Die Biodiversitaetskrise gilt neben der Klimakrise als zweites existenzielles Umweltproblem des 21. Jahrhunderts. Laut IPBES ist eine Million Tier- und Pflanzenarten vom Aussterben bedroht. Klassische Biodiversitaets-Monitoring-Methoden (Feldbegehungen, manuelle Artenkartierung) sind kostenintensiv und nicht skalierbar. AI bietet fundamentale Loesungen.

Bioakustik mit Deep Learning

Eine Nature-Studie dokumentiert, dass Deep-Learning-Modelle auf Soundscape-Aufnahmen Artenvielfalt in sich regenerierenden Tropenwaeldern mit gleicher Genauigkeit wie klassische Feldbegehungen messen — bei einem Bruchteil des Aufwands [1]. Die Technik nutzt automatische Extraktion von Vogelgesaengen, Frosch-Rufen und Insekten-Stridulationen aus kontinuierlichen Aufnahmen.

Computational bioacoustics hat sich in den letzten drei Jahren zu einem etablierten Forschungsfeld entwickelt. Modelle wie BirdNET und Perch erkennen ueber 10.000 Vogelarten weltweit mit F1-Scores ueber 0,85 [2]. Fuer Agroforstsysteme ist das besonders relevant: Vogelartenvielfalt gilt als Proxy fuer Oekosystemgesundheit.

eDNA Metabarcoding

Environmental DNA (eDNA) ist die zweite technologische Revolution. Aus Boden-, Wasser- oder Luftproben werden DNA-Fragmente extrahiert und durch Hochdurchsatz-Sequenzierung analysiert. Machine-Learning-Pipelines klassifizieren die Sequenzen automatisch zu Arten. Peer-reviewed Studien dokumentieren, dass eDNA-Metabarcoding 70-90 Prozent der durch klassische Methoden erfassten Arten wiederfindet, bei deutlich hoeherer Sensitivitaet fuer kryptische Arten [3][4].

Fuer aquatische Oekosysteme ist eDNA bereits etablierter Standard — europaeische Studien zeigen vergleichbare Ergebnisse fuer Wald-Boeden [5]. Fuer Investmentmanager, die EU-Taxonomie-Alignment unter dem Biodiversitaetsziel nachweisen muessen, bieten eDNA-Messungen robuste quantitative Daten.

Satellitendaten und Habitat-Klassifikation

Ein dritter Ansatz ist die Habitat-Mapping via Sentinel-2 und Deep Learning. Klassifikationen nach EUNIS (European Nature Information System) erreichen mit CNN-Modellen Genauigkeiten ueber 85 Prozent und ermoeglichen grossflaechige, wiederholbare Biodiversitaets-Proxies.

"Fuer die VERDANTIS-Plantagen haben wir ein dreischichtiges Biodiversitaets-Monitoring etabliert", erklaert Dirk Roethig, CEO von VERDANTIS Impact Capital. "Sentinel-2-Habitat-Klassifikation jaehrlich, eDNA-Bodensampling halbjaehrlich, und saisonale Bioakustik-Aufnahmen. Diese Kombination liefert die Datentiefe, die Artikel-9-SFDR-Fonds fuer den Biodiversitaets-Impact-Nachweis benoetigen."

Quellen:

[1] Improving deep learning acoustic classifiers with contextual information for wildlife monitoring - ScienceDirect — https://www.sciencedirect.com/science/article/pii/S1574954123002856

[2] Soundscapes and deep learning enable tracking biodiversity recovery in tropical forests | Nature Communications — https://www.nature.com/articles/s41467-023-41693-w

[3] Sound evidence for biodiversity monitoring | Science — https://www.science.org/doi/10.1126/science.adh2716

[4] Computational bioacoustics with deep learning: a review and roadmap - PMC — https://pmc.ncbi.nlm.nih.gov/articles/PMC8944344/

[5] eDNA metabarcoding for biodiversity assessment, generalist predators as sampling assistants | Scientific Reports — https://www.nature.com/articles/s41598-021-85488-9

Diese Analyse ist Teil einer zehnteiligen Artikelreihe zu Kuenstlicher Intelligenz im Impact Investing von Dirk Roethig, CEO VERDANTIS Impact Capital. Original-Pressemitteilung: fair-news.de. Alle Artikel: Uebersicht auf dirkroethig.com.