KI-basierte prädiktive Wildtier-Detektion für die französische Staatsbahn SNCF

Zusammenfassung

Ziel des Forschungsprojekts, das an der FHNW in Zusammenarbeit mit der SNCF Réseau durchgeführt wird, ist es, mittels künstlicher Intelligenz (KI) und einer Integration multimodaler Daten (multispektrale Satellitenzeitreihen, Luftbilder, landwirtschaftliche und klimatologische Informationen sowie Daten von terrestrischen Sensoren) die Aufenthaltswahrscheinlichkeiten von Wildtieren in der Nähe der Gleisinfrastruktur des SNCF-Netzes zu modellieren.

Die daraus resultierenden prädiktiven Lebensraummodelle werden dazu beitragen, Zwischenfälle besser zu verhindern, zum Beispiel durch geeignete bauliche Maßnahmen in bestimmten Risikogebieten.

In diesem Big-Data-Projekt sollen die neuesten Technologien des maschinellen Lernens eingesetzt werden, um die extrem umfangreichen und anspruchsvollen Datenquellen zu verarbeiten und aus der Verarbeitung gewinnbringende Korrelationen herzustellen.

Das Projekt basiert auf der langjährigen und anerkannten Erfahrung des Instituts für Geomatik der FHNW in KI-basierten Ansätzen für Detektions-, Klassifikationsaufgaben und Modellierung im Bereich von räumlich und zeitlich referenzierten, vollständigen Geodaten.

 

Einleitung

Adrian Meyer (Geodatenwissenschaftler und Tierbiologe) und Denis Jordan (Professor für angewandte Mathematik) haben 2023 gemeinsam mit Pascal Baran, SNCF Réseau, der Infrastrukturabteilung der französischen Eisenbahngesellschaft, ein kollaboratives Forschungsprojekt gestartet. Das Team macht sich die Möglichkeiten des maschinellen Lernens zunutze, um ein wachsendes Problem auf den Gleisen in den Griff zu bekommen: Die Unfälle mit Wildtieren.

Unfälle mit Wildtieren, insbesondere mit Wildschweinen und Hirschen, stellen ein erhebliches Risiko für das weitläufige französische Eisenbahnnetz dar. Sie verursachen nicht nur Umwelt-, Sicherheits- und Sachschäden, sondern tragen auch zu erheblichen finanziellen Kosten bei, die bei Hochgeschwindigkeitsstrecken auf bis zu 100.000 Euro pro Unfall geschätzt werden und jedes Jahr zu mehr als 200.000 Minuten kumulierter Verspätung führen. Herkömmliche Methoden zur Vermeidung solcher Unfälle, wie z. B. Zäune, Wildübergänge und Vergrämungsvorrichtungen, sind ressourcenintensiv und nicht immer wirksam, da es schwierig ist, Hotspots vorherzusagen.

Das Team hat sich zum Ziel gesetzt, als Lösungsstrategie ein umfassendes System zur Vorhersage des Wildunfallrisikos zu entwickeln. Unter Verwendung einer Reihe von Datenquellen entwickeln wir ein dynamisches Prognosemodell, das neuartige Algorithmen des maschinellen Lernens einsetzt, um das Risiko des Vorkommens von Tieren in bestimmten Gebieten zu bewerten. Diese Informationen ermöglichen präzisere und kosteneffizientere Eingriffe, wodurch die Unfallzahlen sinken und die Zuverlässigkeit und Sicherheit des Bahnnetzes erhöht werden können.

In die Modelle werden Bilder aus Luft- und Satelliten-Fernerkundungsdatensätzen, Gleis-basierte mobile Kartierungsaufnahmen sowie Infrarotbilder von Drohnen und Kamerafallen integriert. Anhand dieser Daten wird ein prädiktives multimodales Fusionsmodell trainiert, das lokalisierte Risikobewertungen erstellt und so potenzielle Wildtier-Hotspots identifiziert. Als Kartierung stellen diese Risikobewertungen ein wichtiges Instrument für die Planung von Schutzmaßnahmen dar.

Dieses Projekt ist eine Reaktion auf die jüngste starke Zunahme von Wildtiervorfällen auf den rund 30’000 km französischer Eisenbahnstrecken. Die landesweite Skala des Projekts erfordert moderne räumliche Datenbankstrukturen, welche die effektive Umsetzung von Big-Data-Strategien bedingen. Die SNCF hat die Notwendigkeit einer innovativen Lösung erkannt, da jährlich rund 8’000 Züge von etwa 1’500 Wildtier-Vorfällen beeinträchtigt werden.

Das Ziel ist ein flexibler Software-Prototyp, der in der Lage ist, Wildtier-Präsenz auf einem großen Teil des SNCF-Netzes vorherzusagen. Es wird einen Kollisionsrisikofaktor für kurze Streckenabschnitte berechnet und so eine multitemporale, lokalisierte Informationsgrundlage für Prozesse wie den Bau von Barrieren, die Einrichtung von Wildübergängen oder Interventionen wie Abschreckungsvorrichtungen und Populationsmanagement geschaffen.

Die in diesem Projekt erzielten Ergebnisse werden einen bedeutenden Schritt nach vorne an der interdisziplinären Schnittstelle von Technologie und Wildtiermanagement darstellen und gleichzeitig die Sicherheit und Zuverlässigkeit des französischen Eisenbahnbetriebs erhöhen.

 



Fig. 1: Kamerafallen sind ein bewährtes Instrument zur Überwachung von Wildbeständen.

Fig. 2: Schlammspuren (Sedimentablagerungen) dienen als Indikatoren für häufige Wildwechsel insbesondere von Wildschweinen.

