Anwendung von Machine Intelligence für Artenschutz
Wir leben in Zeiten des sechsten Massensterbens der Arten. Im Gegensatz zu den vorhergehenden wurde dieses vom Menschen verursacht [1]. Da wir Menschen Teil des komplexen Ökosystems der Erde sind, wird uns das Aussterben der Tier- und Pflanzenwelt drastisch beeinflussen. Deshalb müssen wir uns um die Natur kümmern und ihre Artenvielfalt schützen. Machine Intelligence (MI) kann uns bei dieser Aufgabe unterstützen.
Jüngsten Forschungen [1] zufolge nimmt das sechste Massensterben von Wildtieren auf der Erde zu. In den nächsten zwanzig Jahren werden wahrscheinlich mehr als 500 Arten von Landtieren von der Erdoberfläche verschwinden. Das ist die gleiche Anzahl von Arten, die im gesamten 20. Jahrhundert verschwunden sind. Ohne uns hätte ein Aussterben in dieser Größenordnung Tausende von Jahren gedauert! Diese 500 Landtierarten sind jedoch nur die Spitze des Eisbergs: Es gibt bis zu eine Million Arten von Pflanzen und Tieren, die vom Aussterben bedroht sind [2]. WissenschaftlerInnen warnen davor, dass dieses Massensterben unaufhaltsam werden kann und zum Wendepunkt für den Zusammenbruch der menschlichen Zivilisation werden könnte, wenn wir nichts dagegen unternehmen [1].
Wir Menschen sind im Sinne unserer Gesundheit und unseres Wohlbefindens auf die biologische Vielfalt angewiesen. Es ist beispielsweise bekannt, dass die Landwirtschaft bei der Fremdbestäubung stark auf eine gesunde Bienenpopulation angewiesen ist; dass die Hauptquellen für Medikamente Pflanzen und bestimmte Tiere sind (z. B. die Kobra wegen ihres Giftes); und dass viele Volkswirtschaften stark vom Tourismus abhängig sind, der oft von atemberaubender Natur und vielfältiger Tierwelt angetrieben wird (obwohl der Tourismus selbst oft Umweltzerstörung verursacht). Der Anstieg der menschlichen Bevölkerung, die Zerstörung von Lebensräumen, der Handel mit Wildtieren, die Umweltverschmutzung und die Klimakrise gefährden die fragile ökologische Stabilität der Erde. Aufgrund der Komplexität des Ökosystems könnte das Aussterben einiger weniger Arten zu einem Dominoeffekt führen, bei dem auch andere Arten verschwinden würden und der letztendlich zum Aussterben der Menschheit selbst führen könnte. Die derzeitige COVID-19-Pandemie ist nur ein extremes Beispiel dafür, wie verwüstend die Natur sein kann, wenn sie zurückschlägt [3]. Daher liegt es in unserem eigenen Interesse, die Tierwelt zu schützen und die Stabilität des Ökosystems der Erde zu gewährleisten. MI kann uns bei der Lösung dieses Problems erheblich unterstützen.
Der Kampf gegen Wilderei
Wilderei ist eines der größten Risiken für das Überleben gefährdeter Arten. Ein Kilogramm Elfenbein kann auf dem Schwarzmarkt 2.000 US-Dollar einbringen und ein Kilo Horn eines Nashorns sogar 50.000 bis 60.000 US-Dollar [4, 5]. Daher ist es nicht verwunderlich, dass das Volumen vom Wildtierhandel auf sieben bis dreiundzwanzig Milliarden Dollar pro Jahr geschätzt wird. Damit ist er nach Drogen-, Menschen- und Waffenhandel [5] das viertlukrativste Verbrechen der Welt. Der Kampf gegen ein so großes kriminelles Geschäft ist keine leichte Aufgabe und überlastete und unterfinanzierte Park-Ranger haben oft Schwierigkeiten mit den Kriminellen Schritt zu halten. Am Ende des Tunnels leuchtet jedoch ein Licht: Einige Ranger haben bereits begonnen MI zu verwenden, um ihre Bemühungen effizienter und effektiver zu gestalten.
