Christian Schneider, Jana Wäldchen und Patrick Mäder

Inhalt

1 Einleitung

Neben dem Klimawandel stellt der Verlust der biologischen Vielfalt eine der größten Bedrohungen für die Menschheit dar ( Cardinale et al. 2012). Gleichzeitig steht die Umsetzung des Naturschutzes vor großen Herausforderungen. Angesichts multipler ökologischer und gesellschaftlicher Krisen steigt einerseits der Bedarf an räumlich und zeitlich hoch aufgelösten Erhebungen des Zustands der Natur wie auch der Bedarf an wirkungsvollen Managementansätzen. Andererseits lässt sich neben knappen Ressourcen beobachten, dass z. B. die Artenkenntnis zurückgeht und Spezialistinnen und Spezialisten zur Erhebung von Daten über Natur und Landschaften weniger werden. Künstliche Intelligenz (KI) kann ein Baustein sein, um diesen Herausforderungen zu begegnen.

KI beschreibt die Fähigkeit von Maschinen, basierend auf Algorithmen Aufgaben autonom auszuführen. Diese Fähigkeit kann auf programmierten Abläufen beruhen oder durch maschinelles Lernen (ML) erzeugt werden. Bei ML-Verfahren lernt ein Algorithmus durch Wiederholung, selbstständig eine Aufgabe zu erfüllen. Anders als bei herkömmlichen Algorithmen wird kein Lösungsweg modelliert. Der Computer lernt selbstständig, die Struktur von Daten zu erkennen. In den vergangenen Jahren wurden im Bereich des ML enorme Fortschritte gemacht. Die Hauptgründe für diese buchstäbliche „Explosion“ der Technik sind die Verfügbarkeit und das Zusammenspiel von drei Dingen:

1. schnellere und leistungsfähigere Computerhardware, d. h. massiv-parallele Prozessoren und frei programmierbare Grafikverarbeitungseinheiten (general purpose computation on graphics processing units, GP-GPU),
2.

Software und Algorithmen, die sich diese Rechenarchitekturen zu Nutze machen, und

3.

große Mengen verfügbarer Trainingsdaten, um unterschiedlichste Aufgaben anlernen zu können.

Grundlegende Begriffe im Bereich der KI sind in einem kurzen Glossar zusammengefasst (siehe Kasten 1). ML-Verfahren werden heute bereits in unterschiedlichen Lebensbereichen und für vielfältige Anwendungen eingesetzt:

● Bilderkennung (computer vision): Mit diesen Algorithmen können Bilder erkannt und kategorisiert werden. Maschinelles Sehen kommt u. a. in der medizinischen Diagnostik, beim autonomen Fahren oder auch bei der Erkennung von Tier- und Pflanzenarten zum Einsatz.
● Audio- und Spracherkennung: Das Erkennen von Audiodaten kommt in Musikerkennungsprogrammen zum Einsatz. Im Naturschutz basiert auf diesen Techniken bspw. die Arterkennung von Vögeln, Insekten oder marinen Säugetieren.
● Semantische Spracherkennung: Geschriebener oder gesprochener Text kann auch semantisch interpretiert werden, was z. B. kontextbezogene Übersetzungsanwendungen oder interaktive Suchen erlaubt. Im Naturschutz können z. B. die Inhalte historischer Aufzeichnungen erschlossen werden.
● Prozessoptimierung: Die erkannten Muster können auch als Informationsbasis für Optimierungsprozesse genutzt werden. In der Industrie findet dies z. B. bei der so genannten predictive maintenance Anwendung, im Naturschutz bei der Auswahl geeigneter Routen für Patrouillen in Nationalparks.

Der Grad der Anwendung von KI-Technologien ist in den verschiedenen Bereichen unterschiedlich ausgeprägt und konzentriert sich aktuell auf Anwendungen der Technologiebranche und Industrie. Die Anwendung von KI-Technologien im Naturschutz und für die Erhaltung der biologischen Vielfalt bleibt hinter Bereichen wie Gesundheit, Verkehr, Finanzen und Landwirtschaft (vgl. Kasten 2) zurück. Studien zeigen jedoch das große Potenzial von KI-Anwendungen im Naturschutz. Zahlreiche Projekte und Forschungsvorhaben widmen sich gegenwärtig der Frage, wie die Potenziale von KI zukünftig für Naturschutzverbände, Fachgesellschaften und Behörden gemeinwohlorientiert nutzbar gemacht werden können (vgl. Abb. 1). In diesem Beitrag zeigen wir, in welchen Bereichen des Naturschutzes KI-Technologien bereits zum Einsatz kommen, welche Schwierigkeiten für andere Anwendungen gelöst werden müssen und welche Entwicklungsschritte in der nächsten Zeit zu erwarten sind.

