KI und die schwierigen Probleme der Welt · Lebenswissenschaften · Nature (computational biology) · 2026-10-20
Überbrückung der Einsatzlücke im automatisierten Nachtfalter-Monitoring durch Biodiversitäts-Foundation-Modelle
Originaltitel: Bridging the deployment gap in automated moth monitoring through biodiversity foundation models
Arterkennungsmodelle für das automatisierte Biodiversitätsmonitoring werden typischerweise auf großen Citizen-Science-Bildrepositorien trainiert, was eine Domänenlücke zu Bildern aus dem Feldeinsatz schafft. Die Autoren entwickelten einen feinkörnigen Motten-Klassifikator aus rund 363,000 Citizen-Science-Bildern, die 2,727 Arten abdecken, und optimierten die Transfer-Learning-Pipeline durch biodiversitätsspezifische vortrainierte Repräsentationen (BioCLIP2.5), parameter-effiziente Adaption und Datenaugmentation. Die Pipeline erreichte eine Top-1-Genauigkeit von 85.0% auf einem kommerziellen Monitoringsystem und 89.5% auf einem kostengünstigen Edge-Gerät und steigerte die Leistung im Feldeinsatz von 38.9% auf 69.7% bzw. von 62.3% auf 82.3%.