Technologie nutzen, um die Biodiversität zu schützen
Die Einbindung der Community durch Technologie verbessert die Datenerfassung zur Biodiversität und die Naturschutzbemühungen.
― 7 min Lesedauer
Inhaltsverzeichnis
- Die Rolle der Technologie bei der Datensammlung zur Biodiversität
- Crowdsourcing Bürgerwissenschaft
- Die Biome-App
- Arbeitsablauf der Biome-App
- Verständnis von Artenverbreitungsmodellen
- Der Beitrag von gemeinschaftsbasierten Daten
- Bewertung der Modellleistung
- Die Qualität und Quantität von Biome-Daten
- Herausforderungen und zukünftige Richtungen
- Breitere Auswirkungen der Bürgerwissenschaft
- Fazit
- Originalquelle
Die Natur ist für das menschliche Leben unerlässlich und bietet wichtige Ressourcen und Dienstleistungen. Allerdings sind viele Ökosysteme ernsthaften Bedrohungen ausgesetzt, und ihr Rückgang verändert sich schnell. Um dieses Problem anzugehen, wurde ein globaler Plan erstellt, um bis 2030 die biologischen Vielfalt zu schützen, mit dem Ziel, 30 % der Land- und Meeresflächen zu sichern. Unternehmen werden ermutigt, ihre Auswirkungen auf die Biodiversität zu bewerten und zu teilen, was zu notwendigen Naturschutzmassnahmen führt.
Um in diesen Zielen erfolgreich zu sein, müssen wir die Biodiversität gründlich bewerten und betrachten, wo Arten leben und wie sie mit ihrer Umgebung interagieren. Traditionell wurden diese Informationen von Experten durch Felduntersuchungen gesammelt, aber diese Methode ist zeit- und ressourcenmässig eingeschränkt.
Die Rolle der Technologie bei der Datensammlung zur Biodiversität
Seit dem Aufkommen digitaler Geräte und des Internets können jetzt ganz normale Leute Beobachtungen von Pflanzen und Tieren mit Fotos und Videos teilen. Diese von der Gemeinschaft gesammelten Daten haben unser Verständnis von Ökosystemen enorm bereichert, indem sie Wissenschaftlern helfen, zu untersuchen, wie der Klimawandel Arten beeinflusst, die Ausbreitung invasiver Arten zu verfolgen und Muster in der Biodiversität zu erkennen.
Gemeinschaften können ihre gesammelten Daten nutzen, um Vorhersagen darüber zu treffen, wie sich Arten in Zukunft verhalten werden. Diese Informationen sind entscheidend für ein effektives Management von Ökosystemen. Durch den Einsatz von Technologien wie Maschinenlernen können Analysen Einblicke geben, wie Arten miteinander interagieren und wie stabil Ökosysteme sind. Das hilft uns, Veränderungen, die durch den Klimawandel verursacht werden, vorherzusehen.
Crowdsourcing Bürgerwissenschaft
Smartphones mit GPS ermöglichen es den Menschen, Fotos von Organismen zu machen und deren Standorte und Zeiten zu teilen. Plattformen wie eBird und iNaturalist haben erfolgreich diese crowdsourced Daten genutzt, um Arten zu verfolgen und die Ökologie zu studieren. Viele Leute tragen häufig bei, weil sie der Wissenschaft helfen und gerne mit Technologie interagieren.
Schöne Erlebnisse durch Gamifizierung können noch mehr Leute dazu ermutigen, biologische Daten zu teilen. Allerdings können die aktuellen Methoden zur Datensammlung fehlerhaft und voreingenommen sein, was Herausforderungen bei der korrekten Interpretation der Daten mit sich bringt. Die Verbesserung des Designs von gemeinschaftsbasierten Umfrageplattformen und die Einbeziehung besserer statistischer Methoden können die Qualität der Biodiversitätsdaten verbessern.
Die Biome-App
Um das Engagement der Gemeinschaft für Biodiversitätsumfragen zu fördern, haben wir in Japan eine App namens ‘Biome’ gestartet. Biome hilft Nutzern, Arten zu identifizieren, indem sie potenzielle Übereinstimmungen durch künstliche Intelligenz vorschlägt und die Teilnahme der Gemeinschaft fördert. Nutzer können Punkte sammeln, indem sie Aufzeichnungen beitragen und anderen helfen, Arten zu identifizieren, was die App spannender macht.