Fig. 3: Drohnenerhebungen ermöglichen die Erfassung von Geländemodellen in Hochrisikozonen und die direkte Beobachtung von Wildtieren mithilfe von Wärmebildkameras.

Fig. 4: Mobile Mapping-Bilder (Imajnet) können verwendet werden, um besonders stark frequentierte Wildwechsel zu lokalisieren, die sich durch verfärbten Schotter bemerkbar machen.

Fig. 5: Die frei verfügbaren hochauflösenden Multispektraldaten des Sentinel-2-Satellitenprogramms der ESA bieten je nach Bewälkung alle sechs Tage die Möglichkeit, ein klassifizierbares Landschaftsmodell für ganz Frankreich zu berechnen.

Fig. 6: Schematische Übersicht des multimodalen KI-Prototyps (französische Version, Stand: Juni 2023)

 

Methode

Unser System akzeptiert räumlich-zeitliche Daten, um Risikoprognosen über mehrere Zeithorizonte zu erstellen (Abb. 6). Seine Robustheit und sein hoher Automatisierungsgrad ermöglichen die Erstellung eines Prototyps zur Identifizierung kritischer Ereignispunkte. Zu den wichtigsten Schritten gehören die Zusammenstellung der Daten, die Vorverarbeitung, die Auswahl der Klassifizierungssysteme und die Bewertung der algorithmischen Ansätze, wobei ein besonderes Augenmerk auf die Benutzerfreundlichkeit und Skalierbarkeit gelegt wird.

Zur Vorhersage des Risikos von Wildunfällen auf dem Schienennetz verbinden wir automatische Klassifizierungen von terrestrischen Bildern (Abb. 4) und Fernerkundungsdaten (Abb. 5) mit Modellen des maschinellen Lernens. Bei fluktuierender Varianz übertreffen Convolutional Neural Networks – z. B. neue Architekturen mit Lang-/Kurzzeitgedächtnis (CNN-LSTM) – traditionelle Regressionsmodelle.

Wir werden „Early Fusion“, „Late Fusion“ und „Hybrid Fusion“-Ansätze untersuchen, um das effektivste Risikovorhersagemodell zu ermitteln. „Early Fusion“ vereinfacht den Trainingsprozess durch die Verwendung eines einzigen Modells, aber die Interpretierbarkeit der Ergebnisse kann schneller eingeschränbkt werden. „Late Fusion“ bietet modalitätsspezifische Entscheidungen und kann gut mit fehlenden Datenpunkten umgehen, erfordert jedoch ein umfangreiches Feature Engineering und das Aufsetzen mehrerer spezifischer Modelle. „Hybrid Fusion“ kombiniert die beiden Methoden und liefert umfassende Ergebnisse auf Kosten einer erhöhten Komplexität.

Fachwissen über das lokale Schienennetz und die Lebensräume der Tiere (Abb. 7) ist unerlässlich, um die Genauigkeit der Vorhersageergebnisse und die Relevanz der Referenz-Eingabedaten zu überprüfen. Wir verwenden unter anderem Schlammspuren an Schienen (Abb. 2) als indirekte Hinweise für frequentierte Wildschweinübergänge. Diese Aktivität wird durch Kamerafallen (Abb. 1) verifiziert.

Mit Infrarot-Wärmebild- und Zoomkameras ausgestattete Drohnen (Abb. 3) werden zur Überwachung des Verhaltens und der Population von Wildtieren eingesetzt, entweder durch Zählen der Tiere im Flug oder durch Analyse der Bilder mithilfe neuronaler Netze.

 

Fig. 7: Vorergebins – prognostische Wärmekarte für die Entwicklung der für 2024 vorhergesagten Unfallereignis-Intensität. Modellierung – autoregressiver integrierter gleitender Durchschnitt (ARIMA) auf der Grundlage von Vorfalldaten aus den Jahren 2015-2023, Umrechnung auf eine Auflösung von 20×20 km.

Farbcode: Blau – weniger Vorfälle erwartet; Weiß – keine Veränderung / keine Daten; Gelb – mehr Vorfälle erwartet; Rot – starke Intensivierung erwartet.

 

 

Resultate

Das Projekt wird robuste, genaue und zeitnahe Prognosen über das Risiko von Unfällen mit Wildtieren (insbesondere Wildschweinen) auf dem französischen Schienennetz liefern. Diese Informationen, die aus hochentwickelten maschinellen Lernmodellen und multimodaler Datenfusion abgeleitet werden, werden es der SNCF ermöglichen, die Unfallschwerpunkte besser zu verstehen. Dies könnte zu erheblichen Kosteneinsparungen führen, indem die Anzahl und Schwere von Wildunfällen verringert und die betriebliche Effizienz verbessert wird.

Da das System eine fundiertere Entscheidungsfindung ermöglicht, wird es der SNCF helfen, die Ressourcen für den Bau von Infrastrukturprojekten wie Zäunen und Wildübergängen besser zu verteilen. Darüber hinaus kann der Vorhersageatlas des Modells als wesentlicher Input für Strategien zum Management von Wildtieren dienen und der SNCF helfen, eine harmonische Beziehung mit der belebten Umwelt aufrechtzuerhalten.

In Zukunft könnte dieses Projekt auch als Modell für neue Zielspezies oder andere häufig auftretende Umweltprobleme dienen. Während das System reift und mehr Daten gesammelt werden, können wir kontinuierlich lernen und so die Vorhersagegenauigkeit verfeinern, was den Wert dieses Projekts für die SNCF weiter erhöht.