Mit KI die Umwelt besser verstehen

Wir sind umgeben von Sensoren, die unablässig enorme Mengen an Daten über uns und unsere Umwelt erfassen: Smartphones in unseren Taschen, Videokameras in den Strassen, Drohnen in der Luft und Satelliten im Weltraum. Obwohl wir diese Daten oft als Mittel zur Überwachung betrachten, bieten sie auch bedeutende Möglichkeiten für wirkungsvolle Forschungsarbeiten. 

«Wir nutzen diese Sensordaten für unsere Arbeit», sagt Devis Tuia, Leiter des Environmental Computational Science and Earth Observation Laboratory (ECEO) an der EPFL. «Aber keine Sorge: Unsere Untersuchungen sind komplett transparent und als Werkzeug für den Umweltschutz angelegt. Wir kombinieren Daten der Erdbeobachtung mit KI-Methoden wie dem maschinellen Lernen, um etwa den Zustand von Korallenriffen, die Verbreitung von Tierarten in unseren Bergen oder die Veränderungen in Regenwäldern zu erfassen.»

Vom Aussterben bedroht

In den Tropen finden sich einige der wichtigsten Waldökosysteme der Erde. Ihnen setzen nun aber die Klimakrise und menschliche Aktivitäten wie die Ausweitung der Landwirtschaft und des Bergbaus massiv zu. Schätzungen zufolge gehen global jährlich rund fünf Millionen Hektar Wald verloren, eine Fläche, die grösser ist als die Schweiz. Dadurch werden enorme Mengen an klimaschädlichem Kohlendioxid freigesetzt. Darüber hinaus sind die Auswirkungen auf die biologische Vielfalt immens, da Hunderte von Arten nun vom Aussterben bedroht sind.

Da die Entwaldung durch regional unterschiedliche Faktoren vorangetrieben wird, kann es keine Lösung geben, die global wirksam ist. Ein maschinelles Lernmodell, das unter anderem von Tuias Team entwickelt wurde, nutzt Zeitreihen von Satellitenaufnahmen, um abzuschätzen, was passiert, nachdem der Tropenwald verloren gegangen ist. Das KI-Modell erstellte eine Karte, die grundlegende Unterschiede beim Waldverlust in Südamerika, Südostasien und der Subsahara-Region in Afrika zeigt. Sie dient als Grundlage, um regional passende Massnahmen zu entwickeln. 

Es sind aber nicht nur die grünen Wälder auf den Kontinenten gefährdet, sondern auch die «Regenwälder der Meere»: die Korallenriffe. Sie bilden die grössten von Lebewesen geschaffenen Strukturen dieses Planeten mit einer Gesamtfläche von 600 000 Quadratkilometern. Auch hier gefährden die Klimakrise und die Nutzung der Ökosysteme durch den Menschen ganze Lebensräume mitsamt ihrer Fauna. Und auch hier müssen regionale Besonderheiten berücksichtigt werden, um passende Lösungen zu entwickeln. 

Zu diesem Zweck hat Tuias Team die offene Software DeepReefMap entwickelt. Sie basiert auf Deep Learning, einem Teilbereich des maschinellen Lernens, bei dem künstliche neuronale Netze, ähnlich wie das menschliche Gehirn, aus grossen Datenmengen lernen. DeepReefMap nutzt Unterwasservideos, wie sie beispielsweise von Tauchern mit GoPro-Kameras aufgenommen werden, um Korallenriffe zu kartieren, zu überwachen und in 3D-Modellen abzubilden. Es handelt sich um eine kostengünstige, gross angelegte Monitoringlösung, die speziell entwickelt wurde, um das Engagement unterentwickelter Regionen zu stärken und wirksame Naturschutzstrategien zu unterstützen.

Monitoring von Korallenriffen

«Wir haben DeepReefMap im Roten Meer erprobt und dabei eng mit lokalen Wissenschaftlern und Entscheidungsträgern zusammengearbeitet», sagt Tuia. «So konnten wir eine Art Komplettpaket für den Naturschutz liefern, das weit über den KI-Ansatz hinausgeht.» Nun sollen Projekte in anderen Ländern und Regionen mit anderen Korallenriffen folgen, um den KI-Ansatz so agil und anpassungsfähig wie möglich zu machen. Dann kann diese Technologie vielleicht auf der ganzen Welt eingesetzt werden. 