Abb. 1: Beispielhafte Forschungs- und Entwicklungsprojekte zu Anwendungsfeldern von künstlicher Intelligenz (KI) im Naturschutz (WKA = Windkraftanlagen, Quellennachweise in Abschnitt A im Online-Zusatzmaterial).

Fig. 1: Artificial intelligence (AI) research and development projects for nature conservation (WKA = wind power plant, source references in chapter A in the online supplementary material).

2 Anwendungsfelder

2.1 Erfassung von Organismen, Biodiversität und Landbedeckung

Die großflächige systematische Erfassung der biologischen Vielfalt ist eine große Herausforderung, da ein angemessenes Monitoring kosten- und zeitintensiv ist und darüber hinaus ein umfangreiches taxonomisches Wissen erfordert. Vielversprechende Ansätze zur zukünftigen Unterstützung des Monitorings ergeben sich durch halb- und vollautomatische Datenerhebungs- und Auswertungsmethoden, die eine hohe räumliche Abdeckung aufweisen und aussagekräftige Zeitreihen ermöglichen.

Jüngste Fortschritte in der Sensortechnologie erhöhen die Kapazität der Datenerfassung im Naturschutzbereich drastisch. Mit der breiten Verfügbarkeit automatischer Erfassungssysteme wie Kamerafallen, Telemetriedaten oder akustischer Sensoren werden Ökologinnen und Ökologen zunehmend in die Lage versetzt, in kurzer Zeit und über große räumliche Skalen umfangreiche Datenmengen zu erheben. Die Extraktion relevanter Informationen aus solchen immensen Datensätzen stellte in den letzten Jahren eine große Aufgabe dar, da eine manuelle Identifizierung und Klassifizierung zur Analyse der Daten nötig waren. Als Beispiel sei auf eine Studie zur Aktivität von Wildschweinen im Biosphärenreservat Schaalsee verwiesen ( Reinke et al. 2021). Dafür wurden in zwei Monaten mehr als 45.000 Fotos von rund 50 Kamerafallen aufgenommen, die sehr zeitaufwändig manuell ausgewertet wurden. Erkennung und Zählung von Seevögeln in Befliegungsvideos für das marine Fauna-Flora-Habitat(FFH)-Monitoring werden gegenwärtig ebenfalls mit großem Aufwand manuell durchgeführt. Die Analyse entsprechender Datensätze kann durch ML deutlich erleichtert werden. Durch die KI-Methoden werden zugleich neue Untersuchungsdesigns möglich, die noch weitaus umfänglicher von Sensoren Gebrauch machen können.

Maschinelles Lernen und im Speziellen tief lernende neuronale Netze werden gegenwärtig bereits intensiv zur bildbasierten Bestimmung von Tieren ( Tabak et al. 2019) und Pflanzen ( Barre et al. 2017; Rzanny et al. 2021) verwendet. Auch bei der automatischen Bestimmung von Vogelrufen oder dem Gesang von Meeressäugern werden ML-Methoden erfolgreich eingesetzt ( Goodwin et al. 2022; Wood et al. 2022; Frommolt 2023 in dieser Ausgabe). Darüber hinaus liefern erste Experimente vielversprechende Ergebnisse für die Identifizierung von Arten aus Satelliten-, Luft- und Drohnenbildern mittels tief lernender neuronaler Netze ( Schiefer et al. 2020; Feilhauer, Faude 2023 in dieser Ausgabe). Auf diesem Weg wurden bereits Bäume und Feldfrüchte bestimmt, Habitate klassifiziert und zunehmend auch ökologische Eigenschaften von Landschaftsausschnitten abgeleitet ( Neumann 2020). Auch im Bereich der automatischen Erkennung von Insekten liegen vielversprechende Ergebnisse vor ( Van Klink et al. 2022). Abb. 2 gibt einen Überblick über Artengruppen, die bereits mit KI über unterschiedliche räumliche Skalen automatisch erkannt werden. Ein Großteil der genannten KI-Systeme befindet sich allerdings noch im Forschungs- und Entwicklungsstadium und muss erst in Anwendungen für Behörden oder Naturschutzorganisationen überführt werden, um weitreichend zugänglich zu werden.

