Sztuczna inteligencja i uczenie maszynowe w służbie ekologii

Czy sztuczna inteligencja uratuje świat od zagłady ekologicznej? Jak uczenie maszynowe wykorzystywane jest już dziś w służbie ekologii, a co jeszcze czeka nas w niedalekiej przyszłości?

Technologie cyfrowe mogą skutecznie wspierać zrównoważony rozwój na wiele sposobów: usprawniając system monitorowania i zarządzania procesami, pomagając w mapowaniu i analizie ogromnych ilości danych, a nawet ułatwiając płatności bezpośrednie za usługi ekosystemowe dla praktyków terenowych i zaangażowanych społeczności.

Już dzisiaj w wielu branżach na całym świecie dostępne są oparte na nowych technologiach, przyjazne dla środowiska rozwiązania, które pomagają w optymalizacji efektywności wykorzystania zasobów ekologicznych. Tysiące aplikacji i programów opartych na uczeniu maszynowym pomagają rolnikom, przedsiębiorcom i firmom w monitorowaniu, planowaniu i zarządzaniu procesami: od kontrolowania czystości i ilości zużywanej wody, powietrza, nawozów czy energii, przez skład pasz oraz częstotliwość karmienia, aż po monitoring zużycia podzespołów w różnych urządzeniach* (wadliwość maszyn może powodować większe zużycie zasobów, wyższą produkcję substancji wtórnych, a w najgorszym wypadku prowadzić do zagrażających środowisku i ludzkiemu życiu wypadków). 

*Świetnym przykładem jest tu kolaboracja firmy DeepMind z Google – wspólnie udało im się stworzyć sztuczną inteligencję, która nauczyła się, jak używać minimalnej ilości energii niezbędnej do chłodzenia centrów danych Google. W rezultacie Google zmniejszyło ilość używanej do tego energii o 35%! Współzałożyciel DeepMind, Mustafa Suleyman, powiedział, że ich algorytmy sztucznej inteligencji są wystarczająco ogólne, aby obie firmy mogły je wykorzystać do innych energooszczędnych zastosowań w przyszłości.

I chociaż spora część wspomnianych narzędzi jest dopiero w powijakach, to z dużym prawdopodobieństwem możemy założyć, że nadchodzące lata zaowocują znaczącymi ulepszeniami w każdym z nich. 

Chociaż monitoring zużycia zasobów jest pierwszym krokiem w kierunku ograniczenia naszego wpływu na środowisko, to sam w sobie nie pomaga w naprawieniu wyrządzonych już szkód i regeneracji ekosystemów. Do tego niezbędne jest lepsze zrozumienie procesów zachodzących w przyrodzie oraz konsekwencji zmian, jakie wywołujemy naszą ingerencją. 

Kluczową barierą w zarządzaniu środowiskiem jest jednak nie tyle sam proces monitorowania (który to możliwy jest już dziś) czy poprawnej analizy zebranych informacji (w czym pomaga zarówno uczenie maszynowe, jak i sztuczna inteligencja), ale dostęp do danych. Połączenie lokalnych jezior danych* (*ang. data lake – nowa generacja rozwiązań do zarządzania danymi hybrydowymi. Pozwalają sprostać wyzwaniom stawianym przez wielkie zbiory danych i przeprowadzać analizy w czasie rzeczywistym na zupełnie nowym poziomie.) w jeden, wszechstronny i globalny ocean informacji umożliwiłoby nam znacznie lepsze zrozumienie złożoności systemu Ziemi. Ba! – połączenie prywatnych i publicznych zbiorów danych z całego świata mogłoby w ciągu kilku dni pchnąć nasz rozwój o kilka-kilkanaście lat do przodu, bez względu na to czy mówimy o dziedzinach naukowych czy biznesie. Niestety, wydaje się, że dopóki informacja będzie traktowana na równi z walutą (a nic nie wskazuje na to, aby miało to ulec zmianie – wręcz przeciwnie), to wizja nieograniczonego niczym dostępu do danych z całego świata dla każdego i wszędzie pozostanie w sferze utopii.

Ten stan rzeczy nie powstrzymuje jednak naukowców na całym świecie. W przeciągu zaledwie ostatnich kilku lat powstało mnóstwo projektów i inicjatyw wykorzystujących zdobycze technologiczne do lepszego zrozumienia otaczającego nas środowiska, a każde następne odkrycie staje się inspiracją i źródłem nieocenionej wiedzy dla kolejnych zespołów badawczych. 