Seit ihrer Veröffentlichung hat Biome über 6 Millionen Aufzeichnungen über Artenvorkommen gesammelt. Diese Daten unterstützen nicht nur Biodiversitätsbewertungen, sondern helfen auch Unternehmen, finanzielle Offenlegungspflichten in Bezug auf ihre Umweltauswirkungen zu erfüllen.
Arbeitsablauf der Biome-App
Nutzer können Fotos, die sie mit ihren Smartphones gemacht haben, hochladen oder Bilder aus anderen Quellen importieren. Sie wählen die Art des Organismus – Pflanze oder Tier – aus, um die Funktion zur Artenidentifikation zu aktivieren. Die KI analysiert das Foto und gibt eine Liste möglicher Arten aus.
Nutzer können um Hilfe bei der Identifizierung der Art bitten oder eine aus der Liste auswählen. Sie können auch Notizen über ihre Beobachtungen hinzufügen, wie zum Beispiel das Lebensstadium des Tieres oder ob es wild oder in Gefangenschaft ist.
Verständnis von Artenverbreitungsmodellen
Artenverbreitungsmodelle (SDMs) analysieren die Biodiversität an bestimmten Orten. Diese Modelle nutzen Vorkommensdaten und Umweltinformationen, um vorherzusagen, wo Arten gedeihen könnten. Sie sind entscheidend für die Planung von Naturschutzmassnahmen und das Verständnis, wie Landnutzung und Klimawandel Arten beeinflussen.
Während von Experten gestaltete Umfragen begrenzte Daten liefern, können von der Gemeinschaft gesammelte Beobachtungen diese Lücke schliessen. Durch Methoden wie MaxEnt können Wissenschaftler mit präsenzbasierten Daten, die reichlich vorhanden sind, Artenverbreitungen effektiv vorhersagen. Solche Modelle können auch Sampling-Vorurteile berücksichtigen, was zu genaueren Vorhersagen führt, wenn Gemeinschaftsbeobachtungen integriert werden.
Der Beitrag von gemeinschaftsbasierten Daten
Mit Daten aus der Biome-App haben wir die Qualität der von der Gemeinschaft gesammelten Aufzeichnungen bewertet. Wir haben die Anzahl der gültigen Aufzeichnungen betrachtet und korrekt identifizierte Arten gezählt. Die Biome-Community war wachsam bei der Identifizierung von Fehlern, was dazu beiträgt, die Identifikationsgenauigkeit im Laufe der Zeit zu verbessern.
Die Analyse zeigt, dass die Datenqualität im Allgemeinen gut ist, aber bei seltenen Arten häufigere Fehler auftreten. Das ist ein verbreitetes Problem in der Bürgerwissenschaft, wo oft eine Expertenidentifikation für bestimmte schwierige Taxa erforderlich ist.
Bewertung der Modellleistung
Beim Vergleich von SDMs, die mit traditionellen Umfragedaten erstellt wurden, mit denen, die Biome-Daten integrierten, schnitten die Modelle, die beide Datentypen verwendeten, besser ab. Die Einbeziehung von Biome-Daten führte zu genaueren Vorhersagen und erforderte oft weniger Aufzeichnungen, um eine hohe Genauigkeit zu erreichen.
Für gefährdete Arten waren die Vorteile noch deutlicher. Modelle, die Biome-Daten einbezogen, erreichten mit einer kleineren Anzahl von Aufzeichnungen hohe Genauigkeitsgrenzen als diejenigen, die ausschliesslich auf traditionellen Daten basierten.
Die Qualität und Quantität von Biome-Daten
Bis Juli 2023 hat Biome Millionen von Aufzeichnungen über Tausende von Arten gesammelt. Die Rate der Dateneinreichung ist stetig gestiegen, da mehr Nutzer mit der App interagieren. Die Verteilung dieser Daten zeigt ein Gleichgewicht über verschiedene Umweltbedingungen, im Gegensatz zu traditionellen Umfragedaten, die tendenziell stärker auf natürliche Gebiete fokussieren.
Biome hat seine Fähigkeit bewiesen, erhebliche Mengen nützlicher Daten zu sammeln, die Informationen für Biodiversitätsbewertungen und Naturschutzplanung liefern können. Dennoch besteht weiterhin die Notwendigkeit, die Datenqualität kontinuierlich zu verbessern, indem wir verfeinern, wie Nutzer ihre Beobachtungen einreichen und klassifizieren.
