Amazonas-regnskoven, som dækker et område på 2,3 millioner kvadratkilometer, er verdens største regnskov og den region med størst biologisk mangfoldighed.
Amazonas er spredt over ni lande og er afgørende for planetens sundhed, idet den absorberer kuldioxid, regulerer vejrmønstre og er levested for utallige arter.
Afskovning og ulovlig brug af jorden har truet Amazonas i årtier, hvilket har ført til tab af levesteder i stor skala og næsten irreversible skader på økosystemet.
Ifølge Bevarelse af AmazonasAlene i 2022 gik næsten 5 millioner hektar regnskov tabt, hvilket er en stigning på 21% i forhold til året før.
AI-løsninger til naturbeskyttelse
Dybt inde i Amazonas' regnskov roder dyrene rundt i underskoven uden at vide, at de bliver fanget af kameraer og mikrofoner.
Billederne og optagelserne giver ikke bare et spændende indblik i dyrenes liv i regnskoven - de er en del af et sofistikeret AI-drevet projekt, der skal løse problemet med afskovning.
Ved at udnytte kraften i data, maskinlæring (ML) og cloud-teknologi udvikler eksperter innovative programmer, der har til formål at genkende afskovningsmønstre og levere brugbare data til politiske beslutningstagere.
AI er blevet en integreret del af den globale bevaringsindsats og giver forskere mulighed for at kombinere data fra sensorer, kameraer og satellitter.
Projekt Guacamayaet samarbejde mellem Alexander von Humboldt Instituttet, CinfonIA Research Center ved Universidad de los Andes, Instituto Sinchi og Microsofts AI for Good Labhar til formål at overvåge skovrydning og biodiversitet i Colombias Amazonas.
Som Juan Lavista Ferres, Vice President og Chief Data Scientist hos Microsofts AI for Good Lab, beskriver det: "Dette projekt vil ikke løse alle de problemer, Amazon har, men det vil løse et, som jeg mener, er grundlæggende: Du kan ikke løse et problem, hvis du ikke kan måle det."
En trestrenget tilgang
AI's evne til at arbejde med data på tværs af flere modaliteter giver forskere en detaljeret beskrivelse af dette enorme og komplekse miljø.
Satellitdata giver f.eks. en makroanalyse af skoven, herunder afskovningshændelser, ulovlig minedrift og ændringer i arealanvendelsen.
Samtidig sporer kameraer og sensorer på jorden makroforandringernes indvirkning på den lokale biodiversitet, f.eks. ved at spore tab af levesteder.
Sådan gør du Projekt Guacamaya kombinerer forskellige AI-systemer:
Trin 1: Satellitdata til makrojordanalyse
Den første del af Project Guacamaya udnytter satellitdata fra Planet Labs.
Satellitdata forsyner projektet med daglige billeder i høj opløsning af Amazonas' regnskov, hvilket muliggør overvågning i næsten realtid. Det er afgørende for at opdage hurtige ændringer i skovdækket eller tegn på ulovlige aktiviteter.
De AI-modeller, der er udviklet til denne fase, er trænet til at søge efter indikatorer for skovrydning eller ulovlig minedrift, f.eks. uautoriserede veje eller rydninger.
Ved at automatisere satellitovervågningen kan teamet advare de colombianske myndigheder, næsten lige så snart der opstår mistænkelig aktivitet.
Trin 2: Skjulte kameraer giver indsigt på jordniveau
Skjulte kameraer er strategisk placeret i hele den colombianske Amazonas for at supplere satellitdata.
Disse kameraer tager tusindvis af billeder hver dag og sender dem til AI-modeller, der identificerer og klassificerer dyr.
Ud over at spore arternes bevægelser i regnskoven fungerer det også som et varslingssystem. Hvis der f.eks. findes dyr uden for deres naturlige økosystemer, kan det være tegn på lokale ændringer, som kræver yderligere undersøgelser.
Trin 3: Bioakustik til klassificering af dyr
Endelig indeholder Project Guacamaya lyddata, eller bioakustik, der er indsamlet direkte fra Amazonas' regnskov.
Specialiseret udstyr bruges til at optage de naturlige lyde i skoven og føre data ind i AI-modeller. trænet til at skelne mellem fugle- og ikke-fuglelyde og klassificere dem i specifikke arter.
Med en identifikationssikkerhed på over 80% hjælper disse AI-modeller forskere med at forstå dyrs adfærd, spore arters migration og opdage tilstedeværelsen af invasive eller truede arter.
Bekæmpelse af skovrydning i Brasilien
I et separat projekt samarbejder Microsoft med miljøorganisationen Imazon og nonprofit-organisationen PrevisIA i Brasilien for at opdage ulovlig minedrift og skovrydning via satellitanalyse.
