Новый метод ИИ создаёт синтетические изображения для отслеживания дорогостоящих инвазивных растений

Одно растение ежегодно обходится американским фермерам в $35 млн. Теперь исследователи используют искусственный интеллект, чтобы держать его под контролем.

Учёные из Университета Карнеги-Меллон совместно с исследователями из природоохранного ранчо в Монтане разработали метод, который обучает модели машинного обучения эффективнее обнаруживать инвазивные виды даже при ограниченных данных. Исследование опубликовано в журнале Scientific Data.

Один из таких инвазивных видов — молочай лозный (leafy spurge) — ядовитый сорняк с мелкими зелёными цветами, способный нанести ущерб фермам и природным экосистемам. Он токсичен для скота и может сделать целые сенокосные угодья несъедобными, вытесняя местные растения. По оценкам исследователей, он ежегодно наносит ущерб в размере более $35 млн для производства говядины и сена в стране.

Однако затраты выходят далеко за рамки экономики. По мере сокращения пастбищ сокращаются запасы продовольствия. Распространение инвазивных видов ведёт к росту использования пестицидов. Исчезают местные растения, опылители и птицы теряют среду обитания, и вся экосистема начинает разрушаться. То, что начинается как сорняк на пастбище, быстро может стать угрозой для самой земли.

Выявление, мониторинг и, в конечном итоге, уничтожение инвазивных видов — приоритет для сельского хозяйства, природоохранных организаций и экологов, но эта задача трудоёмка и затратна. ИИ мог бы помочь, но учёным не хватает данных для создания инструмента, способного эффективно идентифицировать и отслеживать эти растения.

«Эти инвазивные растения — серьёзная проблема, — сказал Руслан Салахудинов, профессор Школы компьютерных наук CMU. — Молочай лозный может разрушить окружающие его экосистемы. Создание инструмента машинного обучения для помощи было сложной задачей, потому что у нас не было огромного количества данных об этом растении, даже в интернете. Так что это превратилось в проблему: как построить точные модели с ограниченным объёмом данных. Эту проблему мы и хотели решить. И наряду с этой интересной задачей, её решение оказывает большое влияние на экологию и окружающую среду».

Салахудинов работал с Брэндоном Трабукко, докторантом факультета машинного обучения (MLD); Максом Гуринасом из Гарвардского университета; и Кайлом Догерти, научным сотрудником MPG Ranch, который управляет более чем 15 000 акрами природоохранных территорий в западной Монтане для исследований. Учёные в MPG Ranch уже использовали дроны и инструменты ИИ для детального картирования местоположения растений. Хотя Догерти называл себя «ботаником в ИИ», работа с лабораторией Салахутдинова расширила его знания в этой области.

Исследователи хотели использовать новые генеративные инструменты ИИ для улучшения существующих моделей, обученных обнаруживать молочай лозный с помощью имеющихся снимков с дронов. Салахудинов и Трабукко задались вопросом, могут ли синтетические изображения молочая, созданные с помощью ИИ, стать необходимыми данными для улучшения работы моделей.

Исследователи разработали новую технику под названием DA-Fusion, которая использует передовые модели ИИ для создания более полезных тренировочных изображений. Обычно для расширения набора данных исследователи вносят небольшие изменения в существующие изображения, например, обрезают или отражают их. DA-Fusion идёт дальше, изменяя объект или фон изображения. Например, если на исходной фотографии молочай растёт в поле сельхозкультур, DA-Fusion может сгенерировать изображение того же сорняка в лесу или на травяном поле в другой сезон.

DA-Fusion создал разнообразные тренировочные данные по молочаю лозному в различных погодных условиях, например, под снегом или во время весеннего цветения. Это избавило экологов в Монтане от необходимости выходить на сбор данных в любую погоду.

«Затраты на эффективное управление природоохранным ранчо, таким как MPG, могут быть довольно высокими, и во многом это связано с трудом, необходимым для доступа в удалённые районы и оценки наличия таких растений, как молочай лозный, — сказал Гуринас. — Методы машинного обучения, подобные разработанному нами, позволяют добиться определённой степени автоматизации, что делает природоохранные мероприятия на более широких территориях более экономически целесообразными».

Улучшая разнообразие и качество тренировочных данных, исследователи могут повысить точность моделей машинного обучения, используя меньше примеров. Учёные согласны, что установление таких отношений между экологами и исследователями машинного обучения — ключевое достижение для будущего сельского хозяйства и экологии.

«Самое интересное в наборах данных, которые мы создаём, — их уникальность. Не так много экологических наборов данных, с которыми сообщество машинного обучения могло бы работать, — сказал Догерти. — Думаю, люди заинтересованы в том, чтобы оказывать влияние. Можно решить проблему экологов-реставраторов и бороться с изменением климата. Это значимая работа, которую важно продвигать».

Догерти и его коллеги из MPG Ranch сделали свой набор данных по молочаю лозному общедоступным для сообщества машинного обучения. Открыто делясь данными, они надеются ускорить усилия по обнаружению и контролю других инвазивных видов.

«Эти задачи — одни из самых важных, с которыми мы сталкиваемся как общество, — сказал Трабукко. — Проблемы вроде молочая лозного очень обделены вниманием, и, возможно, достижения, которые мы видим в машинном обучении, помогут нам так же, как эти инструменты решали другие проблемы и открывали новые возможности».