Μοντέλα AI για την Αναγνώριση Εισβαλλόμενων Ειδών Φυτών σε Όλη την 영국ία

Επιστήμονες του περιβάλλοντος και ερευνητές της τεχνητής νοημοσύνης χρησιμοποιούν την ΤΝ για την καταπολέμηση ενός εισβαλλόμενου είδους που εξαπλώνεται σε όλη την Αγγλία. Ερευνητές από το Κέντρο Οικολογίας και Υδρολογίας του Ηνωμένου Βασιλείου (UKCEH) και του Μπέρμιγχαμ έχουν αναπτύξει ένα μοντέλο ΤΝ που προορίζεται για την επιτήρηση περιοχών όπως οι πλευρές των δρόμων για την παρουσία διαφόρων εισβαλλόμενων ειδών, συμπεριλαμβανομένου του ιαπωνικού κόμπου.

Ο ιαπωνικός κόμπος είναι ένα εισβαλλόμενο είδος που μπορεί να προκαλέσει ζημιά στα φυσικά τοπία και τα κτήρια στην Αγγλία, поскольку μπορεί να προκαλέσει ζημιά στις θεμελιώσεις των κτηρίων. Συχνά θεωρείται ένα από τα πιο καταστροφικά και επιθετικά εισβαλλόμενα φυτικά είδη στην Αγγλία. Η απομάκρυνση του ιαπωνικού κόμπου συχνά αποδεικνύεται μια δύσκολη υπόθεση, επειδή είναι δύσκολο να βρεθεί και να αναγνωριστεί. Οι ερευνητές της ΤΝ ελπίζουν ότι οι αλγόριθμοι της μηχανικής μάθησης θα μειώσουν τον χρόνο και τους πόρους που απαιτούνται για την αναγνώριση του ιαπωνικού κόμπου.

Τα δεδομένα εκπαίδευσης συλλέχθηκαν για το μοντέλο μέσω της χρήσης υψηλής ταχύτητας καμερών τοποθετημένων στην parte των οχημάτων, οι οποίες συλλέγουν εικόνες περίπου 120 μιλίων βλάστησης στις πλευρές του δρόμου. Οι οικολόγοι θα εξετάσουν τις εικόνες και θα επισημάνουν τον κόμπο, και οι εικόνες θα έχουν την τοποθεσία GPS τους. Οι επισημασμένες εικόνες θα χρησιμοποιηθούν για την εκπαίδευση ενός μοντέλου οπτικής αναγνώρισης για την αναγνώριση δειγμάτων ιαπωνικού κόμπου. Η ίδια διαδικασία θα χρησιμοποιηθεί για την αναγνώριση άλλων ειδών εισβαλλόμενων φυτών που βρίσκονται στην Αγγλία, όπως ο ιμαλαϊικός βαλσάμος και τα ροδόδεντρα. Το σύστημα θα χρησιμοποιηθεί επίσης για την ανίχνευση δένδρων φραξίνου, τα οποία είναι ιθαγενή στην Αγγλία αλλά βρίσκονται σε κίνδυνο εξαφάνισης λόγω ασθένειας.

Το μοντέλο ΤΝ θα δοκιμαστεί κατά τη διάρκεια ενός πιλοτικού προγράμματος 10 μηνών. Η ερευνητική ομάδα αναφέρει ότι υπάρχουν προκλήσεις που πρέπει να ξεπεραστούν, όπως η βεβαίωση ότι οι εικόνες που συλλέγονται από τις κάμερες είναι συνεπείς ως προς την ποιότητα και ότι όταν υπάρχουν πολλά είδη σε μια einz εικόνα, όλα τα είδη αναγνωρίζονται σωστά. Εάν το πιλοτικό πρόγραμμα ολοκληρωθεί με υποσχόμενους αποτελέσματα, μπορεί να χρησιμοποιηθεί σε άλλες χώρες σε όλο τον κόσμο, βοηθώντας αυτές τις χώρες να καταπολεμήσουν τα δικά τους προβλήματα εισβαλλόμενων ειδών. Ο υπολογιστικός οικολόγος του UKCEH, Δρ. Τομ Όγκουστ, αναφέρθηκε από το The Next Web:

«Τα εισβαλλόμενα φυτικά είδη τείνουν να αναπτύσσονται σε διαδρόμους, γι’ αυτό εστιάζουμε στις επιθεωρήσεις των πλευρών των δρόμων ως υπολογιστικός οικολόγος του UKCEH. Εάν το πιλοτικό πρόγραμμα είναι επιτυχημένο, αυτό μπορεί να κλιμακωθεί σε άλλες χώρες ή για άλλα είδη φυτών, δένδρων ή ακόμη και εντόμων και ζώων».

Σύμφωνα με τον Όγκουστ, τα μοντέλα ΤΝ ανοίγουν πολλές δυνατότητες για την εκμάθηση του φυσικού κόσμου και την κατασκευή αποτελεσματικών, οικονομικά αποδοτικών λύσεων για τα εισβαλλόμενα είδη. Το UKCEH συνεργάζεται με την Keen AI, μια εταιρεία ΤΝ με έδρα το Μπέρμιγχαμ. Ο ιδρυτής της Keen AI, Αμτζάντ Καρίμ, αναφέρθηκε από το Science Focus ότι η χρήση μοντέλων ΤΝ για την ανάλυση εικόνων και την ανίχνευση εισβαλλόμενων ειδών μπορεί να βοηθήσει στη μείωση των κοστών και να παρέχει ασφάλεια στους ιδιοκτήτες γης, τις υπηρεσίες οδών και τους υπεύθυνους λήψης αποφάσεων. Η κύρια μέθοδος συλλογής εικόνων από τις πλευρές των δρόμων απαιτεί επιθεωρητές, και ο δρόμος κλείνει προσωρινά ενώ ολοκληρώνουν την εργασία τους.

Το νέο πρόγραμμα που σχεδιάστηκε από το UKCEH και την Keen AI είναι το τελευταίο σε μια αυξανόμενη τάση που βλέπει την εφαρμογή της ΤΝ για την καταπολέμηση των εισβαλλόμενων ειδών. Τον περασμένο χρόνο, ερευνητές της ΤΝ από τη Microsoft (MSFT ) και το CSIRO συνεργάστηκαν για την ανάπτυξη ενός μοντέλου ΤΝ που μπορεί να αναγνωρίσει ένα εισβαλλόμενο είδος που ονομάζεται para grass, που βρίσκεται σε όλο το Εθνικό Πάρκο Kakadu στην Αυστραλία. Το para grass είναι ένα γρήγορο φυτό που μπορεί να εξαπλωθεί γρήγορα, απομακρύνοντας πολλά ιθαγενή φυτά σε μια περιοχή. Οι ερευνητές χρησιμοποίησαν εικόνες που συλλέχθηκαν από drones, και όταν το μοντέλο εκπαιδεύτηκε με τις επισημασμένες εικόνες, ήταν σε θέση να αναγνωρίσει επιτυχώς το para grass, επιτρέποντας στους ερευνητές να το απομακρύνουν από ευαίσθητες υγρότοπους. Αυτό είχε ως αποτέλεσμα την επιστροφή χιλιάδων μαγpie geese στην περιοχή. Μια άλλη ομάδα ερευνητών από το Νέο Πανεπιστήμιο του Αλμπέρτα χρησιμοποίησε μοντέλα μηχανικής μάθησης για την ανάπτυξη στρατηγικών περιέγκυσης και μείωσης για διάφορα εισβαλλόμενα είδη στον Καναδά.