BioDetect - Deep Learning for Biodiversity Detection and Classification

Die Überwachung der biologischen Vielfalt ist für das Verständnis und den Schutz von Ökosystemen unerlässlich, aber herkömmliche Erhebungen vor Ort sind zeit- und ressourcenaufwändig. Mit den Fortschritten in der Fernerkundung und dem maschinellen Lernen tritt die Ökologie in eine neue Ära der automatisierten Überwachung ein. Der größte Engpass bleibt jedoch bestehen: Wie können wir riesige Mengen von Bilddaten in aussagekräftige ökologische Informationen umwandeln?

In diesem Gemeinschaftsprojekt mit dem Swiss Data Science Center (SDSC) und der EAWAG entwickeln wir Open-Source-Computer-Vision- und Deep-Learning-Tools, um die Überwachung der biologischen Vielfalt zu automatisieren. Durch die Arbeit mit Datensätzen aus tropischen Ökosystemen und Schweizer Süßwasserlebensräumen wollen wir die ökologische Forschung beschleunigen und Werkzeuge bereitstellen, die für Forscher, Naturschützer und Bürgerwissenschaftler gleichermaßen zugänglich sind.

Bestäuber spielen eine entscheidende Rolle für das Funktionieren der Ökosysteme und die weltweite Ernährungssicherheit. Unter ihnen sind Kolibris die wichtigsten Bestäuber in der Neotropis, die komplexe Interaktionsnetze zwischen Pflanzen und Tieren vermitteln. Dennoch ist es eine große Herausforderung, ihr Verhalten in großem Maßstab zu erfassen und zu untersuchen.

Um dieses Problem zu lösen, haben wir eine Deep-Learning-Pipeline entwickelt, die automatisch Kolibris in Kamerafallenaufnahmen erkennt. Anhand von Daten aus Ecuador, Costa Rica und Brasilien haben wir ein Modell trainiert, das in der Lage ist, die wenigen relevanten Bilder (oft <0,01 %) unter Millionen von Bildern zu finden. Dieses Tool ermöglicht es Forschern, Bestäubungsinteraktionen und Netzwerkdynamik mit beispielloser Effizienz zu untersuchen.

Sie können unsere Software Hummingbird-Classifier hier finden und herunterladen: https://gitlab.renkulab.io/biodetect/hummingbird-classifier 

Makrozoobenthos sind am Boden lebende wirbellose Tiere wie Insektenlarven, Würmer und Mollusken, die häufig als Bioindikatoren für den Zustand von Süßwasserökosystemen verwendet werden. Ihre Analyse erfordert jedoch eine arbeitsintensive manuelle Bearbeitung der Bilder unter dem Mikroskop.

Um diesen Arbeitsablauf zu rationalisieren, haben wir eine Reihe von Werkzeugen für die automatische Segmentierung (d. h. Ausschneiden), Vermessung (Morphometrie) und Klassifizierung von Makrozoobenthos aus Bilddaten entwickelt. Diese Werkzeuge unterstützen schnelle, standardisierte Bewertungen der Süßwasserqualität und erleichtern die ökologische Forschung zu eigenschaftsbasierten Reaktionen auf Umweltveränderungen.

Sie können unsere Software mzb-suite hier finden und herunterladen: https://gitlab.renkulab.io/biodetect/mzb-workflow