Maschinengestütztes Monitoring von Pflanzengemeinschaften und Habitaten
2026 - 2029
Kooperation FinanzierungIn der Schweiz sind 48 % der Habitate und über ein Drittel aller Arten bedroht. Trotzdem wird nur ein kleiner Teil davon ausreichend überwacht, da die zuverlässige Bestimmung von Habitattypen und den damit verbundenen Arten zeitaufwendig ist und Fachwissen erfordert. Unser Ziel ist es, die Habitatüberwachung in der Schweiz auszuweiten, indem wir Algorithmen entwickeln, die Pflanzengemeinschaften anhand von Videos halbautomatisch identifizieren und ihnen Habitattypen zuordnen können.
Die rasche Verbreitung von Plattformen für die Datenerfassung durch Citizen Scientists hat zu einem enormen Anstieg der Artenbeobachtungen und -bestimmungen geführt. Wir haben kürzlich die Möglichkeiten des maschinellen Lernens im Monitoring der Artenvielfalt demonstriert, indem wir die bildbasierte Artenbestimmung FlorID entwickelt und in FlorApp integriert haben, die führende App zur Überwachung der Artenvielfalt in der Schweiz. Hier schlagen wir vor, den nächsten Schritt zu gehen: die Schaffung der Grundlagen zur schnellen Überwachung von Pflanzengemeinschaften und Habitaten. Konkret wollen wir Vegetationserhebungen optimieren, indem wir die algorithmischen Grundlagen für eine Smartphone-App entwickeln, die mit einem Webserver kommuniziert, um (1) vorläufige Vegetationserhebungen aus Videos abzuleiten, (2) erwartete, aber noch nicht beobachtete Arten vorzuschlagen und (3) Vorschläge für Habitattypen zu machen. Alle Entwicklungen werden auf der von der WSL gehosteten SpeciesID-API bereitgestellt und frei zugänglich gemacht.
Vegetationserhebungen ¶
Hochwertige Vegetationserhebungen sind entscheidend für die Gewinnung zuverlässiger Daten, die zur Bewertung des Zustands und der Trends der Biodiversität benötigt werden. Diese Erhebungen dienen als Bestandsaufnahmen aller Arten, die in einem vordefinierten Gebiet wachsen, und können mit Lebensraumtypen verknüpft werden. In der Regel werden sie von Fachleuten durchgeführt. Abgesehen von FlorApp, die sowohl von Experten als auch von Citizen Scientists genutzt wird, fehlt den meisten Plattformen, die sich an letztere Nutzer richten, die Möglichkeit, umfassende Vegetationserhebungen zu erfassen. Da die Durchführung von Vegetationserhebungen nach wie vor eine Herausforderung darstellt, verfolgen wir mit diesem Projekt das Ziel, Vegetationserhebungen durch die Nutzung der jüngsten Fortschritte in der Data Science zugänglicher und skalierbarer zu machen.
Projektziele ¶
Das Herzstück des SmartHabitat Projekts bilden Analyse-Pipelines aus Serveraufgaben (Abbildung 1 und Teile I-III unten), die als neue Endpunkte der SpeciesID-API bereitgestellt werden. Es baut auf FlorID auf, unserem bildbasiertem Bestimmungstool, welches mehr als 3000 Arten (85 % der Schweizer Flora) präzise unterscheidet.
Teil I - Videoauswertung: Unser Ziel ist es, die Identifizierung von einzelnen Fotos auf kurze, 30 bis 60 Sekunden lange Videos zu übertragen, die ganze Pflanzengemeinschaften erfassen können. Solche Videos sollen von Citizen Scientists aufgenommen werden. Wir schlagen vor, die bestehenden FlorID-Bildverarbeitungsmodelle so umzutrainieren, dass sie mehrere Arten pro Bild erkennen können. Das Modell wird Vorhersagen auf der Bildebene für mehrere Arten treffen, welche dann zu einer vollständigen Artenliste für das Video zusammengefasst werden. Das Endergebnis dieses Teils ist eine automatisierte Analyse-Pipeline für die videobasierte Artenbestimmung.
Teil II - Vorhersage erwarteter, aber unbeobachteter Arten: Wir werden ein Empfehlungssystem anhand der besten verfügbaren Vegetationserhebungsdaten trainieren, um häufig gemeinsam vorkommende Pflanzenarten zu identifizieren. Durch die Modellierung der Interaktionen zwischen Arten und Standorten sowie unter Ausnutzung der Stabilität von Pflanzengemeinschaften innerhalb von Habitattypen kann das System anhand einer unvollständigen Liste identifizierter Arten andere Arten vorhersagen, die sich wahrscheinlich in der Nähe befinden. Letztendlich soll dieses Modell Nutzer im Feld anleiten und ihnen auf der Grundlage ihrer ersten Beobachtungen Vorschläge machen, nach welchen Pflanzen sie suchen sollten. Das Endergebnis dieser Phase ist eine analytische Pipeline für die Artenempfehlung.
Teil III - Habitatklassifizierung: Um Anwender vor Ort bei der genauen Habitatidentifizierung zu unterstützen, entwickeln wir auf maschinellem Lernen basierende Klassifikatoren zur Identifizierung von Habitaten gemäss dem Schweizer TypoCH-System. Um die Genauigkeit zu erhöhen, wird unser System komplementäre Datenquellen mithilfe zweier unterschiedlicher Modelle kombinieren: (1) ein multimodales Modell, das Punktbeobachtungen von Umweltvariablen (z. B. Temperatur und Niederschlag) sowie hochauflösende Fernerkundungsbilder zur Vegetationsstruktur und zum Gelände nutzt, und (2) ein spezialisiertes Computer-Vision-Modell, das vor Ort aufgenommene Fotos der Nutzer verarbeitet. Durch die Integration dieser Modelle können sie Vorschläge für den beobachteten Lebensraumtyp liefern, basierend auf dem Standort, den identifizierten Arten und den von Nutzern vor Ort bereitgestellten Fotos. Diese Klassifizierungswerkzeuge wird in einer Forschungsarbeit detailliert beschrieben werden und zusammen mit den anderen Pipelines über die API bereitgestellt.