Statistik zur Wilderei von Nashörnern und Elefanten [5]
An der Carnegie Mellon University haben WissenschaftlerInnen beispielsweise ein Machine Learning (ML) System entwickelt, mit dem Ranger ihre Patrouillenrouten effektiver planen können [6]. Das System mit dem Namen PAWS (Protection Assistant for Wildlife Security) verwendet als Input Informationen zu einem Schutzgebiet zusammen mit früheren Patrouillenrouten und Wilderungsaktivitäten in diesem Gebiet, um neue, zufällige Patrouillenrouten zu generieren. Auf diese Weise lernt das System das Verhalten der Wilderer und kann Routen vorschlagen, die für die Suche nach Wilderern am effektivsten sind. Das System verwendet auch Erkenntnisse aus der Spieltheorie, um vorherzusagen, wie Wilderer ihr Verhalten an die neuen Patrouillenrouten der Ranger anpassen könnten. Außerdem ist es in der Lage topografische Informationen über schwer zugängliches Gelände einzubeziehen, so dass die vorgeschlagenen Routen tatsächlich für Ranger begehbar sind. Dieser Ansatz hat sich bereits als erfolgreich erwiesen. PAWS hat beispielsweise Rangern in Kambodscha geholfen ein tausend Schlingen zu finden und zu beschlagnahmen. Doppelt so viele, wie sie normalerweise im gleichen Zeitraum beschlagnahmen.
Eine weitere Maßnahme, um die Arbeit der Ranger effizienter zu gestalten, besteht darin, in Echtzeit die Orte zu ermitteln, an denen Wilderer tätig sind. Die gemeinnützige Organisation Wildlife Protection Solutions (WPS) [7] verwendet ein Netzwerk von Kameras, die in Schutzgebieten installiert sind. Mit diesen Kameras aufgenommene Fotos werden mit einem KI-Algorithmus (Künstliche Intelligenz) analysiert, der in der Lage ist Tiere von Menschen zu unterscheiden. Wenn Menschen in einem Gebiet entdeckt werden, in dem sie sich nicht aufhalten dürfen, erhalten lokale Ranger eine Benachrichtigung per SMS, damit sie schnell auf rechtswidrige Aktivitäten reagieren können. Ein weiteres Wilderer-Erkennungssystem, das einen ähnlichen Ansatz verwendet, ist TrailGuard AI, das von Intel und der gemeinnützigen Organisationen RESOLVE entwickelt wurde [8]. Ihr Computer Vision KI-System wurde im Grumeti-Reservat in Tansania getestet. Allein in der Testphase half es bei der Suche nach dreißig Wilderern, was zu ihrer Verhaftung und der Beschlagnahmung von fast 600 kg illegalem Buschfleisch führte. Der nächste Schritt soll darin bestehen, die Anwendung solcher Systeme auf weitere Parks und Länder auszudehnen.
Eine weitere vielversprechende Anwendung von Computer Vision ist der Einsatz von Drohnen zur Datenerfassung in Schutzgebieten. Drohnenvideos können von KI automatisiert verarbeitet werden, um Personen oder Fahrzeuge zu identifizieren, die an verdächtigen Aktivitäten beteiligt sind. In der Tat befinden sich solche Systeme bereits in der Entwicklung. Ein Beispiel ist ein System, das derzeit in Zusammenarbeit zwischen UAVAid [9], einem britischen Startup, das Drohnen für die humanitäre Hilfe entwickelt, und Archangel Imaging, einem KI-Überwachungsunternehmen [10], entwickelt wird. Der Einsatz von Drohnen mit integrierten KI-Algorithmen zur Erkennung von Wilderei befindet sich noch in einem frühen Entwicklungsstadium. Es ist jedoch denkbar, dass solche Lösungen bald die teureren Methoden ersetzen werden, die derzeit verwendet werden, wie z. B. Überwachungshubschrauber.