Abb. 2: Beispiele für Artengruppen, die mit Systemen der künstlichen Intelligenz (KI) auf unterschiedlichen Plattformen und räumlichen Skalen automatisiert erkannt werden können (Quellennachweise in Abschnitt B im Online-Zusatzmaterial).

Fig. 2: Examples of groups of species that can be automatically detected using artificial intelligence (AI) systems on different platforms and spatial scales (source references in chapter B in the online supplementary material).

Breite Anwendung findet die KI-basierte Artbestimmung in bürgerwissenschaftlichen Projekten (Citizen Science). So nutzt z. B. die Flora-Incognita-App für die automatische Pflanzenerkennung neueste Ansätze des ML und erlaubt eine leichte und sichere Pflanzenbestimmung auch für Menschen mit geringem oder keinem taxonomischen Vorwissen. Durch die weite Verbreitung in der Bevölkerung ist es damit möglich, in Echtzeit Pflanzenvorkommen in einem noch nie dagewesenen Umfang zu dokumentieren ( Mahecha et al. 2021). Ein anderes Beispiel ist die BirdNET-App. Sie erlaubt eine automatische Bestimmung von Vogelarten anhand akustischer Aufnahmen ihrer Rufe. Auch mit dieser App werden im Rahmen von Citizen Science große Datenmengen generiert, die einen wichtigen Beitrag zum Vogelmonitoring liefern können ( Wood et al. 2022; Frommolt 2023 in dieser Ausgabe). Die Stärke dieser Projekte liegt in kontinuierlichen Langzeitaufnahmen mit großer zeitlicher und örtlicher Auflösung über eine Vielfalt von Arten. Bereits im Einsatz bzw. kurz vor der Einführung befinden sich visuelle Systeme zur Identifikation von Vogelarten in der Nähe von Windkraftanlagen, z. B. IdentiFlight oder BirdRecorder. Sie sind eine wichtige Voraussetzung, um Anlagen beim Anflug schlaggefährdeter Vögel automatisch und bedarfsorientiert abschalten zu können. In der Schweiz wurden im behördlichen Kontext bereits vortrainierte künstliche neuronale Netze zur Erkennung invasiver Arten entlang von Autobahnen eingesetzt ( Nobis et al. 2020).

2.2 Vorhersagemodelle

Ökologie und Naturschutz benötigen genaue Vorhersagemodelle, um die komplexen Prozesse der Natur zu verstehen und Prognosen für eine sich verändernde Umwelt zu erstellen. Neben den traditionellen prozessbasierten Modellen stehen dafür bereits seit Längerem ML-Verfahren zur Verfügung. Methoden wie der Random-forest-Ansatz haben sich in diesem Zusammenhang als sehr geeignet und robust erwiesen ( Marx, Quillfeldt 2018). Sie liegen zahlreichen Habitateignungs- und Artverbreitungsmodellen zu Grunde. Diese Modelle können dabei helfen, Räume für potenzielle Vorkommen und die Habitatanforderungen von Arten zu beschreiben und vorherzusagen. Beispielhaft sei dafür auf eine Studie zum Vorkommen der Turteltaube (Streptopelia turtur) in Deutschland verwiesen ( Marx, Quillfeldt 2018). In einem weiteren Beispiel modellierten die Autorinnen und Autoren die Zusammensetzung der Habitate von 16 Säugetierarten innerhalb eines Schutzgebiets auf unterschiedlichen Skalenebenen ( Searle et al. 2022). Auch für die Vorhersage von Vorkommen invasiver Arten wird ML – häufig in Verbindung mit Fernerkundung – bereits in der Praxis eingesetzt ( Schulze-Brüninghoff et al. 2021).

