Neue KI-Karten helfen beim sektorübergeifenden Schutz der biologischen Vielfalt
Entscheidungen im Bereich der biologischen Vielfalt werden oft auf der Grundlage unvollständiger Daten getroffen. Für ein Gebiet wurden in verschiedenen Jahren eventuell mehrere Untersuchungen durchgeführt, mit jeweils unterschiedlichen Methoden. Dies erschwert den Vergleich von Standorten, die frühzeitige Erkennung von Trends und die Abwägung von Kompromissen, wenn neue Infrastruktur, Bodennutzung oder Naturschutzmaßnahmen in Betracht gezogen werden. Das EU-finanzierte Projekt GUARDEN(öffnet in neuem Fenster) hat sich zum Ziel gesetzt, die Situation mit einem praktischen Überwachungsinstrumentarium zu verbessern. Durch die Kombination von satellitengestützten Indikatoren, KI-Modellierung, Bürgerwissenschafts-Plattformen, akustischen Sensoren und Werkzeugen der erweiterten Realität soll eine häufigere Aktualisierung der Informationen über biologische Vielfalt und Ökosystemleistungen ermöglicht und die Anwendung dieser Informationen in der realen Planung unterstützt werden.
Satelliten- und KI-Indikatoren, die sich über verschiedene Landschaften skalieren lassen
Die konsistentesten Ergebnisse erzielte GUARDEN durch die Kombination von Erdbeobachtung mit KI-basierter ökologischer Modellierung. Wie Projektkoordinator Pierre Bonnet erklärt: „Unter realen Bedingungen erwies sich die Kombination von Erdbeobachtungsdaten mit KI-basierter ökologischer Modellierung als einer der robustesten und skalierbarsten Überwachungsansätze im Rahmen von GUARDEN.“ Diese aus Satellitendaten gewonnenen Lebensraumindikatoren wurden so konzipiert, dass sie in verschiedenen Landschaften und Verwaltungskontexten reproduzierbar sind und Vergleiche zwischen Gebieten und Szenarien ermöglichen. Um die Nutzung der Ergebnisse zu vereinfachen, hat GUARDEN seinen Kartensatz über das Web-Mapping-Tool GeoPl@ntNet(öffnet in neuem Fenster) zugänglich gemacht. Der Ansatz eignet sich am besten für die Verfolgung von Mustern und Trends im Landschaftsmaßstab, während kleinräumige lokale Merkmale und seltene Arten ohne gezielte Feldarbeit weiterhin schwer zu erfassen sind.
Mischmethoden zur Verringerung blinder Flecken
GUARDEN betrachtete die Überwachung als ein Problem der Kombination, da jede einzelne Methode auf unterschiedliche Weise versagt. Beobachtungen im Rahmen von Bürgerwissenschafts-Projekten über spezielle Plattformen – MINKA und Pl@ntNet – können wertvolle Felddaten liefern. Sie sind jedoch empfindlich gegenüber ungleichmäßigem Aufwand für Probenahme und Voreingenommenheit der Beobachter. Akustische Sensoren können hochgradig reproduzierbar sein. Allerdings lässt ihre Leistung nach, wenn die Aufnahmen durch Wind, Regen und Maschinen verfälscht werden oder wenn die Zielarten selten sind. Das Fazit des Projekts ist eindeutig: „Eine wichtige Erkenntnis war, dass keine einzelne Überwachungsmethode für sich allein ausreichend ist. Die zuverlässigsten Ergebnisse entstanden, wenn die Werkzeuge explizit kombiniert wurden, wobei jedes einzelne die blinden Flecken der anderen kompensierte.“ Bevor die Daten in die Modelle einflossen, fügte GUARDEN Qualitätskontrollebenen hinzu, darunter Duplikat- und Anomalieprüfungen, Konfidenzbewertungen für Identifizierungen, Unsicherheitsschwellenwerte und Kreuzvalidierung unter Verwendung von Referenzdatensätzen und von Sachverständigen geprüften Stichproben.
Bodenvalidierung, Benchmarking und die Veränderungen vor Ort
Die Validierung erfolgte iterativ durch eine Kombination aus gezielten Felderhebungen, bestehenden Überwachungsprogrammen, Bewertungen durch Sachverständige und Beobachtungen durch Bürgerinnen und Bürger. Ein bemerkenswerter technischer Schritt war das Benchmarking des Deep-Learning-Frameworks von GUARDEN anhand der internationalen Herausforderungen von GeoLifeCLEF(öffnet in neuem Fenster) und PlantCLEF(öffnet in neuem Fenster), die externe Leistungsvergleiche lieferten und bei der Kalibrierung der Modelle halfen. Wenn die Karten und die Feldbeobachtungen voneinander abwichen, bestand die Reaktion darin, eine Diagnose zu stellen und Anpassungen vorzunehmen, anstatt die Daten zu verwerfen. Bonnet merkt an: „Wenn Diskrepanzen zwischen Feldbeobachtungen und Modellergebnissen auftraten, wurden diese nicht als Fehler, sondern als Signale für Verbesserungen interpretiert.“ Zu den Ursachen zählten Lücken in den Trainingsdaten, Skaleneffekte und lokale Managementfaktoren. Bei Bedarf wurden lokale Anpassungen vorgenommen, unter anderem im Hinblick auf rechtliche Erwartungen. In der Praxis dienten die Ergebnisse von GUARDEN als Grundlage für die Überprüfung von Routenoptionen für Verkehrsinfrastrukturen. Außerdem halfen sie dabei, Felduntersuchungen auf die vom Modell identifizierten Brennpunkte zu konzentrieren, unterstützten die Priorisierung des Managements in stadtnahen Lebensräumen und ermöglichten eine schnellere Registrierung potenziell invasiver Arten mithilfe von Bürgerdaten.
