Amazonas regnskog, som täcker ett område på 2,3 miljoner kvadratkilometer, är världens största regnskog och den region som har störst biologisk mångfald.
Amazonas, som är utspritt över nio länder, är avgörande för planetens hälsa, eftersom det absorberar koldioxid, reglerar vädermönster och utgör en livsmiljö för otaliga arter.
Avskogning och olaglig markanvändning har hotat Amazonas i årtionden, vilket har lett till storskalig förlust av livsmiljöer och nästan oåterkalleliga skador på ekosystemet.
Enligt uppgift från Bevarande av AmazonasBara under 2022 försvann nästan 5 miljoner hektar regnskog, vilket var en ökning med 21% jämfört med föregående år.
AI-lösningar för naturvård
Djupt inne i Amazonas regnskog rör sig djur genom undervegetationen utan att inse att de fångas av kameror och mikrofoner.
Bilderna och inspelningarna ger inte bara en spännande inblick i djurens liv i regnskogen - de är en del av ett sofistikerat AI-drivet projekt för att lösa problemet med avskogning.
Med hjälp av data, maskininlärning (ML) och molnteknik utvecklar experter innovativa program som syftar till att känna igen avskogningsmönster och tillhandahålla handlingsbara data för beslutsfattare.
AI har blivit en integrerad del av det globala naturvårdsarbetet och ger forskare möjlighet att kombinera data från sensorer, kameror och satelliter.
Projekt Guacamayaett samarbete mellan Alexander von Humboldt-institutet, forskningscentret CinfonIA vid Universidad de los Andes, Instituto Sinchi och Microsofts labb för AI för goda ändamålsyftar till att övervaka avskogningen och den biologiska mångfalden i Colombias Amazonas.
Som Juan Lavista Ferres, Vice President och Chief Data Scientist på Microsofts AI for Good Lab, beskriver det: "Det här projektet kommer inte att lösa alla problem som Amazon har, men det kommer att lösa ett som jag tycker är grundläggande: Du kan inte lösa ett problem om du inte kan mäta det."
En tredelad strategi
AI:s förmåga att arbeta med data i flera olika modaliteter ger forskarna en detaljerad bild av denna stora och komplexa miljö.
Satellitdata ger till exempel en makroanalys av skogen, inklusive avskogning, olaglig gruvdrift och förändringar i markanvändningen.
Samtidigt följer kameror och sensorer på marken makroförändringarnas inverkan på den lokala biologiska mångfalden, till exempel genom att spåra förlust av livsmiljöer.
Så här gör du Projekt Guacamaya kombinerar olika AI-system:
Steg 1: Satellitdata för makroanalys av mark
Den första komponenten i Project Guacamaya är att utnyttja satellitdata från Planet Labs.
Satellitdata förser projektet med dagliga högupplösta bilder av Amazonas regnskog, vilket möjliggör övervakning i nära realtid. Detta är avgörande för att upptäcka snabba förändringar i skogstäcket eller bevis på olagliga aktiviteter.
De AI-modeller som utvecklats för denna fas tränas för att söka efter indikatorer på avskogning eller olaglig gruvdrift, till exempel otillåtna vägar eller hyggen.
Genom att automatisera satellitövervakningen kan teamet varna de colombianska myndigheterna nästan så fort någon misstänkt aktivitet börjar.
Steg 2: Dolda kameror för insyn på marknivå
Dolda kameror är strategiskt utplacerade i colombianska Amazonas för att komplettera satellitdata.
Dessa kameror tar tusentals bilder varje dag och matar in dem i AI-modeller som identifierar och klassificerar djur.
Förutom att spåra arternas rörelser på regnskogens golv fungerar detta också som ett varningssystem. Om djur till exempel påträffas utanför sina naturliga ekosystem kan detta tyda på lokala förändringar som kräver ytterligare undersökningar.
Steg 3: Bioakustik för klassificering av djur
Slutligen innehåller Project Guacamaya ljuddata, eller bioakustik, som samlats in direkt från Amazonas regnskog.
Specialiserad utrustning används för att spela in skogens naturliga ljud och mata in data i AI-modeller tränas i att skilja mellan fågelljud och andra ljud och klassificera dem till specifika arter.
Med en identifieringssäkerhet på över 80% hjälper dessa AI-modeller forskare att förstå djurs beteenden, spåra arters migration och upptäcka förekomsten av invasiva eller utrotningshotade arter.
Bekämpa avskogningen i Brasilien
I ett separat projekt samarbetar Microsoft med miljöorganisationen Imazon och den ideella organisationen PrevisIA i Brasilien för att upptäcka illegal gruvdrift och avskogning via satellitanalys.