Trotz der fortlaufenden Methodenentwicklung sind die Möglichkeiten, Veränderungen in Raum und Zeit vorherzusagen, aktuell auf Grund der Komplexität von Ökosystemen noch überaus rudimentär. Neben vielen weiteren Entwicklungen auf dem Feld der ökologischen Modellierung gelten tiefe künstliche neuronale Netze als vielversprechend, um komplexe ökologische Dynamiken abzubilden und vorherzusagen. In ersten Studien haben sich die so genannten faltenden neuronalen Netze (engl. convolutional neural networks, CNN) als besonders geeignet für räumliche Fragestellungen erwiesen ( Estopinan et al. 2022). Das Autorenteam Rammer, Seidel (2019) veröffentlichte z. B. ein CNN und die Trainingsdaten, mit denen sie die Ausbreitung von Borkenkäfern im Nationalpark Bayerischer Wald auf unterschiedlichen räumlichen und zeitlichen Skalen vorhersagen konnten. In einer Studie aus Frankreich nutzten Deneu et al. (2021) künstliche neuronale Netze zur landesweiten Artverbreitungsmodellierung mit einem besonderen Fokus auf dem Einfluss lokaler Landschaftsstrukturen. Die Vorhersage zeitlicher Dynamiken stellt die genannten Verbreitungs- und Habitatmodelle noch immer vor große Herausforderungen. Der Blick auf die KI-Forschung jenseits des Naturschutzes zeigt, dass so genannte rekurrente neuronale Netze (engl. recurrent neural networks, RNN) gut für die Analyse zeitlicher Dimensionen oder Abfolgen, also sequenzieller Daten, geeignet sind. Sie werden zur Auswertung von Zeitreihen, Genomen oder Textinhalten verwendet und rücken inzwischen auch in der Ökologie in den Fokus. Mit Blick auf verbesserte Artverbreitungsmodelle schlagen Estopinan et al. (2022) eine hybride Modellarchitektur, bestehend aus CNN und RNN, vor. Insbesondere angesichts der anwachsenden Zeitreihen von Fernerkundungsdaten sehen sie darin ein wichtiges Forschungsfeld für die Zukunft.

2.3 Empfehlungs- und automatisierte Steuerungssysteme

KI-Anwendungen können nicht nur bei der Datenerfassung und bei der Vorhersage von Entwicklungen einen Beitrag für den Naturschutz leisten, sondern auch Entscheidungsprozesse unterstützen. In Projekten wie FutureForest oder ChESS werden gegenwärtig KI-gestützte Entscheidungshilfesysteme z. B. für nachhaltiges Forstmanagement oder zur Erkennung von Anomalien in marinen Ökosystemen entwickelt. In einer kürzlich veröffentlichten Studie wurde zudem eine KI-Anwendung für die systematische Naturschutzplanung vorgestellt ( Silvestro et al. 2022). Darin wird das System für die räumliche Priorisierung von Naturschutzgebieten eingesetzt. Basierend auf Simulationsdaten zur zeitlichen und räumlichen Entwicklung der Biodiversität infolge anthropogener und klimatischer Einflüsse wurden Reinforcement-learning(RL)-Algorithmen entwickelt, um den Kompromiss zwischen Kosten und Nutzen eines Schutzgebiets und der biologischen Vielfalt zu quantifizieren ( Silvestro et al. 2022). Eine weitere Studie nutzt tiefe neuronale Netze, um die Schutzwürdigkeit von 13.910 Orchideenarten zu bewerten. Die meisten dieser Arten (13.049) waren bisher nicht von der Weltnaturschutzunion (International Union for Conservation of Nature, IUCN) bewertet worden und können nun erstmalig in Empfehlungen einbezogen werden ( Zizka et al. 2021).

KI-gestützte Bewertungs- und Entscheidungshilfen sind im behördlichen Naturschutz in Deutschland bislang noch nicht im Einsatz. Allerdings werden gegenwärtig die Möglichkeiten dieser Systeme bspw. zur Unterstützung der Bekämpfung des illegalen Wildtierhandels im Internet evaluiert. Im internationalen Rahmen wird ML bereits von Behörden und Nichtregierungsorganisationen eingesetzt, bspw. zur Planung von Patrouillen in Schutzgebieten, zur Überprüfung industrieller Umweltauflagen oder zur Unterstützung bei der Bekämpfung von Waldbränden ( Fang et al. 2019).