"Vi bruger PrevisIA til at forudse risikoområderne og gennemføre tiltag for at undgå afskovning", siger Carlos Souza, seniorforsker hos Imazon.
Tidligere i år blev skovområdet i Triunfo do Xingu decimeret og mistede et område svarende til 700 fodboldbaner på bare en måned. Ifølge PrevisIA er det også den region, der har størst risiko for yderligere afskovning i 2023.
Inden årets udgang anslår AI, at cirka 271,52 kvadratkilometer skov vil være gået tabt.
Carlos Souza Jr, seniorforsker hos Imazon og projektkoordinator for PrevisIA, fremhævede den proaktive kraft i denne tilgang: "Eksisterende modeller til forudsigelse af skovrydning var langsigtede og så på, hvad der ville ske om årtier. Vi havde brug for et nyt værktøj, der kunne komme ødelæggelserne i forkøbet."
Ved hjælp af en kombination af geostatistik og historiske data tager modellen højde for variabler, der hæmmer eller fremmer afskovning, såsom jord, der er beskyttet af oprindelige samfund.
PrevisIA er også til gavn for lokale interessenter, herunder banker og virksomheder, som bruger dataene til at træffe miljømæssigt ansvarlige beslutninger.
Fra reaktiv til proaktiv konservering
AI's evne til at arbejde med komplekse data i næsten realtid understøtter et nyt paradigme for proaktiv bevarelse.
Tidligere var forskere primært afhængige af manuelt indsamlede feltdata, som ikke kan gøre sig håb om at indfange dynamikken i et område så stort som Amazonas.
José Godofredo Pires dos Santos, offentlig anklager i Pará, beskrev behovet for forebyggende foranstaltninger og sagde: "Vi ønsker ikke at blive ved med at komme ind, når skaden allerede er sket."
Forskerne bemærker, at det endelige mål er at gøre disse modeller til open source til brug i andre globale projekter.
AI's rolle i naturbevarelse: eksempler fra 2023
I en verden, der kæmper med klimaforandringer, tab af levesteder og nedgang i biodiversiteten, kommer de traditionelle bevaringsmetoder ofte til kort.
2023 har budt på en række fascinerende bevarelsesprojekter, der udnytter AI og maskinlæring.
Her er tre eksempler fra de sidste par måneder:
Akustisk overvågning af floddelfiner i Amazonas
Forskere ved Cataloniens Tekniske Universitet i Barcelona har trænet et neuralt netværk til at skelne mellem to truede delfinarter i Amazonfloden - Boto og Tucuxi - ud fra deres unikke akustiske kommunikation.
Ved at installere undervandsmikrofoner i Mamirauá-reservatet i den brasilianske Amazonas-regnskov kan teamet overvåge floddelfiner med minimal forstyrrelse.
Den AI-teknologi hjælper med at skelne delfinlyde fra andre miljølyde.
Norges AI-drevne kontrol af fiskeindvandring
Stillehavslaksen, en invasiv art, truer de oprindelige atlantiske laksebestande i europæiske vandløb.
Huawei og Berlevåg Jeger-og Fiskerforening (BJFF) byggede et AI-fiskefiltreringssystem i Storelva i Norge.
Ved hjælp af en computersynsmodel (CV), dette system kan skelne mellem atlanterhavs- og stillehavslaks med 90% nøjagtighed og omdirigere de invasive arter til en opsamlingsbugt, før de slippes fri i havet.
Dette innovative system "ser" de invasive stillehavslaks og forhindrer dem sikkert i at invadere europæiske vandveje.
Optælling af lunder i Storbritannien
Søpapegøjer, som er elskede, men sårbare havfugle i Storbritannien, har historisk set været vanskelige at overvåge.
Rangers har traditionelt talt dem manuelt - en besværlig og tidskrævende opgave.
I partnerskab med Microsoft, Avanade og NatureScot er SSE Renewables styring af et AI-system for at tælle søpapegøjer på Isle of May ud for Skotlands kyst.
Kameraer fanger live-optagelser af søpapegøjer, og en AI model trænet på mærkede billeder kan skelne mellem individuelle fugle med minimal menneskelig indblanding.
Fremtiden for kunstig intelligens inden for naturbeskyttelse
Den spirende rolle, som kunstig intelligens spiller i bevaringsarbejdet, har vist sig at være effektiv på tværs af forskellige økosystemer - fra Amazonfloden til europæiske vandveje og skotske kystlinjer.
AI er en kraftmultiplikator, der hjælper forskere med at holde styr på komplekse biodynamiske data.
Efterhånden som den infrastruktur, der kræves for at træne og implementere AI-modeller, bliver mere tilgængelig, vil det blive lettere at opbygge modeller til unikke bevaringsproblemer, selv uden betydelige ressourcer.
I fremtiden vil miljøforkæmpere kunne bygge sofistikerede, lette AI-systemer med minimal ekspertise.