Uczenie maszynowe pomoże śledzić stan i produktywność oceanów oraz lasów

To, gdzie na lądzie kończy się, a gdzie zaczyna następny region ekologiczny jest dosyć oczywiste – gołym okiem jesteśmy przykładowo w stanie rozpoznać granicę między pustynią a sawanną. W oceanie większość życia jest mikroskopijna i znacznie bardziej mobilna, co skutecznie utrudnia naukowcom wyznaczanie granic między odrębnymi ekologicznie regionami morskimi, a tym samym śledzenie ich stanu. 

Dzięki technologii opracowanej na MIT,  jesteśmy teraz w stanie śledzić stan i produktywność oceanów! Nowa technika uczenia maszynowego polega na przeczesywaniu globalnych danych oceanicznych w celu znalezienia podobieństw między lokalizacjami morskimi w oparciu o interakcje między gatunkami fitoplanktonu. Korzystając z tego podejścia, naukowcy ustalili, że ocean można podzielić na ponad 100 typów „prowincji” i 12 „megaprowincji”, które różnią się pod względem składu ekologicznego. 

Podobne zastosowanie ma SilviaTerra, z tą różnicą, że skupia się na monitorowaniu lasów. Oparty na funduszach i technologii firmy Microsoft projekt wykorzystuje sztuczną inteligencję i obrazowanie satelitarne do przewidywania rozmiarów, gatunków i stanu drzew leśnych. Oznacza to, że ekolodzy oszczędzają niezliczone godziny ręcznej pracy w terenie. Oznacza to również, że możemy pomóc drzewom rosnąć większymi, silniejszymi i zdrowszymi, aby mogły nadal pomagać naszemu klimatowi.

Tego typu narzędzia umożliwią nam o wiele dokładniejsze monitorowanie środowiska; w tym środowiska oceanicznego, które do dziś w dużej części stanowi dla nas zagadkę. Dzięki konkretnym pomiarom oraz danym będziemy w stanie nie tylko bezpieczniej odkrywać podwodny świat, ale też szybciej i precyzyjniej lokalizować wszelkie zagrożenia, a następnie na nie reagować.

Zastosowanie nowych technologii w botanice ograniczy nadwyrężanie natury przez badaczy

Studenci botaniki na uniwersytecie w Michigan po raz pierwszy w historii przeprowadzali swoje praktyki… z domów. Dotychczasowy model praktyk (który odbywał się w stacji biologicznej należącej do UM) stanowił zbyt wielkie zagrożenie sanitarne w dobie pandemii, dlatego kadra dydaktyczna sięgnęła po nowe metody nauczania. Stworzony przez nich kurs “Plant Biodiversity in the Digital Age” ma na celu podkreślenie możliwości technologii we wspieraniu badań i nauki o roślinach.

Jedno z wprowadzonych rozwiązań opierało się o aplikację iNaturalist. Dzięki uczeniu maszynowemu, aplikacja dostarcza sugestie, które pomagają studentom zidentyfikować różne gatunki roślin na podstawie zdjęć badanego obiektu. W ciągu lata uczniowie dokonali 1712 obserwacji 771 różnych gatunków, głównie roślin z kilkoma owadami zapylającymi i grzybami.

Jedna ze studentek otwarcie przyznała, że ​​aplikacja nie tylko uprościła identyfikację, ale przede wszystkim wyeliminowała konieczność uszkadzania i wycinania części roślin, co do tej pory było konieczne przy klasyfikacji roślin przez osoby początkujące. Co więcej, ze względu na publiczne wykorzystanie platformy, iNaturalist połączyła studentów z innymi naukowcami i biologami-amatorami.

Uczniowie nauczyli się również, jak ufać swoim instynktom – czasami wyprzedzając nowe narzędzia. Chociaż oprogramowanie może poprawnie zidentyfikować znane gatunki, takie jak pospolita marchew i trojeść mleczna, może nie mieć możliwości rozróżnienia subtelnych odmian traw czy roślin z regionów tropikalnych – przynajmniej dopóki nie zwiększy się ilość danych, na których algorytm będzie mógł się uczyć.