"Vi använder PrevisIA för att förutse riskområden och genomföra åtgärder för att undvika avskogning", säger Carlos Souza, seniorforskare på Imazon.
Tidigare i år decimerades skogsregionen i Triunfo do Xingu och förlorade en yta motsvarande 700 fotbollsplaner på bara en månad. Enligt PrevisIA är det också den region som löper störst risk att drabbas av ytterligare avskogning år 2023.
I slutet av året beräknar AI att cirka 271,52 kvadratkilometer skog kommer att ha försvunnit.
Carlos Souza Jr, seniorforskare på Imazon och projektkoordinator för PrevisIA, betonade den proaktiva kraften i detta tillvägagångssätt: "Befintliga modeller för att förutse avskogning var långsiktiga och tittade på vad som skulle hända om decennier. Vi behövde ett nytt verktyg som kunde föregripa förödelsen."
Genom att använda en kombination av geostatistik och historiska data tar modellen hänsyn till variabler som hämmar eller främjar avskogning, till exempel mark som skyddas av ursprungsbefolkningar.
PrevisIA gynnar också lokala intressenter, däribland banker och företag, som använder uppgifterna för att fatta miljömässigt ansvarsfulla beslut.
Från reaktivt till proaktivt bevarande
AI:s förmåga att arbeta med komplexa data i nära realtid stöder ett nytt paradigm för proaktivt bevarande.
Tidigare förlitade sig forskare främst på manuellt insamlade fältdata, som inte kan hoppas på att fånga dynamiken i ett område som är så stort som Amazonas.
José Godofredo Pires dos Santos, åklagare i Pará, beskrev behovet av förebyggande åtgärder och sa: "Vi vill inte behöva fortsätta att komma in efter att skadan redan har skett."
Forskarna konstaterar att slutmålet är att göra dessa modeller till öppen källkod för användning i andra globala projekt.
AI:s roll inom naturvård: exempel från 2023
I en värld som brottas med klimatförändringar, förlust av livsmiljöer och minskad biologisk mångfald kommer traditionella bevarandemetoder ofta till korta.
2023 har präglats av en rad fascinerande naturvårdsprojekt som utnyttjar AI och maskininlärning.
Här är tre exempel från de senaste månaderna:
Akustisk övervakning av floddelfiner i Amazonas
Forskare vid Technical University of Catalonia i Barcelona tränade ett neuralt nätverk för att skilja mellan två utrotningshotade delfinarter i Amazonfloden - Boto och Tucuxi - baserat på deras unika akustiska kommunikation.
Genom att installera undervattensmikrofoner i Mamirauá-reservatet i den brasilianska Amazonas regnskog kan teamet övervaka floddelfiner med minimal störning.
Den AI-teknik hjälper till att skilja delfinljud från andra miljöljud.
Norges AI-drivna kontroll av fiskinvandring
Stillahavslaxen, en invasiv art, hotar inhemska populationer av atlantlax i europeiska vattendrag.
Huawei och Berlevåg Jeger-og Fiskerforening (BJFF) byggde ett AI-fiskfiltreringssystem i den norska floden Storelva.
Använda en modell för datorseende (CV), detta system kan skilja mellan atlantlax och stillahavslax med 90% noggrannhet och avleda de invasiva arterna till en uppsamlingsvik innan de släpps ut till havs.
Detta innovativa system "ser" den invasiva Stillahavslaxen och förhindrar på ett säkert sätt att den invaderar europeiska vattenvägar.
Räknar lunnefåglar i Storbritannien
Lunnefågeln, som är en älskad men utsatt sjöfågel i Storbritannien, har historiskt sett varit svår att övervaka.
Rangers räknade dem traditionellt manuellt - en mödosam och tidskrävande uppgift.
I samarbete med Microsoft, Avanade och NatureScot är SSE Renewables styra ett AI-system för att räkna lunnefåglar på Isle of May, utanför Skottlands kust.
Kameror spelar in livebilder av lunnefåglar och en AI modell utbildad på märkta bilder kan skilja enskilda fåglar åt med minimal mänsklig inblandning.
Framtiden för AI inom naturvård
AI:s växande roll inom naturvård har visat sig vara effektiv i många olika ekosystem - från Amazonfloden till europeiska vattenvägar och skotska kustlinjer.
AI är en kraftfull multiplikator som hjälper forskarna att hålla koll på komplexa biodynamiska data.
I takt med att den infrastruktur som krävs för att utbilda och använda AI-modeller blir mer tillgänglig kommer det att bli lättare att bygga modeller för unika bevarandeproblem, även utan betydande resurser.
I framtiden kommer miljövårdare att kunna bygga sofistikerade, lätta AI-system med minimal expertis.
