Gillespie und seine Kollegen haben ein KI-Tool namens Deepbiosphere entwickelt, um die Pflanzenvielfalt zu verfolgen. Mithilfe von Satellitenbildern und Daten von Bürgerwissenschaftlern hat dieses Deep-Learning-Modell über 2,000 Pflanzenarten in ganz Kalifornien kartiert. Es übertrifft herkömmliche Methoden und erkennt sowohl hoch aufragende Redwoods als auch Wildblumen mit hoher Genauigkeit. Deepbiosphere könnte die weltweiten Bemühungen zur Überwachung des Pflanzenlebens revolutionierenund hilft uns zu verstehen, wie der Klimawandel und menschliche Aktivitäten die Ökosysteme verändern.
Die Autoren behaupten, dass Deepbiosphere traditionelle Artenverteilungsmodelle übertrifft und eine höhere Genauigkeit erreicht. Es kann Arten mit einer Auflösung von bis zu einigen Metern kartieren und Pflanzengemeinschaften genau identifizieren. Das Modell erkannte sowohl reifes als auch junges Nachwachsen in Redwood-Wäldern und zeigte so die dauerhaften Auswirkungen der Abholzung. Es kann auch schnelle Veränderungen in Pflanzengemeinschaften nach Ereignissen wie Waldbränden erkennen und demonstriert damit sein Potenzial für die Überwachung von Veränderungen der Artenvielfalt im Laufe der Zeit.
Gillespie und Kollegen entwickelten Deepbiosphere, ein Deep-Learning-Modell, das auf einer modifizierten Architektur eines Convolutional Neural Network (CNN) basiert und mit kombinierten Luftbildern des National Agriculture Imagery Program (NAIP) sowie über 650,000 Pflanzenbeobachtungen von Bürgerwissenschaftlern aus ganz Kalifornien trainiert wurde. Das Modell wurde darauf trainiert, das Vorkommen von 2,221 Pflanzenarten vorherzusagen. Seine Leistung wurde mit traditionellen Modellierungsansätzen wie MaxEnt und Random Forest verglichen.
Die Artenvielfalt der Pflanzen verändert sich aufgrund von Lebensraumzerstörung und Klimawandel rasant. Traditionellen Methoden fehlt die räumliche und zeitliche Auflösung, um diese schnellen Veränderungen für einzelne Arten zu erfassen. Der Ansatz von Deepbiosphere, der Deep Learning mit Fernerkundung kombiniert, bietet neue Möglichkeiten für ein hochauflösendes Biodiversitätsmonitoring.
Letztendlich stellen wir uns einen Paradigmenwechsel hin zu Open-Source-Modellen vor, die kontinuierlich mit neuen Fernerkundungsdaten, Beobachtungen durch Bürgerwissenschaftler und Datenmodalitäten trainiert und verbessert werden, sobald diese verfügbar werden. Dies mithilfe öffentlicher Luft- oder Satellitenbilder und zunehmender Beobachtungen durch Bürgerwissenschaftler zu erreichen, wird die Überwachung der Artenvielfalt zugänglicher machen und so lokale und globale Naturschutzziele voranbringen.
Gillespie, LE, Ruffley, M., & Exposito-Alonso, M. (2024). Deep-Learning-Modelle bilden schnelle Veränderungen von Pflanzenarten anhand von Citizen Science- und Fernerkundungsdaten ab. Proceedings of the National Academy of Sciences, 121(37), e2318296121. https://doi.org/10.1073/pnas.2318296121 (OA)