Sztuczna inteligencja pozwoli na identyfikację pojedynczych ptaków tego samego gatunku 

Rozróżnianie osobników tego samego gatunku jest niezbędne w badaniu dzikich zwierząt, ich procesów adaptacyjnych i zachowań. Ponieważ ludziom trudno jest zidentyfikować pojedyncze ptaki, po prostu patrząc na wzory widoczne na ich upierzeniu, indywidualna identyfikacja zwierząt jest jednym z najdroższych i najbardziej czasochłonnych czynników, ograniczającym zakres zachowań i wielkość populacji, które mogą badać naukowcy. Obecne metody identyfikacji, takie jak przymocowanie kolorowych pasków do nóg ptaków są często stresujące dla zwierząt, a do tego bywają nieefektywne, jeżeli pasek ulegnie zniszczeniu.

Międzynarodowe badanie, w którym wzięli udział naukowcy m.in. z CNRS, Université de Montpellier i Uniwersytetu w Porto w Portugalii, pokazało, w jaki sposób komputery mogą nauczyć się rozróżniać poszczególne ptaki tego samego gatunku. Wyniki zostały opublikowane 27 lipca 2020 w Methods in Ecology and Evolution. Nowa technika może nie tylko zaowocować mniej inwazyjną metodą identyfikacji, ale także umożliwić wykorzystanie sztucznej inteligencji do badania zachowań zwierząt na wolności. 

Sztuczna inteligencja wesprze śledzenie inwazyjnych gatunków roślin

Naukowcy z brytyjskiego Centre for Ecology and Hydrology (UKCEH) i firmy Keen AI z Birmingham opracowują nowy system sztucznej inteligencji do szybkiego badania obszarów, takich jak pobocza dróg, pod kątem inwazyjnych gatunków roślin.

Niektóre rośliny (takie jak np. rdestowiec japoński) mogą powodować spore szkody w Wielkiej Brytanii, ale znalezienie i śledzenie ich rozprzestrzeniania się byłoby – zdaniem ekspertów – kosztowne i czasochłonne.

Nowy projekt będzie wykorzystywał szybkobieżną kamerę umieszczoną na dachu pojazdu, aby codziennie badać do 200 km roślinności przydrożnej. Zdjęcia zostaną otagowane lokalizacją GPS i przesłane na platformę internetową, gdzie ekolodzy UKCEH zidentyfikują rośliny na zdjęciach. W ten sposób zespół zamierza nauczyć sztuczną inteligencję jak prawidłowo identyfikować gatunki inwazyjne, takie jak: rdestowiec japoński, rododendrony, balsam himalajski i laur wiśniowy.

Gdy sztuczna inteligencja nauczy się rozpoznawać określone gatunki, będzie w stanie szybko analizować dużą liczbę obrazów, a tym samym przyspieszy i obniży koszty badań inwazyjnych oraz potencjalnie szkodliwych roślin.

AI pomoże w przewidywaniu rozprzestrzeniania się chorób zakaźnych ze zwierząt na ludzi 

Stworzenie wiarygodnych metod prognozowania chorób zakaźnych na podstawie ludzkich zachowań jest trudne samo w sobie. Problem staje się jeszcze bardziej złożony, gdy naukowcy próbują wykorzystać sztuczną inteligencję i uczenie maszynowe do przewidywania wzorców i potencjalnych epidemii wśród nieludzi.

Zdaniem dr Barbary Han z Cary Institute of Ecosystem Studies, chociaż jest całkowicie możliwe sklasyfikowanie, które gatunki są rezerwuarem chorób ludzkich, ustalenie, która populacja zwierząt jest powiązana z rozprzestrzenianiem się choroby na ludzi, jest niezwykle trudne, ponieważ szczegóły leżące u podstaw tych zmian stale się zmieniają.

Zespół Han niedawno wykorzystał sztuczną inteligencję i uczenie maszynowe, aby przewidzieć, które typy nietoperzy mogą być w stanie przenosić filowirusy, takie jak Ebola. Model wykorzystuje 57 różnych czynników do obliczania prognoz; począwszy od historii życia i danych ekologicznych, po czynniki biograficzne. Prognozy zespołu zostały później potwierdzone przez niezależny zespół badawczy zbierający próbki na wolności.