Eine Alternative zur Erkennung von Wilderern auf Bildern oder Videos ist die Tonüberwachung. Solche Systeme können trainiert werden, um bestimmte Geräusche auf akustischen Aufzeichnungen zu erkennen. Da sich die für Wilderungsaktivitäten typischen Geräusche, z. B. Kettensägen, Schüsse oder Kraftfahrzeuge, stark von denen der natürlichen Umgebung unterscheiden, kann die KI sie leicht identifizieren und Ranger in Echtzeit auf Wilderei aufmerksam machen. Ein Beispiel für ein solches KI-System zur Schallüberwachung wurde von Rainforest Connection entwickelt. Es kann nicht nur zur Verhinderung von Wilderei eingesetzt werden, sondern auch im Kampf gegen illegale Abholzung [11].
Wildtiere verstehen
Um wildlebende Tiere schützen zu können, müssen wir ihr Verhalten besser verstehen und ihre Populationen genauer erfassen. Feldbeobachtungen können jedoch sehr teuer und zeitaufwändig sein, so dass nur ein kleiner Teil der Tiere beobachtet und nur eine kleine Datenmenge gesammelt werden kann. Das Sammeln einer aussagekräftigen Datenmenge für die Populationsanalyse kann Jahre dauern. Dies ist zu langsam, um wirksame und effiziente Erhaltungsmaßnahmen durchführen zu können und es schränkt den Umfang, die Aussagekraft, die Wiederholbarkeit, die Kontinuität und den Return on Investment (ROI) für diese Studien ein. MI-gesteuerte Analyseplattformen können die Situation erheblich verbessern. Beispielsweise bietet das gemeinnützige Startup Wild Me eine Computer Vision-Plattform an, mit der verschiedene Spezies anhand von Fotos oder hochauflösenden Satellitenbildern identifiziert werden können [12]. Mit dieser Technologie wird es einfacher, Daten über die Population einer bestimmten Art und ihre Verbreitung auf dem Planeten zu sammeln. Es ist sogar in der Lage, einzelne Tiere zu identifizieren, damit WissenschaftlerInnen bessere Einblicke in ihre Migrationsrouten erhalten.
Eines der Wild Me-Projekte, flukebook, verwendet KI, um Wale und Delfine auf Hunderttausenden von Fotos zu identifizieren und zu verfolgen. Hier identifiziert KI einen einzelnen Wal anhand seiner eindeutigen Flossenkanten [13].
Aber was ist mit Tieren, die sich nur selten blicken lassen? Zum Beispiel sind Waldelefanten sehr schüchterne Wesen, die sich die meiste Zeit in dichten Wäldern verstecken. Obwohl diese Elefanten ziemlich groß sind, sind sie Meister der Tarnung, so dass Sie nur wenige Meter entfernt an ihnen vorbeikommen können, ohne sie zu bemerken. Dieses Verhalten macht es sehr schwer diese Elefanten zu beobachten und ihre Population zu zählen. Das Elephant Listening Project geht dieses Problem mit KI an [14]. ForscherInnen installieren Audio-Rekorder in Wäldern, um Waldgeräusche zu erfassen und Stimmen von Elefanten zu identifizieren. Dieses System erfasst eine enorme Menge an Audiodaten, die allein aufgrund der Menge für den Menschen schwer zu verarbeiten wären. Hier kommt ein KI-gesteuertes Schallüberwachungssystem ins Spiel, das darauf trainiert wurde, Elefantenstimmen zu erkennen. Mit diesem Ansatz können ForscherInnen innerhalb kurzer Zeit Hunderttausende von Stunden Dschungelgeräusche verarbeiten.
Erhaltung der Pflanzen
Die Tierpopulation ist ein ziemlich prominentes und gut finanziertes Forschungsthema. Beispielsweise finden Sie Populationsinformationen für viele Tierarten auf der Roten Liste der bedrohten Arten der IUCN, der größten und umfassendsten Auflistung des Erhaltungszustands der Arten [15]. Wenn Sie jedoch am Erhaltungszustand von Pflanzen interessiert sind, sind diese Informationen viel schwieriger zu finden. Nur ein kleiner Teil (ca. 5%) aller bekannten Pflanzen ist in der Roten Liste enthalten. Diese Unterrepräsentation von Pflanzen kann größtenteils auf die ungleiche Verteilung der Ressourcen zurückgeführt werden: Ein charismatischer Panda erhält tendenziell mehr Aufmerksamkeit und finanzielle Ressourcen als die durchschnittliche Wildblume. Diese Unterrepräsentation bedeutet jedoch nicht, dass Pflanzenarten von geringerer Bedeutung sind. Im Gegenteil, sie sind für Ökosysteme, Nahrungsketten von Wildtieren und die Landwirtschaft von entscheidender Bedeutung. Daher ist die Erforschung des Erhaltungszustands von Pflanzen mindestens genauso wichtig wie die von Tieren.