3 Herausforderungen

3.1 Expertenwissen für die Erstellung von Trainingsdaten

Eine der wichtigsten Voraussetzungen für den Einsatz von ML ist das Vorliegen großer und für die Fragestellungen passender Datensätze. Diese müssen aufwändig annotiert werden, damit sie als Trainingsdatensätze genutzt werden können. Bildausschnitte oder spezifische Muster in Sensordaten werden dafür identifiziert und mit maschinenlesbaren Markierungen (Labels) versehen. Auf diesem Weg müssen riesige Datenbestände manuell bearbeitet und bspw. Artnamen zugeordnet werden. Zum Training des Flora-Incognita-Klassifikators zur Bestimmung von Pflanzen wurden mehr als eine Million Bilder manuell annotiert ( Mäder, Boho et al. 2021). Für das Training einer älteren Version des BirdNET-Modells waren mindestens 500 Audiomitschnitte pro Vogelart notwendig. Insgesamt wurden für dieses Training mehr als 226.000 annotierte Audiodateien mit Vogelrufen und zusätzlich rund 19.000 Aufnahmen menschlicher Geräusche und vieler Umweltgeräusche verwendet, die es auf eine Gesamtdauer von fast 4.000 Stunden brachten ( Wood et al. 2022). Erst auf Grundlage solch immenser Datenmengen können KI-Systeme trainiert, angepasst und überprüft werden.

Schon für die Erhebung der Trainingsdaten wurden in beiden Beispielen eigene Smartphone-Apps eingesetzt. Im Rahmen des Flora-Incognita-Projekts wurde die Flora-Capture-App für die Erhebung strukturierter Trainingsbilder entwickelt ( Boho et al. 2020). Bürgerwissenschaftlerinnen und -wissenschaftler nehmen damit nach einem vordefinierten Protokoll Pflanzenbilder auf und senden diese an die botanischen Expertinnen und Experten des Projektteams. Alle Bilder werden manuell von den Fachleuten nachbestimmt und anschließend für die automatische Bestimmung der Flora-Incognita-App bereitgestellt. Dieses Vorgehen hat den Vorteil, dass auf die Qualität der Trainingsdaten schon bei deren Erhebung Einfluss genommen werden kann. Dabei hat sich herausgestellt, dass weniger die Aufnahme von Bildern und Audiomitschnitten ein limitierender Faktor war als vielmehr die Nachbestimmung und Kontrolle der eingereichten Ergebnisse durch Expertinnen und Experten. Deshalb ist eine enge Zusammenarbeit der Taxonominnen und Taxonomen mit den KI-Entwicklerinnen und -Entwicklern von großer Bedeutung.

Für viele KI-Anwendungsfelder ist der Einsatz von Smartphone-Apps für das Generieren von Trainingsmaterial auf Grund fehlender Methoden und Infrastrukturen jedoch nicht geeignet. Als alternative Datengrundlagen kommen z. B. Aufnahmen zur Arterfassung und Zählung für behördliche Monitoringprogramme, ehrenamtliche Beobachtungsdaten oder Bilder aus naturkundlichen Sammlungen und Herbarien in Frage.

3.2 Nachvollziehbarkeit und Reproduzierbarkeit von KI-Systemen

Insbesondere tiefe künstliche neuronale Netze haben innerhalb weniger Jahre eine sehr hohe Genauigkeit beim Analysieren sehr großer Datenmengen erreicht. Auf Grund der komplexen Architektur dieser Modelle, bestehend aus vielen Millionen Parametern, ist es häufig nicht mehr möglich, alle Lösungswege nachzuvollziehen. Unter dem Stichwort „erklärbare KI“ werden gegenwärtig Verfahren entwickelt, um die Ergebnisse von ML nachvollziehbarer zu machen ( Barredo Arrieta et al. 2020). Einerseits bauen diese Methoden auf KI-Modelle, die durch ihre Architektur Nachvollziehbarkeit gewährleisten. Andererseits sind so genannte Post-hoc-Ansätze verbreitet, bei denen bspw. visualisiert wird, wie stark einzelne Pixel oder Bereiche eines Bilds zum Klassifizierungsergebnis beigetragen haben. Dabei wird visualisiert, ob z. B. ein spezifisches Muster des Gefieders zur Artbestimmung eines Vogels beigetragen hat.