AI może pomóc w zmierzeniu się ze zmianą klimatu na świecie 

Mając dostęp do bezprecedensowej ilości danych klimatycznych – w tym z satelitów i złożonych modeli komputerowych – naukowcy potrzebują bardziej zaawansowanych algorytmów i technik do scharakteryzowania trendów, zachowań i wzajemnych powiązań.

Badania prowadzone przez Centrum Ekologii i Hydrologii (CEH) wskazują, że uczenie maszynowe (ML) – które obejmuje „uczenie” komputerów, jak lepiej analizować algorytmy w celu dostarczenia dokładniejszych prognoz – może wypełnić niektóre luki istniejące w naukach o klimacie. Ponadto sztuczna inteligencja może zinterpretować tę wiedzę, aby zaproponować ukierunkowane reakcje i plany awaryjne w obliczu zbliżających się ekstremalnych warunków pogodowych.

Zdaniem profesora Huntingforda z CEH, przerwa klimatyczna może być funkcją jednoczesnych interakcji w systemie klimatycznym, więc uczenie maszynowe może pomóc w ich scharakteryzowaniu i wskazaniu wszelkich braków w modelu klimatycznym.

Współautorka, dr Elizabeth Jeffers z Uniwersytetu Oksfordzkiego, dodaje: „Uczenie maszynowe może pomóc nam zidentyfikować nieoczekiwane wzorce w odpowiedzi roślin na zmiany klimatu”.

Kolejnym świetnym przykładem tego jak nowe technologie mogą pomóc w ograniczeniu negatywnych skutków ludzkiej ingerencji w naturę jest projekt IBM’u Green Horizon. Jest to sztuczna inteligencja, która tworzy samokonfigurujące się prognozy pogody i poziomu zanieczyszczenia powietrza. IBM stworzył projekt z nadzieją, że pewnego dnia może pomóc miastom stać się bardziej wydajnymi.

Ich aspiracje stały się rzeczywistością w Chinach. W latach 2012-2017 projekt Green Horizon firmy IBM pomógł miastu Pekin obniżyć średni poziom smogu o 35%.

“Statek kosmiczny Ziemia”

Jak pisali David Jensen(UNEP), Karen Bakker (UBC) i Christopher Reimer (UBC) w artykule “Are these the 20 top priorities in 2020 for a digital ecosystem for Earth?“: Lecimy po kosmosie na statku kosmicznym Ziemia bez planetarnego panelu instrumentów do pomiaru stanu naszego systemu podtrzymywania życia ani planu lotu, podczas którego mamy wspólnie opracować strategię dotyczącą tego, jak nasze codzienne wybory i rutyny wpływają na nasz wspólny kurs. Rozsądni ludzie (…) nie zaryzykowaliby lotu samolotem, gdyby brakowało mu podstawowego panelu przyrządów i planowanego lotu, ale robimy to codziennie na statku kosmicznym Ziemia. Chociaż rok 2019 był 50. rocznicą wydania podręcznika obsługi statku kosmicznego Ziemi Buckminstera Fullera, wydaje się, że poczyniliśmy stosunkowo niewielkie postępy w wielu obszarach.

Sztuczna inteligencja i uczenie maszynowe nie są magiczną odpowiedzią na wszystkie nasze problemy i mają jeszcze wiele niedoskonałości. Mogą się jednak okazać narzędziami których potrzebujemy, aby nie tylko lepiej zrozumieć środowisko naturalne dookoła nas, ale przede wszystkim nauczyć się jak z nim zdrowo współistnieć. 

Źródła:

https://www.smashingmagazine.com/2019/09/ai-climate-change/
https://www.ceh.ac.uk/news-and-media/news/artificial-intelligence-will-transform-research-climate-change
https://www.sciencedaily.com/releases/2020/07/200727114745.htm
https://www.britishecologicalsociety.org/researchers-build-first-ai-tool-capable-of-identifying-individual-birds/
https://www.ibm.com/pl-pl/analytics/data-lake
https://news.umich.edu/ecology-in-the-digital-age-u-m-students-use-machine-learning-for-summer-research/
https://scitechdaily.com/mit-machine-learning-technique-helps-map-global-ocean-communities/
https://www.sciencefocus.com/news/artificial-intelligence-to-track-uk-invasive-plant-species/
https://www.contagionlive.com/news/ai-could-present-a-new-paradigm-in-epidemiology
https://medium.com/@davidedjensen_99356/digital-planet-20-priorities-3778bf1dbc27