Kunstmatige intelligentie kan soortenrijkdom redden
Er bestaan al 22 manieren, gebaseerd zijn op kunstmatige intelligentie-technieken (AI), die bijdragen aan het veiligstellen van de soortenrijkdom in het water en op het land: SDG14 en SDG15.
Wetenschappers hebben goede hoop dat de positieve effecten van artificial intelligence (AI) onbedoelde negatieve gevolgen zullen overstijgen. AI wordt over het algemeen gedefinieerd als ‘intelligentie door computersystemen’, zoals Google Search of zelfstandig rijdende auto’s, waarbij de computer menselijke intelligentie overneemt zoals waarnemen, leren en redeneren.
Angst is er voor een verdere verdieping van de sociale kloof tussen arme en rijke landen, ook voor verdere ongelijkheid tussen bevolkingsgroepen. AI vergt grote energievretende databases, zeker bij het aansturen van zelfrijdende auto’s. De Verenigde Staten, Europa en China beschikken over de middelen om deze ontwikkeling te ondersteunen, maar de meeste Afrikaanse landen niet.
Er zijn echter ook toepassingen waarbij AI wel eens cruciaal zou kunnen zijn voor het bereiken van tal van SDG’s. Computers zijn nu al beter in het monitoren en interpreteren van foto’s, video’s en satellietbeelden van de soortenrijkdom op aarde; dieren, planten, maar ook de het plankton in zee, of de bedreigende stroom aan plastic in de oceanen.
De 22 hoopvolle initiatieven worden gepresenteerd in een helder artikel in het tijdschrift ‘Sustainability’ van dit jaar, door Diane A. Isabella en Mika Westerlund, beiden associate professors, de een in de VS, de ander in Canada. Ze namen de SDG’s als uitgangspunt voor hun verzameling van AI-toepassingen. Dat is nodig, stellen de auteurs, want in 2030 moeten de SDG’s gerealiseerd zijn, dus dit is het ‘decennium van actie’. In hun paper bieden ze ook een framework aan, dat is te gebruiken door overheden, onderwijsinstellingen, bedrijven en maatschappelijke organisaties.
SDG 14, leven onder water, heeft tot doel het behouden en duurzaam gebruiken van oceanen, zeeën en maritieme hulpbronnen. De oceanen vormen het grootste ecosysteem van de planeet en bedekken twee-derde van het aardoppervlak. Oceanen produceren meer dan 50 procent van de zuurstof die wij inademen. Meer dan drie miljard mensen op deze planeet zijn voor hun levensonderhoud afhankelijk van wat er in zee leeft. Maar de chemische samenstelling van het water verandert nu sneller dan in de voorgaande 300 miljoen jaar, met als effecten verzuring en hogere watertemperaturen. Elk jaar verdwijnt zo’n 8 miljoen ton aan (giftige) plastics in de zeeën en oceanen. ‘Dead zones’ zijn het gevolg. Meer dan 40 procent van de wereldbevolking leeft langs de kust en veroorzaakt daar vervuiling. De biodiversiteit op koraalriffen is sinds de jaren ’50 met 60 procent afgenomen. Het onderzoek naar het welzijn van de zee is echter magertjes gefinancierd, stellen wetenschappers. Onderzoeksschepen zijn duur, net als de bijzondere instrumenten en datatechnologie om metingen te verrichten.
SDG 14 telt zeven sleuteldoelen, waar Isabelle en Westerlund initiatieven voor zochten, die gebaseerd zijn op kunstmatige intelligentie.
SDG14 sleuteldoel 1: Verminder watervervuiling.
Voorbeeld 1. OCEAN CLEANUP, het Nederlandse bedrijf, heeft een op AI gebaseerde opschoningssysteem voor de oceaan ontwikkeld, om zo de optimale inzetlocatie te kiezen voor het verzamelen van het drijvende plastic afval. Realtime telemetrie bewaakt de werking van het systeem.
Voorbeeld 2. MARLIT is een web-app die ook de dichtheid van zee-afval detecteert, gebruik makend van 4000 luchtfoto’s van de kust rond Catalonië. In de toekomst worden mogelijk ook drones ingezet, in een volledig geautomatiseerd proces. Belangrijk aan het algoritme van zulke 'deep learning' technieken is dat ook het afval op de bodem van de oceaan in kaart kan worden gebracht, naast de drijvende 1,6 miljoen vierkante meter ‘Great Pacific Garbage Patch’. Andere AI-systemen verzamelen ook gegevens over vervuiling bij de bron, de monding van rivieren.
