Pampasgras, eine in Südamerika beheimatete gefiederte Zierpflanze, hat sich weit über Gärten hinaus verbreitet und in Ökosysteme auf der ganzen Welt eingedrungen. In Portugal hat dieses zähe Gras sein Verbreitungsgebiet stetig erweitert, einheimische Pflanzen verdrängt und Lebensräume zerstört.

Für den Schutz der Artenvielfalt ist es von entscheidender Bedeutung, den unaufhörlichen Vormarsch invasiver Pflanzen wie Pampasgras im Auge zu behalten, aber das ist leichter gesagt als getan. Herkömmliche Überwachungsmethoden, die auf Untersuchungen vor Ort und der sorgfältigen Identifizierung von Pflanzen durch Experten basieren, sind kostspielig und zeitaufwändig.

Aber was wäre, wenn wir diese Herkulesaufgabe per Crowdsourcing bewältigen könnten, indem wir auf die Millionen von Pflanzenfotos zugreifen, die täglich in den sozialen Medien geteilt werden? Ana Sofia Cardoso und Kollegen haben versucht, die Macht der künstlichen Intelligenz zu nutzen, um soziale Netzwerke nach Bildern des beleidigenden Grases zu durchsuchen.

Ihre KI-Pflanzendetektive, die anhand von Experten identifizierter Fotos aus Citizen-Science-Datenbanken geschult wurden, erwiesen sich als bemerkenswert geschickt darin, Pampasgras in allen Arten von Bildern zu erkennen. Die in der Fachzeitschrift Ecological Informatics veröffentlichten Ergebnisse deuten auf ein neues Paradigma zur Überwachung der Ausbreitung invasiver Arten hin: eines, das schneller, billiger und skalierbarer ist als je zuvor.

Lernen Sie die KI-Pflanzendetektive kennen: ein Trio von Deep-Learning-Modellen mit einem scharfen Auge für Pampasgras.

Um ihre Algorithmen zu trainieren, diese invasive Pflanze genau zu identifizieren, fütterte das Forschungsteam sie zunächst mit fachmännisch beschrifteten Fotos von Citizen-Science-Plattformen wie Invasoras.pt und INaturalist. Diese von sachkundigen Freiwilligen sorgfältig kommentierten Bilder lieferten einen Goldstandard dafür, wie Pampasgras in freier Wildbahn aussieht.

Das Team hat drei verschiedene Deep-Learning-Architekturen auf Herz und Nieren geprüft: DenseNet201, Schnelleres R-CNN ResNet50und Schnelleres R-CNN Inception-v2. Das erste Modell, ein Klassifizierungsspezialist, lernte, Bilder als entweder Pampasgras enthaltend oder nicht zu kennzeichnen. Die anderen beiden, Objekterkennungsmodelle, gingen noch einen Schritt weiter und lernten, in Bildern Begrenzungsrahmen um die Pflanze zu zeichnen.

Nach umfangreicher Schulung wurden die Modelle anhand eines neuen Satzes von Citizen-Science-Bildern auf die Probe gestellt. Die Ergebnisse waren beeindruckend: Die leistungsstärksten Modelle, DenseNet201 und Faster R-CNN ResNet50, identifizierten Pampasgras in mehr als 94 % der Fälle korrekt. Wenn die Algorithmen Fehler machten, geschah dies häufig bei schwierigeren Bildern, bei denen das Gras klein, verschwommen oder im Hintergrund war.

Aber die eigentliche Herausforderung sollte noch kommen. Die Forscher wollten herausfinden, ob ihre KI-Pflanzendetektive Pampasgras „in freier Wildbahn“ erkennen können – nicht in kuratierten Citizen-Science-Fotos, sondern im ungefilterten Strom von Bildern, die in sozialen Medien gepostet werden. Sie setzen die Algorithmen auf Hunderten von Bildern frei, die von Instagram, Flickr, Twitter und Facebook stammen.

