Explainable few-shot learning workflow for detecting invasive and exotic tree species

In het dichte, levendige Atlantische Regenwoud van Brazilië vindt een stille strijd plaats tussen inheemse bomen en invasieve soorten die hen dreigen te verdringen. Decennialang hebben ecologen vertrouwd op het bewandelen van de bosbodem om deze indringers te identificeren, een traag en arbeidsintensief proces dat grote gebieden onbewaakt laat. Vandaag de dag zijn de instrumenten voor observatie naar de hemel verschoven. Onbemande luchtvaartuigen, of drones, kunnen nu hoogresolutiefoto's van het bladerdak van het bos maken, wat een vogelperspectief biedt dat de vorm en kleur van individuele bomen onthult. Het omzetten van deze beelden in bruikbare kennis vereist echter kunstmatige intelligentie. De uitdaging ligt in het trainen van deze computersystemen. De meeste moderne AI-modellen zijn als studenten die duizenden voorbeelden van elk onderwerp moeten bestuderen voordat ze een toets kunnen halen. In afgelegen bossen, waar data schaars is en experts schaars zijn, is het verzamelen van dergelijke enorme bibliotheken met gelabelde afbeeldingen vaak onmogelijk. Bovendien, zelfs wanneer deze modellen een gok wagen, fungeren ze vaak als "black boxes", waarbij ze een resultaat bieden zonder uit te leggen hoe ze tot dat resultaat kwamen, wat het voor bosbeheerders moeilijk maakt om het antwoord te vertrouwen.

Een team van onderzoekers heeft een nieuwe aanpak ontwikkeld om deze kloof te overbruggen, waarbij een systeem is gecreëerd dat kan leren om invasieve bomen te herkennen met zeer weinig voorbeelden en, cruciaal, zijn werk kan laten zien. Een studie die zich richtte op het Bororé Natuurpark in São Paulo, introduceert een workflow die een specif kind van kunstmatige intelligentie combineert met een methode voor visuele uitleg. In plaats van duizenden foto's nodig te hebben om te leren hoe een invasieve palmboom eruitziet, gebruikt het systeem een "few-shot" leerstrategie. Dit stelt het model in staat om eerst getraind te worden op een handvol bekende soorten, en vervolgens snel te worden aangepast om nieuwe, zeldzame of invasieve soorten te herkennen met slechts enkele voorbeeldbeelden. Om te garanderen dat het systeem niet simpelweg gokt, voegden de onderzoekers een laag van transparantie toe. Wanneer de computer een boom identificeert, geeft hij niet alleen een naam weer; hij toont de specifieke afbeeldingen uit zijn geheugen die tot die conclusie hebben geleid, waardoor een menselijke expert kan verifiëren of de visuele overeenkomst logisch is.

De studie richtte zich op de Seafórtia-palm, een invasieve Australische soort die wortel heeft geschoten in de Braziliaanse parken, concurreert met de inheemse flora en het lokale ecosysteem verandert. Om hun systeem te bouwen, begonnen de onderzoekers met het verzamelen van een kleine set trainingsdata. Ze gebruikten bestaande datasets en nieuwe dronevluchten om vijf veelvoorkomende boomsoorten te identificeren, waarmee ze een bibliotheek van "bekende" voorbeelden creëerden. Vervolgens trainden ze een neuraal netwerk — een computerprogramma ontworpen om de manier waarop het brein visuele patronen verwerkt na te bootsen — op deze vijf soorten. De onderzoekers testten twee verschillende versies van dit netwerk: één die vanaf nul was opgebouwd met eenvoudige lagen, en een andere die gebaseerd was op een lichtgewicht, bestaand ontwerp genaamd MobileNet, dat bekend staat om zijn efficiëntie op kleinere computers. Beide versies waren ontworpen om twee afbeeldingen te vergelijken en te beslissen hoe ze elkaar lijken, in plaats van simpelweg een lijst met soorten te memoriseren.

Zodra het systeem was voorgetraind, introduceerden de onderzoekers de echte uitdaging: het identificeren van de invasieve Seafórtia-palm en andere nieuwe soorten met slechts een klein aantal voorbeelden. Dit is het "few-shot" deel van het proces. Ze toonden het systeem slechts één, twee of drie foto's van de nieuwe doelsoort en vroegen het om het verschil te leren. De resultaten waren opmerkelijk. Het systeem dat gebruikmaakte van de MobileNet-backbone, die was voorgetraind op een enorme bibliotheek van algemene afbeeldingen, bleek veel effectiever dan de eenvoudigere versie. Wanneer het slechts drie voorbeelden kreeg van een nieuwe soort, identificeerde het MobileNet-gebaseerde systeem de invasieve bomen met een hoge mate van nauwkeurigheid, wat de eenvoudigere versie aanzienlijk overtrof. Dit bewees dat een geavanceerd, voorgetraind systeem zich veel sneller kan aanpassen aan een nieuwe, data-arme omgeving dan wanneer men vanaf nul begint.

Misschien wel de meest significante bijdrage van dit werk is echter hoe het omgaat met de "waarom" achter de beslissing. In veel toepassingen van kunstmatige intelligentie is de redenering verborgen. Hier maakten de onderzoekers de redenering zichtbaar. Wanneer het systeem een boom classificeert, haalt het de enkele voorbeeldbeelden op die het gebruikte voor de vergelijking en toont deze naast de nieuwe boom. Het biedt ook een reeks metrieken om de kwaliteit van deze uitleg te evalueren. Het controleert bijvoorbeeld op "correctheid" om te zien of de gekozen voorbeelden de uiteindelijke label daadwerkelijk ondersteunen, en op "continuïteit" om te waarborgen dat een kleine verandering in de invoerafbeelding er niet voor zorgt dat het systeem een totaal andere set voorbeelden kiest. De studie vond dat de uitleg zeer consistent was en dat het systeem vaak ondersteunende afbeeldingen selecteerde die visueel zeer vergelijkbaar waren met het doelwit, wat menselijke experts een duidelijke, visuele sporenkaart bood.

De onderzoekers testten hun workflow op de invasieve Seafórtia-palmen in het Bororé Natuurpark. In één specifieke testcasus identificeerde het systeem correct een palmboom en toonde het de gebruiker de drie referentieafbeeldingen die het voor de vergelijking gebruikte. In sommige gevallen signaleerde het systeem een potentiële fout door een referentieafbeelding te tonen die er heel anders uitzag dan het doelwit, ook al waren ze als dezelfde soort gelabeld. Deze visuele feedback stelde de onderzoekers in staat om precies te zien waar het model moeite mee had, iets wat een standaard "black box"-model nooit zou onthullen. De studie concludeerde dat deze combinatie van few-shot learning en visuele uitleg een praktische, betrouwbare tool biedt voor bosbeheer. Het bewijst dat het mogelijk is om geavanceerde AI in natuurbehoudsinspanningen in te zetten, zelfs wanneer gelabelde data schaars is, mits het systeem zijn logica kan uitleggen op een manier die mensen kunnen begrijpen en verifiëren. Deze aanpak opent een nieuwe weg voor het gebruik van drones en kunstmatige intelligentie om biodiversiteit te beschermen, door de enorme, complexe data van het bos om te zetten in bruikbare inzichten voor natuurbeschermers.