Neben der Erklärbarkeit ist auch die Reproduzierbarkeit der Ergebnisse eine Herausforderung. In der Wissenschaft gibt es daher in jüngerer Zeit Ansätze für verbesserte Dokumentationsstandards ( Pineau 2020). Eine nachvollziehbare Dokumentation von Methoden und Trainingsdaten ist auch für die in der Entwicklung befindlichen KI-Systeme im Naturschutz anzustreben, denn Transparenz und Nachvollziehbarkeit sind grundlegende Voraussetzungen, um den rechtssicheren und fairen Einsatz von KI-Systemen zu gewährleisten.

3.3 KI-Systeme für Naturschutzbehörden und -organisationen

Wichtige Voraussetzungen für die Entwicklung von KI-Systemen, insbesondere für Naturschutzorganisationen sowie -behörden, sind ausreichende personelle und organisatorische Ressourcen. Aber auch das gegenseitige, interdisziplinäre Verständnis für die naturschutzfachlichen Fragestellungen auf der einen und für die technischen Möglichkeiten auf der anderen Seite ist von hoher Bedeutung.

Der praktische Nutzen von KI-Systemen für Naturschutzbehörden hängt weiterhin davon ab, ob Dateninfrastrukturen und Arbeitsabläufe so angepasst werden, dass eine Einbindung in das Verwaltungshandeln möglich ist. Dies umfasst neben der Verfügbarkeit geeigneter Daten auch das Verständnis für die notwendigen Entwicklungs- und Wartungszyklen solcher Systeme. Bislang sind die meisten KI-Systeme im Naturschutz noch auf dem Stand von Forschungs- und Entwicklungsprojekten. Um sie von Prototypen in den langfristigen Einsatz in Naturschutzorganisationen oder -behörden zu überführen, ist eine Weiterentwicklung nötig, die neue Strukturen und Finanzierungsmöglichkeiten erfordert. Erste Ansätze dafür bieten das neue KI-Labor im Geschäftsbereich des Bundesministeriums für Umwelt, Naturschutz, nukleare Sicherheit und Verbraucherschutz (BMUV) und die KI-Ideenwerkstatt für Umwelt- und Naturschutz ( BMUV 2021). Vor dem verbreiteten Einsatz von KI-Systemen muss auch die Frage geklärt werden, welche Voraussetzungen sie erfüllen müssen, um für rechtlich verankerte Aufgaben überhaupt eingesetzt werden zu können.

Große Potenziale stecken in der Nutzung von KI-Angeboten als so genannte Webservices. Über standardisierte Schnittstellen (application programming interfaces, API) können z. B. automatische Bestimmungsangebote für unterschiedliche Anwendungsbereiche zur Verfügung gestellt werden. So ist es bereits möglich, dass Meldeportale die eingehenden Fundmeldungen automatisch klassifizieren. Weiterhin können KI-basierte Artbestimmungsangebote direkt in mobile Kartierungs- und Informationsanwendungen eingebunden werden.

3.4 Definition sozial-ethischer, ökonomischer und umweltbezogener Leitprinzipien

Der bereits heute absehbare breite Einsatz von ML im Naturschutz macht es notwendig, sozial-ethische, ökonomische und umweltbezogene Leitprinzipien für die Nutzung dieser Anwendungen zu definieren. Auf europäischer Ebene wird derzeit an einer KI-Verordnung gearbeitet, die einen einheitlichen Rechtsrahmen in der Europäischen Union schaffen soll. Einen ersten Ansatz zur ganzheitlichen Bewertung der Nachhaltigkeit von KI-Projekten haben Rohde et al. (2021) veröffentlicht. Zusammenfassen lassen sich die Diskussionsfelder rund um die Leitprinzipien des KI-Einsatzes unter den Stichworten nachhaltige oder grüne KI, erklärbare KI sowie vertrauenswürdige und verantwortliche KI ( Schwartz et al. 2019; Wearn et al. 2019; Barredo Arrieta et al. 2020). Hinter diesen Stichworten verbergen sich Initiativen und Ansätze, um den wichtigsten Herausforderungen und Risiken von KI-Systemen zu begegnen ( Schneider et al. 2023).