Bemerkenswerterweise behaupteten sich die Models und identifizierten Pampasgras auf mehr als drei Vierteln der Social-Media-Fotos korrekt. Die Forscher gehen davon aus, dass der Leistungsabfall auf die geringere Qualität und Auflösung vieler Social-Media-Bilder zurückzuführen ist. Diese Ergebnisse legen nahe, dass Deep-Learning-Modelle, die auf einer relativ kleinen Anzahl von Fotos trainiert werden, diese Erkenntnisse effektiv auf die unstrukturierte Welt der Social-Media-Bilder übertragen können.

Warum Instagram?

Websites wie Instagram können Fotos in großer Menge bereitstellen, aber ein Foto allein reicht nicht aus. Was ein in sozialen Medien geteiltes Foto so nützlich macht, sind die damit verbundenen Daten. Viele Bilder, die auf Plattformen wie Instagram und Flickr geteilt werden, enthalten eingebettete Standortdaten sowie Breiten- und Längenkoordinaten, die genau angeben, wo das Foto aufgenommen wurde. Durch das Extrahieren dieser Geotags aus Bildern, die als Pampasgras gekennzeichnet waren, konnten die Forscher die Verbreitung der invasiven Pflanze mit beispielloser Präzision kartieren.

Das Team konzentrierte seine Bemühungen auf Fotos, die zwischen 2019 und 2021 veröffentlicht wurden, einer Zeit der raschen Ausbreitung von Pampasgras in Portugal. Wie sie gehofft hatten, enthüllten die von der KI erstellten Karten eine Reihe bisher undokumentierter Sichtungen von Pampasgras, insbesondere im Norden, an der Küste und in den südlichen Regionen des Landes.

Der Vergleich der mit Geotags versehenen Entdeckungen im Jahresvergleich ergab ein beunruhigendes Bild: Pampasgras war in Bewegung, tauchte an neuen Standorten auf und vergrößerte sein Verbreitungsgebiet mit jedem Jahr. Von vereinzelten Entdeckungen im Jahr 2019 hatte sich das Gras bis 2021 auf mehr als das Doppelte der Anzahl an Standorten ausgebreitet.

Obwohl die Ergebnisse aus Sicht des Naturschutzes besorgniserregend sind, zeigen sie das Potenzial dieses KI-gestützten, von sozialen Medien gesteuerten Ansatzes zur Überwachung invasiver Arten. Durch die Aufdeckung von Pampasgras-Hotspots und die Verfolgung der Ausbreitung der Pflanze nahezu in Echtzeit könnten diese Karten dabei helfen, entscheidende Früherkennungs- und schnelle Reaktionsmaßnahmen zu unterstützen.

Das Screening von KI-Arten ist nicht so etwas wie Conservation-GPT

KI ist das Schlagwort des Jahres 2024, aber die von Cardoso und Kollegen verwendete KI unterscheidet sich stark von den großen Sprachmodellen wie Chat-GPT, die für Schlagzeilen sorgen. Cardoso und Kollegen betonen die Bedeutung der menschlichen Intelligenz im System. Die zum Training der KI verwendeten Pampasgrasfotos werden mithilfe der Expertise der iNaturalist-Community explizit identifiziert. Die Forscher weisen auch auf einige Einschränkungen hin.

Zum einen können die KI-Modelle Pampasgras derzeit nur dann zuverlässig identifizieren, wenn es in voller Federblüte steht. In anderen Phasen ihres Lebenszyklus, wenn der Pflanze die charakteristischen Federn fehlen, kann es schwierig sein, sie von anderen Grasarten zu unterscheiden. Dies bedeutet, dass einige Pampasgraspopulationen, insbesondere jüngere oder kürzlich etablierte, möglicherweise unter dem Radar der KI bleiben.

Der Mensch begrenzt auch die Herkunft der Daten. Menschen neigen dazu, in bestimmten Gegenden, wie Städten, Parks und Touristenattraktionen, häufiger Fotos zu machen und zu teilen als in anderen. Das bedeutet, dass die von der KI generierten Karten die Pampasgraspopulationen an diesen beliebten Orten möglicherweise überrepräsentieren, während Sichtungen in abgelegeneren oder weniger frequentierten Gebieten fehlen.

