Nowe narzędzia oparte na sztucznej inteligencji do monitorowania chronionej przyrody w Europie
Monitorowanie różnorodności biologicznej często nie spełnia pokładanych w nim oczekiwań ze względu na mnogość gatunków, ograniczone możliwości oraz występowanie wybranych gatunków wyłącznie w określonym czasie lub w określonych warunkach. Zespół finansowanego ze środków Unii Europejskiej projektu MAMBO(odnośnik otworzy się w nowym oknie) opracowuje narzędzia wykorzystujące kamery, rejestratory dźwięku i teledetekcję, aby pomóc agencjom i organizacjom odpowiedzialnym za zarządzanie terenowe w obserwacji gatunków i częstszej ocenie warunków siedliskowych na większych obszarach i przy mniejszym nakładzie pracy ręcznej.
Sztuczna inteligencja rozpoznaje gatunki na podstawie zdjęć i dźwięku
Zespół projektu MAMBO poprawił możliwości szeroko stosowanych usług identyfikacji i mapowania, w tym Pl@ntNet(odnośnik otworzy się w nowym oknie), Observation.org(odnośnik otworzy się w nowym oknie) i GeoPl@ntNet(odnośnik otworzy się w nowym oknie). Automatyczne wykrywanie obiektów na obrazach działa dobrze w rzeczywistych warunkach, jednak niezawodna identyfikacja zależy od grupy gatunków i dostępnych danych szkoleniowych. Jak wyjaśnia Toke Thomas Høye, koordynator projektu: „W przypadku zwierząt poziom wykrywania jest zadowalający, ale techniki wykrywania i rozpoznawania działają najlepiej w przypadku ptaków i ciem, z kolei rozpoznawanie niektórych gatunków nietoperzy na podstawie ultradźwięków oraz wielu innych grup owadów na podstawie obrazów pozostaje wyzwaniem”. W ramach projektu powstały narzędzia, które mogą analizować roślinność całego obszaru na podstawie pojedynczych obrazów, co ułatwia standaryzację badań roślin i zmniejszają nakład pracy botaników.
Mapy stanu siedlisk oparte na dronach, satelitach i czujnikach LiDAR
Dane dotyczące gatunków stanowią tylko część ogółu. Badania obszarów chronionych wymagają również wskaźników stanu siedlisk porównywanych z innymi miejscami i krajami. Zespół projektu MAMBO opracował proces ekstrakcji pionowych wskaźników struktury drzewiastej z czujników LiDAR i poszerzył skalę badań do skali całego kraju. Badacze analizowali także procesy oparte na dronach, na przykład szacowanie pokrycia krzewów i biomasy w miejscach, w których prowadzone jest ponowne zazielenianie, mapowanie martwych drzewostanów w lasach i wykrywanie tropów dużych ssaków w trzcinowiskach. Główną korzyścią z zastosowania takiego podejścia jest stałe pokrycie nawet drobnych szczegółów. Jak zauważa zespół: „Wykorzystując istniejące zdjęcia satelitarne i dane dotyczące różnorodności biologicznej, skalowalna technologia opracowana w celu mapowania gatunków i siedlisk umożliwiła dostęp do spójnych prognoz obejmujących Europę przy zachowaniu niespotykanej dotychczas wysokiej rozdzielczości przestrzennej 50 metrów, której nie można osiągnąć za pomocą tradycyjnego monitorowania różnorodności biologicznej in situ”. Aktualizacja map nadal wymaga zaktualizowanych danych satelitarnych i ciągłych obserwacji naziemnych w celu szkolenia algorytmów i oceny.
Procesy badawcze, użyteczne narzędzia i dalsze działania
Wiele procesów opartych na sztucznej inteligencji działa doskonale w warunkach symulowanych, jednak nie sprawdza się w polu, gdzie zespoły badawcze potrzebują prostych interfejsów, jasnych wyników i wsparcia. Zespół projektu MAMBO dostrzegł konieczność wypełnienia tej luki na wczesnym etapie prac: „Kluczowym wyzwaniem było połączenie najnowszych osiągnięć i funkcjonalności sztucznej inteligencji z przyjaznymi dla użytkowników narzędziami udostępniającymi wyniki w formatach odpowiednich dla zainteresowanych stron”, podkreśla Niels Raes, jeden z uczestników projektu. Szereg rezultatów prac już teraz znajduje zastosowanie. Zespół opracował samouczek i publiczną aplikację internetową pozwalającą na prowadzenie opartych na obrazach badań kwadrantów roślin, a platforma GeoPl@ntNet pozwala użytkownikom wizualizować i podsumowywać prognozy dotyczące siedlisk i gatunków roślin w różnych skalach przestrzennych. Proces oparty na czujnikach LiDAR opracowany przez zespół projektu MAMBO został zastosowany w wielu europejskich lokalizacjach demonstracyjnych do tworzenia zharmonizowanych wskaźników opisujących wysokość roślinności, pokrycie i złożoność strukturalną. Narzędzia opracowane w ramach projektu MAMBO zostaną również wykorzystane w projekcie Biodiversity Meets Data(odnośnik otworzy się w nowym oknie) (BMD), którego zespół opracuje scentralizowaną platformę cyfrową - pojedynczy punkt dostępu - na potrzeby monitorowania o wysokiej przepustowości z myślą o podmiotach zarządzających siecią Natura 2000 i decydentach. Koordynatorem projektu jest Niels Raes. Algorytmy przetwarzania obrazu i dźwięku opracowane w ramach projektu MAMBO wspierają (półautomatyczną) identyfikację na podstawie obrazów i nagrań z kamer-pułapek, z kolei platforma BMD koncentruje się na udostępnianiu narzędzi, danych i analiz w ramach punktu dostępu, który wspomaga sprawozdawczość zgodną z unijnymi dyrektywami dotyczącymi przyrody.