AI voor het meten en monitoren van biodiversiteit en fauna

2 februari 2024

In natuurbehoud en ecologie is kunstmatige intelligentie (AI) in opkomst als krachtige bondgenoot voor onderzoekers en professionals die zijn belast met het monitoren en meten van biodiversiteit en wilde dieren. Aneesh Chauhan, senior wetenschapper computer vision en robotica voor het Vision + Robotics programma van Wageningen University & Research, belicht de transformerende rol van AI, met name computer vision en deep learning, in technieken voor het monitoren van wilde dieren.

Een van de opmerkelijke toepassingen van AI, met name het deelgebied computer vision, is waar het helpt om indicatoren zoals populatiegrootte en soorten om te zetten in betekenisvolle informatie. Vision + Robotics  toonde samen met collega-onderzoekers van Wageningen Marine Research bijvoorbeeld het succes van deep learning bij het monitoren van biodiversiteit op zeebodems. Deze aanpak biedt een oplossing voor de uitdaging van menselijke beperkingen bij de intensieve analyse van videobeelden tijdens verkenningen van de zeebodem.

“Door de videobeelden van onderwateronderzoeken te annoteren, kunnen we deep learning-modellen trainen om soorten nauwkeurig op schaal te identificeren en zo de mogelijke hiaten in menselijke observaties op te vullen,” merkt Chauhan op. Deze modellen blijken niet alleen efficiënter, maar onthullen ook gevallen waarin menselijke experts bepaalde details over het hoofd zien.

AI meet effecten van offshore windmolenparken en hoogspanningsleidingen onder zee

De voordelen strekken zich uit van zeebodems tot diverse omgevingen, waaronder het onderzoeken van de gevolgen van windmolenparken op zee. AI maakt het meten en monitoren mogelijk van soorten die beïnvloed worden door de installatie van windparkinfrastructuur. Het draagt bij aan duurzame praktijken door de impact van deze windparken op megafauna (zeevogels en zoogdieren) te beoordelen. Zo’n aanpak is ook nuttig voor het evalueren van het succes van de verplaatsing van mosselbanken na het optillen en elders plaatsen van delen van de zeebodem om ruimte te maken voor elektriciteitskabels.

De integratie van deep learning in het tellen van zeehonden vanuit dronebeelden is een ander voorbeeld. Naast het tellen is de volgende uitdaging het detecteren van individuele zeehonden en het gebruiken van deze informatie voor een beter begrip van de inspanningen voor het behoud van zeehonden en de effecten van zeehonden op het ecosysteem aan de kust. Of voor het meten van de impact van beschermingsinspanningen, zoals de herintroductie van zeeschildpadden en hun graasgedrag op zeegrasweiden. De deep-learning-tool die hiervoor is ontwikkeld, is hier toegankelijk.

Schildpaddendetectie in luchtfoto’s met deep learning.

Geluiden omzetten in beelden: akoestische monitoring van vogels

Het potentieel van AI strekt zich uit over verschillende omgevingen, van bewaking onder water tot bewaking vanuit de lucht. De technologie is succesvol gebleken in initiatieven zoals het meten en detecteren van ondergrondse insectenbiodiversiteit met gevoelige camera’s en eco-akoestische monitoring voor ongediertebestrijding.

Een biopositief voedselproductiesysteem vereist een evenwichtig samenspel van plaagdieren en prooien voor een succesvol productiesysteem. Maar het kwantificeren van de impact van een biodivers ecosysteem op plaagdierbeheer en boerderijproductie is een grote uitdaging in ecologische landbouwsystemen. Een van de belangrijkste problemen is het meten van biodiversiteit: het is vaak te tijdrovend, te duur, of beide. In het laatste decennium is geautomatiseerd eco-akoestisch onderzoek naar voren gekomen als een relevante technologie voor grootschalige monitoring van zowel natuurlijke als stedelijke habitats. Machine learning, inclusief deep learning, wordt steeds vaker toegepast op akoestische gegevens om automatisch een reeks geluiden te identificeren, van verschillende vogelsoorten tot amfibieën, sprinkhanen en mensen.

Het onlangs afgeronde wildcardproject “Eco-acoustics: a Biodiversity yardstick as a facilitating tool for nature-positive food production” in samenwerking met Wageningen Biodiversity Initiative en de Federal University of Vicosa, Brazilië, introduceerde een baanbrekende benadering van akoestische monitoring. Chauhan legt uit: “We hebben geluiden omgezet in beelden en spectrogrammen gemaakt die de AI-modellen trainen om vogelsoorten te detecteren aan de hand van hun unieke geluiden.” Deze methode maakt continue monitoring gedurende langere perioden mogelijk, wat waardevolle inzichten oplevert in de aanwezigheid en gedragspatronen van vogelsoorten.

Open-source modellen voor gezamenlijke biodiversiteitsmonitoring

Hoewel AI bij akoestische monitoring nog in de kinderschoenen staat, heeft het een groot potentieel. BirdNET is bijvoorbeeld een geavanceerd model dat vogels detecteert met behulp van geluiden en de modellen kunnen schattingen met waarschijnlijkheden geven. Onderzoekers kunnen dat gebruiken om de relatieve frequentie van vogels en hun gedragspatronen in de loop van de tijd te analyseren.

“Dit is nog maar het begin van een veelbelovende reis. De technologie ontwikkelt zich snel en het creëren van open-source modellen is een grote kans, omdat onderzoekers en ecologen zo gezamenlijk kunnen bijdragen aan het monitoren van de biodiversiteit,” zegt Chauhan.

A (Aneesh) Chauhan PhD

Expertiseleider Computer Vision en Robotics | Senior Onderzoeker

Neem contact op met A (Aneesh) Chauhan PhD