Μοντέλα AI για την ταυτοποίηση εισβολικών ειδών φυτών σε όλη την 영국

Οι επιστήμονες του περιβάλλοντος και οι ερευνητές της τεχνητής νοημοσύνης χρησιμοποιούν την τεχνητή νοημοσύνη για να καταπολεμήσουν ένα εισβολικό είδος που εξαπλώνεται σε όλη την Αγγλία. Ερευνητές από το Κέντρο Οικολογίας και Υδρολογίας του Ηνωμένου Βασιλείου (UKCEH) και του Μπέρμιγχαμ έχουν αναπτύξει ένα μοντέλο AI που αποσκοπεί στην επιτήρηση περιοχών όπως οι πλευρές των δρόμων για την παρουσία διαφόρων εισβολικών ειδών, συμπεριλαμβανομένου του ιαπωνικού knotweed. Το ιαπωνικό knotweed είναι ένα εισβολικό είδος που μπορεί να προκαλέσει ζημιά στα φυσικά τοπία και τα κτίρια σε όλη την Αγγλία, καθώς μπορεί να προκαλέσει ζημιά στις βάσεις των κτιρίων. Συχνά θεωρείται ένα από τα πιο καταστροφικά και επιθετικά εισβολικά φυτικά είδη στην Αγγλία. Η απομάκρυνση του ιαπωνικού knotweed συχνά αποδεικνύεται δύσκολη επειδή είναι δύσκολο να βρεθεί και να αναγνωριστεί. Οι ερευνητές της τεχνητής νοημοσύνης ελπίζουν ότι οι αλγόριθμοι της μηχανικής μάθησης μπορούν να μειώσουν τον χρόνο και τους πόρους που απαιτούνται για την αναγνώριση του ιαπωνικού knotweed. Τα δεδομένα εκπαίδευσης συλλέχθηκαν για το μοντέλο μέσω της χρήσης καμερών υψηλής ταχύτητας τοποθετημένων στην κορυφή οχημάτων, τα οποία συλλέγουν εικόνες περίπου 120 μιλίων βλάστησης στις πλευρές των δρόμων. Οι οικολόγοι θα εξετάσουν τις εικόνες και θα επισημάνουν το knotweed, και οι εικόνες θα έχουν την ετικέτα GPS τους. Οι επισημάνσεις εικόνες θα χρησιμοποιηθούν για την εκπαίδευση ενός μοντέλου οπτικής αναγνώρισης για την αναγνώριση δειγμάτων ιαπωνικού knotweed. Η ίδια διαδικασία θα χρησιμοποιηθεί για την αναγνώριση άλλων ειδών εισβολικών φυτών που βρίσκονται στην Αγγλία, όπως το Himalayan balsam και τα rhododendrons. Το σύστημα θα χρησιμοποιηθεί επίσης για την ανίχνευση δέντρων άσκου, τα οποία είναι ιθαγενή στην Αγγλία αλλά είναι σε κίνδυνο να εξαφανιστούν από ασθένεια. Το μοντέλο AI θα δοκιμαστεί κατά τη διάρκεια eines 10-μήνα πιλοτικού προγράμματος. Η ερευνητική ομάδα λέει 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 αποδείξει ότι παράγει υποσχόμενες αποτελέσματα, μπορεί να προσαρμοστεί για χρήση σε άλλες χώρες σε όλο τον κόσμο, βοηθώντας αυτές τις χώρες να καταπολεμήσουν τα δικά τους προβλήματα εισβολικών ειδών. Ως υπολογιστικός οικολόγος στο UKCEH, ο Δρ. Tom August, δηλώθηκε από το The Next Web: “Τα εισβολικά φυτικά είδη τείνουν να αναπτύσσονται σε διαδρόμους, γι’ αυτό επικεντρωνόμαστε στις επιθεωρήσεις των πλευρών των δρόμων ως υπολογιστικός οικολόγος στο UKCEH. Εάν το πιλοτικό πρόγραμμα είναι επιτυχημένο, αυτό μπορεί να κλιμακωθεί σε άλλες χώρες, ή για άλλα είδη φυτών, δέντρων ή ακόμη και εντόμων και ζώων”. Σύμφωνα με τον August, τα μοντέλα AI ανοίγουν πολλές δυνατότητες για την εκμάθηση του φυσικού κόσμου και την κατασκευή αποτελεσματικών, οικονομικά αποδοτικών λύσεων για τα εισβολικά είδη. Το UKCEH συνεργάζεται με την Keen AI, μια εταιρεία AI με έδρα το Μπέρμιγχαμ. Ο ιδρυτής της Keen AI, Amjad Karim, δηλώθηκε από το Science Focus ότι η χρήση μοντέλων AI για την ανάλυση εικόνων και την ανίχνευση εισβολικών ειδών μπορεί να βοηθήσει στη μείωση των κοστών και να παρέχει ασφάλεια στους ιδιοκτήτες γης, τις υπηρεσίες οδών και τους πολιτικούς. Η основная μέθοδος συλλογής εικόνων από τις πλευρές των δρόμων απαιτεί επιθεωρητές, και ο δρόμος κλείνει προσωρινά ενώ ολοκληρώνουν το έργο 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 τεχνητής νοημοσύνης για την καταπολέμηση των εισβολικών ειδών. Τον τελευταίο χρόνο, ερευνητές της Microsoft και του CSIRO συνεργάστηκαν για την σχεδίαση ενός μοντέλου AI που μπορεί να αναγνωρίσει ένα εισβολικό 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, αντικαθιστώντας πολλά ιθαγενή φυτά σε μια περιοχή. Οι ερευνητές χρησιμοποίησαν εικόνες που συλλέχθηκαν από drones, και όταν το μοντέλο εκπαιδεύτηκε στις επισημάνσεις εικόνες, ήταν σε θέση να αναγνωρίσει επιτυχώς το para grass, επιτρέποντας στους ερευνητές να το αφαιρέσουν από ευαίσθητες υγροτόπους. Αυτό είχε ως αποτέλεσμα την επιστροφή χιλιάδων magpie geese στην περιοχή. Μια άλλη ομάδα ερευνητών από το Πανεπιστήμιο του Αλμπέρτα χρησιμοποιούσε μοντέλα μηχανικής μάθησης για να σχεδιάσει στρατηγικές περιέγχρωσης και μείωσης για διάφορα εισβολικά είδη στον Καναδά.