist in dieser Art von Deep-Learning-Modell relativ neu, daher waren wir wirklich begeistert, dass sie bei der Identifizierung von Wolfsmilchpopulationen so gut funktioniert.“ sagte Briscoe Runquist. „Deep Learning ermöglicht es Wissenschaftlern, Muster zu entdecken, die zuvor unmöglich zu erkennen gewesen wären.“
Die Studie ergab Folgendes:
Die Ergebnisse deuten darauf hin, dass Deep-Learning-Modelle einzelne Arten über komplexe Landschaften mit Satellitenbildern genau identifizieren können, selbst wenn eine zeitliche Serie von Bildern mit niedrigerer Auflösung verwendet wird. Das bedeutet, dass Deep-Learning-Modelle in Zukunft ein großes Potenzial haben, invasive Arten anhand öffentlich verfügbarer Satellitenbilder dynamisch über die Zeit zu verfolgen. Zukünftige Forschungen werden verfolgen, wie sich die Blatt-Wolfsmilch in den letzten 35 Jahren über die Great Plains ausgebreitet hat, und vorhersagen, wie sich ihre Verbreitung in Zukunft aufgrund des Klimawandels wahrscheinlich ändern wird.
Laut Moeller „sind invasive Arten schwieriger denn je zu kontrollieren und die Überwachung über Satelliten ist eine kostengünstige und schnelle Methode zur dynamischen Überwachung von Invasionen.“
Die Studie wurde veröffentlicht in Fernerkundung in Ökologie und Naturschutz.
Thomas A. Lake et al, Deep Learning erkennt invasive Pflanzenarten in komplexen Landschaften unter Verwendung von Worldview-2- und Planetscope-Satellitenbildern, Fernerkundung in Ökologie und Naturschutz (2022). DOI: 10.1002/rse2.288