4 Ausblick

In naher Zukunft wird ML die Arbeit im Naturschutz so selbstverständlich unterstützen, wie es heute bereits statistische Methoden und Modelle tun. KI-Technik kann und wird das menschliche Urteilsvermögen dabei nicht ersetzen. Erfahrene Taxonominnen und Taxonomen werden weiterhin die Grundsäule der Biodiversitätserfassung bilden. Angesichts der großen Komplexität sozioökologischer Systeme und der verstärkten menschlichen Einflüsse auf Natur und Landschaften braucht der Naturschutz zunehmend leistungsfähige digitale Werkzeuge, um Zustände zu dokumentieren, Vorhersagen zu treffen und Ökosysteme auf nachhaltige Weise nutzen und schützen zu können. Insbesondere der schnelle Wandel, z. B. durch intensive Land- und Meeresnutzung, macht es erforderlich, schnell und regelmäßig ein Bild vom Zustand eines Schutzguts zu bekommen, Handlungsbedarfe zu identifizieren und notwendige Schritte zu koordinieren. Aber auch bei der Erschließung so genannter Altdaten und der Bestände in Naturkundemuseen oder privaten Sammlungen wird ML einen großen Beitrag leisten.

Damit diese Potenziale von KI wirksam genutzt werden können, ist es notwendig, die Entwicklung solcher Anwendungen und den Naturschutz enger miteinander zu verzahnen. Die Ergebnisse dieser kooperativen Arbeit sollten dann gemeinwohlorientiert anwendbar gemacht werden – für Naturschutzverbände, Fachgesellschaften und Behörden gleichermaßen. Neben der Forschungsförderung werden dafür gegenwärtig neue Strukturen aufgebaut, bspw. KI-Labore, Ideenwerkstätten, Kompetenzzentren und Kooperationsnetzwerke wie das der Unlikely Allies.

5 Literatur

↑   Barre P., Stoever B.C. et al. (2017): LeafNet: A computer vision system for automatic plant species identification. Ecological Informatics 40: 50 – 56.

↑   Barredo Arrieta A., Díaz-Rodríguez N. et al. (2020): Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion 58: 82 – 115.

↑   Boho D., Rzanny M. et al. (2020): Flora Capture: A citizen science application for collecting structured plant observations. BMC Bioinformatics 21(1): 1 – 11.

↑   BMUV/Bundesministeriums für Umwelt, Naturschutz, nukleare Sicherheit und Verbraucherschutz (2021): Fünf-Punkte-Programm „Künstliche Intelligenz für Umwelt und Klima“. BMU. Berlin: 4 S. https://bit.ly/5PP-KI (aufgerufen am 15.3.2023).

↑   Cardinale B.J., Duffy J.E. et al. (2012): Biodiversity loss and its impact on humanity. Nature 486: 59 – 67.

↑   Deneu B., Servajean M. et al. (2021): Convolutional neural networks improve species distribution modelling by capturing the spatial structure of the environment. PLOS Computational Biology 17(4): e1008856.

↑   Estopinan J., Servajean M. et al. (2022): Deep species distribution modeling from Sentinel-2 image time-series: A global scale analysis on the orchid family. Frontiers in Plant Science 13: e839327.

↑   Fang F., Tambe M. et al. (Hrsg.) (2019): Artificial intelligence and conservation. Cambridge University Press. Cambridge: 236 S.

↑   Feilhauer H., Faude U. (2023): Digitale Anwendungen der Fernerkundung für Aufgaben des Naturschutzes. Natur und Landschaft 98(6/7): 295 – 303. DOI: 10.19217/NuL2023-06-04

↑   Frommolt K.-H. (2023): Anwendungsfelder des akustischen Monitorings von Arten. Natur und Landschaft 98(6/7): 290 – 294. DOI: 10.19217/NuL2023-06-03

↑   Goodwin M., Halvorsen K.T. et al. (2022): Unlocking the potential of deep learning for marine ecology: Overview, applications, and outlook. ICES Journal of Marine Science 79(2): 319 – 336.

↑   HEG-KI/Hochrangige Expertengruppe für künstliche Intelligenz (Hrsg.) (2018): Eine Definition der KI: Wichtigste Fähigkeiten und Wissenschaftsgebiete. Europäische Kommission. Brüssel: 7 S.

↑   Mäder P., Boho D. et al. (2021): The Flora Incognita app – Interactive plant species identification. Methods in Ecology and Evolution 12(7): 1.335 – 1.342.

