AI-modellen om invasieve plantensoorten in het VK te helpen identificeren

Milieukundigen en onderzoekers op het gebied van kunstmatige intelligentie gebruiken AI om de strijd aan te binden tegen invasieve soorten die zich over het VK verspreiden. Onderzoekers van het UK Centre for Ecology and Hydrology (UKCEH) en Birmingham hebben een AI-model ontwikkeld dat is bedoeld om gebieden zoals wegbermen te onderzoeken op de aanwezigheid van verschillende invasieve soorten, waaronder Japanse duizendknoop.

Japanse duizendknoop is een invasieve soort die schade kan aanrichten aan natuurlijke landschappen en gebouwen in het VK, omdat het de fundering van gebouwen kan beschadigen. Het wordt vaak beschouwd als een van de meest schadelijke en agressieve invasieve plantensoorten in het VK. Het verwijderen van Japanse duizendknoop blijkt vaak moeilijk omdat het moeilijk te vinden en te identificeren is. AI-onderzoekers hopen dat de machine learning-algoritmen de tijd en middelen kunnen verminderen die nodig zijn om Japanse duizendknoop te identificeren.

Trainingsgegevens voor het model werden verzameld door middel van hoogwaardige camera’s die op voertuigen werden geplaatst, die beelden verzamelden van ongeveer 120 mijl aan vegetatie langs de weg. Ecologen zullen de beelden onderzoeken en de duizendknoop labelen, en de beelden zullen worden voorzien van een GPS-locatie. De gelabelde beelden zullen vervolgens worden gebruikt om een computer vision-model te trainen om Japanse duizendknoop te herkennen. Hetzelfde proces zal worden gebruikt om andere soorten invasieve planten in het VK te herkennen, zoals Himalaya-balsem en rododendrons. Het systeem zal ook worden gebruikt om esdoorns te detecteren, die inheems zijn in het VK maar het risico lopen te worden gedecimeerd door ziekte.

Het AI-model zal worden getest in het kader van een 10-maanden durend proefproject. Het onderzoeksteam zegt dat er uitdagingen zijn die het team moet overwinnen, zoals ervoor zorgen dat de door de camera’s gemaakte beelden van constante kwaliteit zijn en dat wanneer er meerdere soorten in één beeld voorkomen, alle soorten correct worden geïdentificeerd. Als het proefprogramma veelbelovende resultaten oplevert, kan het mogelijk worden aangepast voor gebruik in andere landen over de hele wereld, waardoor deze landen hun eigen problemen met invasieve soorten kunnen bestrijden. Als computationeel ecoloog bij UKCEH, werd Dr. Tom August citaat door The Next Web:

“Invasieve plantensoorten groeien vaak in corridors, waardoor we ons richten op wegbermen als computationeel ecoloog bij UKCEH. Als het proefproject succesvol is, kan dit worden opgeschaald in andere landen of voor andere soorten planten, bomen of zelfs insecten en dieren.”

Volgens August bieden AI-modellen veel mogelijkheden om de natuurlijke wereld te leren kennen en efficiënte, kosteneffectieve oplossingen te ontwikkelen voor invasieve soorten. UKCEH werkt samen met Keen AI, een AI-bedrijf gevestigd in Birmingham. De oprichter van Keen AI, Amjad Karim, werd door Science Focus geciteerd als zeggende dat het gebruik van AI-modellen om beelden te analyseren en invasieve soorten te detecteren kan helpen om kosten te verminderen en veiligheid te bieden aan grondeigenaren, wegbeheerders en beleidsmakers. De primaire methode voor het verzamelen van wegbeelden vereist momenteel surveyors, en de weg wordt tijdelijk gesloten terwijl ze hun werk doen.

Het nieuwe project dat is ontwikkeld door UKCEH en Keen AI is slechts het laatste in een groeiende trend die de toepassing van AI ziet om invasieve soorten te bestrijden. Aan het einde van vorig jaar sloten AI-onderzoekers van Microsoft en CSIRO zich aan om een AI-model te ontwikkelen dat een invasieve soort kan identificeren, genaamd para-gras, die overal in Kakadu National Park in Australië voorkomt. Para-gras is een snel groeiende onkruid dat zich snel kan verspreiden en snel veel inheemse planten in een regio kan verdringen. De onderzoekers gebruikten beelden die waren verzameld door drones, en zodra het model was getraind op de gelabelde beelden, kon het para-gras succesvol identificeren, waardoor de onderzoekers het konden verwijderen uit kwetsbare wetlands. Dit had het effect dat duizenden magpie-ganzen konden terugkeren naar de regio. Een ander team van onderzoekers van de New University of Alberta gebruikte machine learning-modellen om beheers- en mitigatiestrategieën te ontwikkelen voor verschillende invasieve soorten in Canada.