Der Bedarf an KI-basierten Methoden dieser Art ist so gross wie die Lücken in unserem Wissen über globale Biodiversität. Um diese zu schliessen, muss Material aus verschiedenen Datenquellen genutzt werden, etwa Bilder, Audioaufnahmen, Texte und vielleicht auch DNA. Der Mensch allein stösst bei der Auswertung jedoch schnell an seine Grenzen. KI kann dagegen auch gigantische Mengen verschiedenartiger Daten organisieren, katalogisieren, durchsuchen und verarbeiten – kurz: auf massgeschneiderte Art und Weise analysieren. 

Das gelingt aber nur in Kooperationen über traditionelle Fächergrenzen hinweg. Hier müssen Experten aus so unterschiedlichen Bereichen wie Ökologie und Naturschutz, aber auch Datenwissenschaft und maschinelles Lernen zusammenkommen – so wie bei Tuias Projekten: «Keine einzelne Disziplin hat alle Antworten», betont der Wissenschaftler. «Aber gemeinsam können wir echte Veränderungen bewirken.» 

Für ihn ist das ein Herzensthema, weil er sich schon immer für das Wohlergehen der Natur interessiert hat. Deshalb hat er Geografie und Umweltwissenschaften studiert, später aber seine Liebe zur Informatik entdeckt: «Jetzt bin ich froh, an der Schnittstelle meiner beiden Leidenschaften arbeiten zu können, um vielleicht einen kleinen Beitrag zur Zukunft unseres Planeten zu leisten.» Indem er beispielsweise dem Privatleben alpiner Säugetiere nachspürt: Wann gehen Füchse in den Bergen auf die Jagd? Wohin genau wandern die Wölfe? Was treiben Rothirsche eigentlich, wenn sie denken, dass keiner zusieht? Und noch wichtiger: Ändern die Tiere ihr Verhalten, weil sich die Klimakrise und menschliche Aktivitäten massiv auf ihre Lebensräume in den Bergen auswirken? 

Auch in diesem Fall scheitern gängige Methoden oft. Direkte Beobachtungen durch den Menschen sind nur schwer systematisch durchzuführen. Sie können die Tiere stören und so ihr Verhalten beeinflussen. An Tieren angebrachte Sensoren sind nützlich, um erste Verhaltensinformationen in grossem Massstab zu erhalten, lassen jedoch die feineren Details der einzelnen Tiere und ihre Interaktionen mit ihrer Umgebung ausser Acht. Kamerafallen werden dagegen fest installiert und zeichnen auf, wenn sich ein Tier in der Nähe bewegt. Sie halten einzigartige Verhaltensweisen und Interaktionen fest und sind dabei nur minimalinvasiv. Gerade in lang laufenden Projekten werden oft so viele Daten gesammelt, dass die Forscher diese kaum noch sinnvoll auswerten können. 

Arten automatisch erkennen

Genau hier setzt der von Tuias Team in einer Kooperation entwickelte Mamm- Alps-Datensatz an. Im Schweizerischen Nationalpark, der ebenfalls am Projekt beteiligt ist, wurden zunächst neun Videofallen installiert. Diese filmten Tiere wie Füchse, Wölfe und Rehe aus unterschiedlichen Perspektiven und zeichneten auch deren Geräusche auf. So entstanden mehr als acht Stunden dichtes Videomaterial: eine Tierbeobachtung nach der anderen. 

Die Forscher sichteten das Material und analysierten es. Sie zählten die Tiere und identifizierten die Arten, kategorisierten aber auch Verhaltensweisen wie Gehen, Grasen und Schnüffeln. Der Datensatz soll noch erweitert werden, um auch kleinere und seltenere Arten zu berücksichtigen. Eine erste Version ist bereits jetzt frei zugänglich, um KI-Modelle zu trainieren. Diese werden auf der Grundlage lernen, Tierarten und Verhaltensweisen automatisch zu erkennen, was dann zur Unterstützung der Forschung von Ökologen genutzt werden kann. MammAlps ist eine wichtige, neuartige Ressource – und gilt als neuer Standard der Tierbeobachtung. 

«Ich möchte eine Gemeinschaft kluger Köpfe – Studierende, Forscher und Praktiker – aufbauen, die Technologien entwickeln und einsetzen, die für die Natur wichtig sind», sagt Tuia. «Ich will faktenbasierte Erkenntnisse über die Auswirkungen des Klimawandels und anderer menschengemachter Veränderungen auf der Erde liefern. Nur so können wir als Gemeinschaft die richtigen Entscheidungen treffen – für die nächsten Generationen aller Lebewesen.»