Ein Forscherteam unter der Leitung von Dr. Anahí Espíndola von der University of Maryland ist dieses Problem mithilfe eines MI-Ansatzes angegangen [16]. Als erster Schritt verwendeten sie Open-Source-Datenbanken, um geografische, umweltbezogene und morphologische Informationen zu Pflanzenarten zu sammeln, deren Erhaltungszustand bereits bekannt war. Anschließend benutzten sie diese Daten, um ein ML-Modell zu trainieren und es in die Lage zu versetzen, den Erhaltungszustand einer bestimmten Pflanze anhand geografischer, umweltbedingter und morphologischer Informationen ihrer Art zu bestimmen. Mit diesem Ansatz konnten Forscher Vorhersagen über den bislang unbekannten Erhaltungszustand von mehr als 150.000 Landpflanzenarten weltweit treffen. Die Ergebnisse dieser Studie zeigen, dass eine große Anzahl nicht bewerteter Arten wahrscheinlich vom Aussterben bedroht ist. Auf diese Weise konnten ForscherInnen geografische Regionen mit einem sehr hohen Bedarf an Schutzmaßnahmen identifizieren. Viele dieser Regionen waren zuvor noch nicht als bedenklich eingestuft worden.
Der hier entwickelte ML-Ansatz hilft dabei, den aktuellen Prozess der Bewertung des Erhaltungszustands von Arten zu priorisieren und NaturschützerInnen Informationen darüber zu liefern, wo Forschung und Ressourcen eingesetzt werden sollten, um ihre Bemühungen effektiver und effizienter zu gestalten.
Fazit
Die oben genannten Beispiele stellen nur einen kleinen Teil der potenziellen Anwendungsfälle dar, die für die Anwendung von MI zum Schutz von Wildtieren und Pflanzen denkbar sind. Wir bei MI4People glauben, dass es noch viel mehr potenzielle Anwendungen gibt, die darauf warten, entdeckt und angewendet zu werden. Denken Sie also kreativ und nutzen Sie die Kraft der Machine Intelligence, um Artenschutz zu gewährleisten [17]!
Literaturverzeichnis
[1] https://www.pnas.org/content/117/24/13596.
[2] http://www.ipsnews.net/2020/02/planet-burns-one-million-species-worlds-eco-system-danger-extinction/.
[3] https://en.unesco.org/courier/news-views-online/pandemics-humans-are-culprits.
[4] https://biglife.org/where-we-work/area-of-operation/the-animals-of-amboseli-market-value.
[5] https://www.awf.org/news/world-wildlife-day-highlights-severity-wildlife-crime.
[6] https://sc.cs.cmu.edu/research-detail/102-protection-assistant-for-wildlife-security.
[7] https://wildlifeprotectionsolutions.org/.
[8] https://www.resolve.ngo/trailguard.htm.
[10] https://www.archangel.im/.
[11] https://www.rfcx.org/home.
[12] https://www.wildme.org/.
[13] https://www.flukebook.org/.
[14] https://elephantlisteningproject.org/.
[15] https://www.iucnredlist.org/.
[16] https://www.pnas.org/content/115/51/13027.
[17] Wir bei MI4People sind bestrebt mit Ihnen zusammenzuarbeiten, um Ihnen zu helfen, das volle Potenzial von MI zu verstehen. Zusammen identifizieren wir Forschungsprojekte, die zu wirksamen MI-basierten Lösungen führen, welche dazu beitragen, das Gemeinwohl zu stärken und die gemeinnützigen Ziele Ihrer Organisation besser zu erreichen.
https://www.mi4people.org/contributetomi4people.