Herausforderungen und zukünftige Richtungen
Die Qualität der über Biome gesammelten Daten variiert, insbesondere bei Taxa, die schwierig zu identifizieren sind. Um dem entgegenzuwirken, planen wir, die App zu verbessern, um Nutzer zu ermutigen, mehrere Merkmale von Organismen zu dokumentieren, was bei der genauen Identifikation hilft.
Wir erkennen die Einschränkungen unserer aktuellen Bewertungen an, insbesondere hinsichtlich des Fehlens eines unabhängigen Testdatensatzes. Zukünftige Verbesserungen werden ein besseres Verständnis der zeitlichen Veränderungen in der Artenverbreitung ermöglichen.
Während die Daten weiterhin ansteigen, können wir unsere Modelle verfeinern und bessere Vorhersagen über zukünftige Biodiversitätsmuster machen. Das wird nicht nur den Naturschutz unterstützen, sondern auch Entscheidungsträgern helfen, informierte Entscheidungen über Landnutzung und -management zu treffen.
Breitere Auswirkungen der Bürgerwissenschaft
Die Einbeziehung vielfältiger gemeinschaftlicher Daten in die Naturschutzplanung hilft, robustere Strategien zum Schutz von Ökosystemen zu schaffen. Die Einbeziehung verschiedener Gruppen, einschliesslich lokaler Gemeinschaften und Unternehmen, fördert die Zusammenarbeit und ermutigt zu einem geteilten Verantwortungsbewusstsein für die Natur.
Dieser integrative Ansatz kann zu besseren Entscheidungen führen und das Bewusstsein für die Bedeutung der Biodiversität schärfen. Wenn Menschen die Möglichkeit haben, mit der Natur zu interagieren, werden sie stärker am Wohlbefinden der Natur interessiert.
Fazit
Die Biome-App ist mehr als nur ein Werkzeug zur Datensammlung; sie stellt einen Wandel in der Art und Weise dar, wie wir die Überwachung der Biodiversität angehen. Indem wir die Kraft der Gemeinschaftsbeteiligung und der Technologie nutzen, können wir Einzelpersonen ermächtigen, auf sinnvolle Weise zu den Naturschutzbemühungen beizutragen.
Wenn wir in die Zukunft blicken, beabsichtigen wir, die Qualität der gesammelten Daten zu verbessern und unser Verständnis der Biodiversität durch die fortlaufende Zusammenarbeit zwischen Wissenschaftlern und der Öffentlichkeit zu erweitern. Dies wird letztendlich eine nachhaltige Entwicklung und den Schutz der natürlichen Ressourcen unseres Planeten unterstützen.
Titel: Boosting biodiversity monitoring using smartphone-driven, rapidly accumulating community-sourced data
Zusammenfassung: Comprehensive biodiversity data is crucial for ecosystem protection. The Biome mobile app, launched in Japan, efficiently gathers species observations from the public using species identification algorithms and gamification elements. The app has amassed >6M observations since 2019. Nonetheless, community-sourced data may exhibit spatial and taxonomic biases. Species distribution models (SDMs) estimate species distribution while accommodating such bias. Here, we investigated the quality of Biome data and its impact on SDM performance. Species identification accuracy exceeds 95% for birds, reptiles, mammals, and amphibians, but seed plants, mollusks, and fishes scored below 90%. Our SDMs for 132 terrestrial plants and animals across Japan revealed that incorporating Biome data into traditional survey data improved accuracy. For endangered species, traditional survey data required >2,000 records for accurate models (Boyce index [≥] 0.9), while blending the two data sources reduced this to around 300. The uniform coverage of urban-natural gradients by Biome data, compared to traditional data biased towards natural areas, may explain this improvement. Combining multiple data sources better estimates species distributions, aiding in protected area designation and ecosystem service assessment. Establishing a platform for accumulating community-sourced distribution data will contribute to conserving and monitoring natural ecosystems.
Autoren: Shogoro Fujiki, K. Atsumi, Y. Nishida, M. Ushio, H. Nishi, T. Genroku
Letzte Aktualisierung: 2024-05-13 00:00:00
Sprache: English
Quell-URL: https://www.biorxiv.org/content/10.1101/2023.09.13.557657
Quell-PDF: https://www.biorxiv.org/content/10.1101/2023.09.13.557657.full.pdf
Lizenz: https://creativecommons.org/licenses/by/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an biorxiv für die Nutzung seiner Open-Access-Interoperabilität.