Nowe mapy AI pomagają chronić bioróżnorodność we wszystkich sektorach
Decyzje dotyczące bioróżnorodności często opierają się na niekompletnych danych. Dla danego miejsca może być kilka przeprowadzonych badań w różnych latach przez różne zespoły za pomocą różnych metod. Utrudnia to porównywanie różnych miejsc, wczesne wykrywanie trendów i zrozumienie kompromisów, gdy rozważana jest nowa infrastruktura, zagospodarowanie terenu lub środki ochrony. Finansowany ze środków UE projekt GUARDEN(odnośnik otworzy się w nowym oknie) miał na celu poprawę tej sytuacji dzięki praktycznemu zestawowi narzędzi do monitorowania. Połączenie wskaźników satelitarnych, modelowania AI, platformy nauki obywatelskiej, czujników akustycznych i narzędzi rzeczywistości rozszerzonej ma na celu umożliwienie częstszych aktualizacji informacji o różnorodności biologicznej i usługach ekosystemowych oraz wspieranie stosowania tych informacji w planowaniu w świecie rzeczywistym.
Wskaźniki satelitarne i AI, które skalują się dla różnych krajobrazów
Najbardziej spójne wyniki projektu GUARDEN pochodzą z połączenia obserwacji Ziemi z modelowaniem ekologicznym opartym na sztucznej inteligencji. Jak wyjaśnia koordynator projektu Pierre Bonnet: „W rzeczywistych warunkach połączenie danych z obserwacji Ziemi z modelowaniem ekologicznym opartym na sztucznej inteligencji okazało się jednym z najbardziej niezawodnych i skalowalnych podejść do monitorowania w ramach projektu GUARDEN”. Te oparte na danych satelitarnych wskaźniki siedlisk zostały opracowane z myślą o powtarzalności dla szeregu różnych krajobrazów i kontekstach zarządzania, aby umożliwić porównanie pomiędzy różnymi obszarami i scenariuszami. Aby ułatwić korzystanie z wyników, zespół projektu GUARDEN udostępnił swój zestaw map za pośrednictwem narzędzia do mapowania sieci GeoPl@ntNet(odnośnik otworzy się w nowym oknie). Podejście to sprawdza się najlepiej w przypadku wzorców w skali krajobrazu i śledzenia trendów, chociaż cechy lokalne w małej skali i rzadkie gatunki mogą być nadal trudne do uchwycenia bez ukierunkowanych prac terenowych.
Metody blendowania do redukcji martwych punktów
W projekcie GUARDEN traktowano monitorowanie jako problem kombinatoryczny, ponieważ każda metoda działa w inny sposób. Obserwacje w ramach nauki obywatelskiej za pośrednictwem określonych platform, a mianowicie MINKA i Pl@ntNet, mogą dostarczyć cennych danych terenowych; są jednak wrażliwe na nierównomierne pobieranie próbek i stronniczość obserwatorów. Czujniki akustyczne mogą być bardzo powtarzalne, ale ich wydajność spada, gdy nagrywany dźwięk jest maskowany przez wiatr, deszcz i maszyny lub gdy gatunki docelowe są rzadkie. Wniosek z projektu jest jasny: „Jedną z kluczowych lekcji było to, że żadna pojedyncza metoda monitorowania nie jest wystarczająca. Najbardziej wiarygodne wyniki pojawiły się, gdy narzędzia zostały wyraźnie połączone, a każde z nich kompensowało martwe punkty innych”. Przed wprowadzeniem danych do modeli, projekt GUARDEN dodał warstwy kontroli jakości, w tym kontrole duplikatów i anomalii, punktację zaufania dla identyfikacji, progi niepewności i walidację krzyżową przy użyciu referencyjnych zestawów danych i próbek ocenianych przez ekspertów.
Walidacja naziemna, analiza porównawcza i co się zmianiło w terenie
Walidacja była prowadzona iteracyjnie, łącząc ukierunkowane badania terenowe, istniejące programy monitorowania, oceny ekspertów i obserwacje obywatelskie. Ważnym krokiem technicznym było porównanie struktury głębokiego uczenia GUARDEN poprzez międzynarodowe wyzwania GeoLifeCLEF(odnośnik otworzy się w nowym oknie) i PlantCLEF(odnośnik otworzy się w nowym oknie), co zapewniło zewnętrzne testy wydajności i pomagając w kalibracji modeli. Gdy mapy i obserwacje terenowe były rozbieżne, reakcją była diagnoza i dostosowanie, a nie ich odrzucenie. Bonnet zauważa: „Kiedy pojawiły się rozbieżności między obserwacjami terenowymi a wynikami modelu, zostały one potraktowane jako sygnały do poprawy, a nie jako awarie”. Do przyczyn należały luki w danych szkoleniowych, efekty skali i lokalne czynniki zarządzania, z lokalnymi udoskonaleniami wprowadzanymi w razie potrzeby, w tym w odniesieniu do oczekiwań prawnych. W praktyce wyniki projektu GUARDEN pozwoliły na dokonanie przeglądu opcji tras dla infrastruktury transportowej, pomogły skoncentrować badania terenowe na oznaczonych modelowo hotspotach, wspierały ustalanie priorytetów zarządzania w siedliskach podmiejskich i umożliwiły szybsze oznaczanie potencjalnie inwazyjnych gatunków przy użyciu danych nauki obywatelskiej.