Um diesen Herausforderungen zu begegnen, arbeiten die Forscher bereits intensiv an der Version 2.0 ihrer KI-Pflanzendetektive. Sie erforschen Möglichkeiten, die Modelle anhand einer vielfältigeren Reihe von Pampasgrasbildern zu trainieren, die die Pflanze in verschiedenen Lebensstadien und in einer größeren Vielfalt an Lebensräumen zeigen. Sie suchen auch nach Methoden, um die inhärenten Verzerrungen in mit Geotags versehenen Social-Media-Daten zu berücksichtigen und zu korrigieren.

Die Forscher betonen, dass ihre KI-Tools das Fachwissen von Humanökologen und Naturschützern ergänzen und nicht ersetzen sollen. Durch die Automatisierung bestimmter mühsamer oder zeitaufwändiger Aufgaben, wie z. B. das Durchsuchen Tausender Fotos, könnten diese Algorithmen jedoch wertvolle Personalressourcen freisetzen, die sich auf übergeordnete Strategien und Maßnahmen vor Ort konzentrieren könnten.

Es besteht auch die Möglichkeit, diesen Ansatz auf andere invasive Arten auszudehnen, von Algen bis hin zu Zebramuscheln. Auch wenn die Einzelheiten unterschiedlich wären, könnte die Kernidee – die Nutzung von Social-Media-Daten und KI zur Kartierung von Invasionen in Echtzeit – eine entscheidende Wende für den Bereich der Invasionsökologie bedeuten.

Forscher weisen darauf hin, dass es ethische Überlegungen gibt

Diese Anwendungen haben das Potenzial, die Identifizierung vorrangiger Bereiche für Tilgungsbemühungen, die effiziente Zuweisung von Ressourcen und die Bewertung des Erfolgs von Managementeingriffen im Laufe der Zeit zu unterstützen. Dennoch sind wir uns auch der potenziellen Hindernisse bei der Akzeptanz und dem Vertrauen der Nutzung von Tools der künstlichen Intelligenz und benutzergenerierten Inhalten durch diese Organisationen bewusst, insbesondere im Zusammenhang mit sozialen Themen wie Ethik und Fairness.

Cardoso et al. 2024

Die ethische Frage ist, ob es für Wissenschaftler akzeptabel ist, öffentliche Social-Media-Bilder zu verwenden. Die Bilder auf iNaturalist werden mit der Absicht eingereicht, die wissenschaftliche Forschung zu unterstützen. Bilder auf Instagram oder anderen Social-Media-Seiten werden aus vielen Gründen hochgeladen. Der Vorteil dieser Websites liegt in der schieren Anzahl der Bilder, die gescannt werden können. Allerdings bedeutet diese Datenmenge auch, dass die Einholung einer aktiven Einwilligung für alle Bilder unpraktisch ist. Können wir davon ausgehen, dass die Menschen nichts dagegen haben, dass ihre Fotos zur Verfolgung invasiver Arten verwendet werden?

Das Schlimme an dieser Annahme ist, dass es andere Tools gibt, die KI-Fotoanalyse zur Gesichtserkennung nutzen. Eine solche Website verlinkt gerne auf Nachrichten über wie seine Werkzeuge kann verwendet werden für Cyberstalking. Es ist leicht zu erkennen, warum es an Vertrauen in solche Systeme mangelt. Aus diesem Grund erklären Cardoso und Kollegen: „Es ist wichtig, die Transparenz und Fairness im gesamten Arbeitsablauf hervorzuheben und alle Vorurteile oder ethischen Bedenken im Zusammenhang mit Deep-Learning-Anwendungen und der Verwendung personenbezogener Daten auszuräumen.“

Wenn diese ethischen Bedenken ausgeräumt werden können, könnte sich das Scannen von Fotos als wertvolles Instrument zur Bekämpfung invasiver Arten erweisen. Wenn jetzt

DER ARTIKEL::

Cardoso, AS, Malta-Pinto, E., Tabik, S., August, T., Roy, HE, Correia, R., Vicente, JR und Vaz, AS (2024) „Können Citizen Science und Social-Media-Bilder die Erkennung neuer Invasionsorte unterstützen? Ein Deep-Learning-Testfall mit Cortaderia Selloana," Ökologische Informatik, (102602), p. 102602. Erhältlich unter: https://doi.org/10.1016/j.ecoinf.2024.102602.

Titelbild: Pampasgras von JLPC / Wikimedia Commons.