Tekoälymallit, jotka auttavat tunnistamaan invasiivisia kasvilajeja kaikkialla Yhdistyneessä kuningaskunnassa

Ympäristötutkijat ja tekoälytutkijat käyttävät tekoälyä torjuakseen kaikkialla Yhdistyneessä kuningaskunnassa leviävää invasiivista lajia. Tutkijat osoitteesta Yhdistyneen kuningaskunnan ekologian ja hydrologian keskus (UKCEH) ja Birmingham ovat kehittäneet tekoälymallin, joka on tarkoitettu tutkimaan alueita, kuten tienvarsia erilaisten invasiivisten lajien läsnäolo, mukaan lukien japanilainen knotweed.

Japanilainen knotweed on invasiivinen laji, joka voi vahingoittaa luonnonmaisemia ja rakennuksia ympäri Yhdistynyttä kuningaskuntaa, koska se voi vahingoittaa rakennusten perustuksia. Sitä pidetään usein yhtenä vahingollisimmista ja aggressiivisimmista invasiivisista kasvilajeista Yhdistyneessä kuningaskunnassa. Japanilaisesta knotweedistä eroon pääseminen osoittautuu usein haastavaksi, koska sen löytäminen ja tunnistaminen on haastavaa. Tekoälytutkijat toivovat, että koneoppimisalgoritmit voivat vähentää aikaa ja resursseja, jotka tarvitaan japanilaisen knotweedin tunnistamiseen.

Mallin harjoittelutiedot kerättiin ajoneuvojen päälle sijoitettujen nopeiden kameroiden avulla, jotka keräsivät kuvia noin 120 mailia tienvarren kasvillisuudesta. Ekologit tutkivat kuvat ja merkitsevät oksaruohon, ja kuviin merkitään GPS-sijainti. Merkittyjä kuvia käytetään sitten tietokonenäkömallin kouluttamiseen tunnistamaan näytteitä japanilaisesta knotweedistä. Samaa prosessia käytetään muiden Yhdistyneessä kuningaskunnassa esiintyvien invasiivisten kasvilajien, kuten Himalajan balsamin ja rododendronien, tunnistamiseen. Järjestelmää käytetään myös saarnipuiden havaitsemiseen, jotka ovat kotoisin Isosta-Britanniasta, mutta jotka ovat vaarassa tuhoutua tautien takia.

Tekoälymallia testataan 10 kuukauden pilottiprojektin aikana. Tutkimusryhmä sanoo, että tiimin on voitettava haasteita, kuten varmistaa, että kameroilla otetut kuvat ovat tasalaatuisia ja että kun yhdessä kuvassa on useita lajeja, kaikki lajit tunnistetaan oikein. Jos pilottiohjelma päätyy tuottamaan lupaavia tuloksia, se voidaan lopulta mukauttaa käytettäväksi muissa maissa ympäri maailmaa, mikä auttaa näitä maita taistelemaan omia invasiivisia laji-ongelmiaan. Laskennallisena ekologina UKCEH:ssa, tohtori Tom August, lainasi The Next Web:

”Invasiiviset kasvilajit kasvavat yleensä käytävillä, minkä vuoksi olemme keskittyneet tienvarsitutkimuksiin, laskennallinen ekologi UKCEH:sta. Jos pilotti onnistuu, sitä voidaan laajentaa muissa maissa tai muiden kasvi-, puu- tai jopa hyönteisten ja eläinten osalta.

Elokuun mukaan tekoälymallit tarjoavat monia mahdollisuuksia oppia luonnosta ja suunnitella tehokkaita, kustannustehokkaita ratkaisuja invasiivisille lajeille. UKCEH tekee yhteistyötä Birminghamissa toimivan tekoälyyrityksen Keen AI:n kanssa. Science Focus lainasi Keen AI:n perustaja Amjad Karimia sanoneen, että tekoälymallien käyttö kuvien analysointiin ja invasiivisten lajien havaitsemiseen voi auttaa vähentämään kustannuksia ja tarjoamaan turvallisuutta maanomistajille, valtatievirastoille ja poliittisille päättäjille. Ensisijainen menetelmä tienvarsikuvien keräämiseen vaatii tällä hetkellä katsastajia, ja tie on tilapäisesti suljettu, kun he suorittavat työnsä.

UKCEH:n ja Keen AI:n suunnittelema uusi projekti on vain viimeisin kasvavassa trendissä, jossa tekoälyä voidaan soveltaa invasiivisten lajien torjuntaan. Viime vuoden lopulla Microsoftin ja CSIROn tekoälytutkijat yhdistivät voimansa suunnittelemaan tekoälymallia joka voi invasiivinen laji nimeltä para grass, joka löytyy kaikkialta Kakadun kansallispuistosta Australiassa. Pararuoho on nopeasti kasvava rikkakasvi, joka voi levitä nopeasti ja syrjäyttää nopeasti monet alueen alkuperäiset kasvit. Tutkijat käyttivät droonien keräämiä kuvia, ja kun malli oli koulutettu merkittyihin kuviin, se pystyi onnistuneesti tunnistamaan pararuohon, jolloin tutkijat pystyivät poistamaan sen haavoittuvilta kosteikoilta. Tämä vaikutti siihen, että tuhansia harakkahanhia pääsi palaamaan alueelle. Toinen Albertan uuden yliopiston tutkijaryhmä käytti koneoppimismalleja suunnitella hillitsemis- ja lieventämisstrategioita useille invasiivisille lajeille Kanadassa.