↑   Mahecha M.D., Rzanny M. et al. (2021): Crowd-sourced plant occurrence data provide a reliable description of macroecological gradients. Ecography 44(8): 1.131 – 1.142.

↑   Marx M., Quillfeldt P. (2018): Species distribution models of European Turtle Doves in Germany are more reliable with presence only rather than presence absence data. Scientific Reports 8(1): e16898.

↑   Neumann C. (2020): Habitat sampler – A sampling algorithm for habitat type delineation in remote sensing imagery. Diversity and Distributions 26(12): 1.752 – 1.766.

↑   Nobis M., Ginzler C. et al. (2020): Automatisierte Erfassung invasiver Neophyten an Autobahnen. Bundesamt für Strassen ASTRA. Bern: 72 S.

↑   Pineau J. (2020): Q & A. Nature 577: 14.

↑   Rammer W., Seidl R. (2019): Harnessing deep learning in ecology: An example predicting bark beetle outbreaks. Frontiers in Plant Science 10: e1327.

↑   Reinke H., König H.J. et al. (2021): Zoning has little impact on the seasonal diel activity and distribution patterns of wild boar (Sus scrofa) in an UNESCO Biosphere Reserve. Ecology and Evolution 11(23): 17.091 – 17.105.

↑   Rohde F., Wagner J. et al. (2021): Nachhaltigkeitskriterien für künstliche Intelligenz: Entwicklung eines Kriterien- und Indikatorensets für die Nachhaltigkeitsbewertung von KI-Systemen entlang des Lebenszyklus. Schriftenreihe des IÖW 220: 79 S.

↑   Rzanny M., Wittich H.C. et al. (2021): Image-based automated recognition of 31 Poaceae species: The most relevant perspectives. Frontiers in Plant Science 12: e804140. DOI: 10.3389/fpls.2021.804140

↑   Schiefer F., Kattenborn T. et al. (2020): Mapping forest tree species in high resolution UAV-based RGB-imagery by means of convolutional neural networks. ISPRS Journal of Photogrammetry and Remote Sensing 170: 205 – 215.

↑   Schneider C., Mrogenda K., Davis M. (2023): Digitalisierung im Naturschutz: Potenziale, Risiken und Lösungsansätze. BfN-Schriften 656: 99 S. DOI: 10.19217/skr656

↑   Schulze-Brüninghoff D., Astor T., Wachendorf M. (2021): Stauden-Lupine aus der Ferne. ANLIEGEN NATUR 43(2): 103 – 106.

↑   Schwartz R., Dodge J. et al. (2019): Green AI. 12 S. http://arxiv.org/pdf/1907.10597v3 (aufgerufenen am 15.3.2023).

↑   Searle C.E., Kaszta Ż. et al. (2022): Random forest modelling of multi-scale, multi-species habitat associations within KAZA transfrontier conservation area using spoor data. Journal of Applied Ecology 59(9): 2.346 – 2.359.

↑   Silvestro D., Goria S. et al. (2022): Improving biodiversity protection through artificial intelligence. Nature Sustainability 5(5): 415 – 424.

↑   Tabak M.A., Norouzzadeh M.S. et al. (2019): Machine learning to classify animal species in camera trap images: Applications in ecology. Methods in Ecology and Evolution 10(4): 585 – 590.

↑   Van Klink R., August T. et al. (2022): Emerging technologies revolutionise insect ecology and monitoring. Trends in Ecology & Evolution 37(10): 872 – 885.

↑   Wearn O.R., Freeman R., Jacoby D.M. (2019): Responsible AI for conservation. Nature Machine Intelligence 1(2): 72 – 73.

↑   Wood C.M., Kahl S. et al. (2022): The machine learning-powered BirdNET App reduces barriers to global bird research by enabling citizen science participation. PLOS Biology 20(6): e3001670.

↑   Zizka A., Silvestro D. et al. (2021): Automated conservation assessment of the orchid family with deep learning. Conservation Biology 35(3): 897 – 908.

↑   ZVKI/Zentrum für vertrauenswürdige Künstliche Intelligenz (2022): Glossar. https://www.zvki.de/ki-navigator/unsere-inhalte/glossar (aufgerufen am 20.10.2022).