Voorbeeld 3. Researchers in Tsjechië ontwikkelden mini-robots die zichzelf onder water kunnen voortstuwen, zich aan plastic kunnen hechten en dit in stukjes breken.
SDG14 sleuteldoel 2: Bescherm en herstel ecosystemen
Voorbeeld 4. IBM ontwikkelde autonome door AI aangedreven microscopen die de gezondheid van plankton bestuderen en de resultaten in de cloud delen. Doel is om 3D-modellen van plankton te gaan maken en deze in hun natuurlijke omgeving te monitoren. Plankton is de sleutel voor de identificatie van niveaus van vervuiling. Het is zelfs de basis van de voedselketen en cruciaal voor het voortbestaan van de visserij. De microscopen van IBM signaleren onmiddellijk vervuiling van olie of gif in het water.
SDG14 sleuteldoel 4: Duurzame visserij
Voorbeeld 5: REFIND TECHNOLOGIES in Zweden installeerde AI-software in een vissersboot om te helpen bij het identificeren van ondersoorten van vissen door daarvan foto’s te maken. Dergelijke geautomatiseerde herkenning van beeldherkenning in de visserij maakt de analyse van grote datavolumes mogelijk over het verwijderen van bijvangst door commerciële vissersvloten. De data kunnen ook helpen bij het opsporen van bedreigde vissoorten.
Voorbeeld 6: SATLINK, een Spaanse start-up, gebruikt AI om data te verzamelen om te zien of vissers de quota van de EU niet overschrijden. Met de data kan illegale visvangst worden bestreden. Data kunnen ook in blockchain worden opgenomen, om organisaties te helpen om de gezondheid van ecosystemen in zee te monitoren, maar ook om de gevangen vis te volgen vanaf de vangst tot op het bord, van ‘bait to plate’.
Voorbeeld 7: PROVENANCE, een Brits bedrijf, past ook blockchain toe om end-to end transparantie te creëren in de toeleveringsketens, inclusief visserijproducten.
Voorbeeld 8: OpenSC, een samenwerkingsverband, heeft ook een systeem voor ketentransparantie ontwikkeld om in Patagonië de vangst te traceren van de Antarctische tandvis en garnalen.
SDG14 sleuteldoel 5: Bescherm kust- en zeegebieden
Voorbeeld 9: CoralNET en verzamelpunt van AI-gerelateerde informatie waar de gezondheid van koraalriffen wordt bestudeerd. Er wordt gebruik gemaakt van neurale netwerken.
Voorbeeld 10: CORail lijkt hierop, maar is een internationaal partnerschap van Intel, Accenture en de Sulubaaï Enironmental Foundation (op de Filipijnen). De organisatie verzamelt rifgegevens door middel van met AI-gestuurde video-analyse, camera’s in de oceaan. Het materiaal staat ter beschikking van researchers die strategieën kunnen opstellen ter bescherming van het koraal.
SDG15, Leven op land, telt negen sleuteldoelen die problemen als ontbossing, degradatie van landbouwgrond en verwoestijning moeten tegengaan. Ook deze ontwikkelingen hebben een verlies aan biodiversiteit tot gevol
SDG 15, sleuteldoel 2: Bevorder duurzaam beheerde bossen
Voorbeeld 11: De onderzoeker F. A. Leal zet ‘artificial neural networks (ANN)’ in om de omvang van ontbossing in kaart te brengen. Vooral de effecten van het ontbossingsproces na aanleg van (clandistiene) wegen is zo over de laatste 30 jaar te volgen.
Voorbeeld 12: ForestNet is een ‘deep learning model’ waarbij met satellietbeelden het verlies van primair regenwoud in Indonesië wordt geregistreerd. Het land telt een van de hoogste ontbossingspercentages ter wereld, met de hoogste CO2-uitstoot.
Voorbeeld 13: NASA gebruikt ‘machine learning-algoritmen’ en supercomputers om over een groot gebied genomen in kaart te brengen hoeveel de bomen buiten een bos aan CO2 opslaan. Het doel van dit project is om de koolstofcyclus van de aarde beter te leren begrijpen en deze te verbeteren.
SDG 15, sleuteldoel 3. Stop de degradatie van landbouwgrond
Voorbeeld 14: Het betreft hier een groot samenwerkingsverband van onderzoekers van de Universiteit van Genève, onderzoekersvan de Nationale Onderzoeksraad van Italië, de Europese Commissie en de European Space Agency. Doel is een kennissysteem te ontwikkelen dat degradatie van land op nationale schaal meet, een ontwikkeling die nu niet of nauwelijks in kaart wordt gebracht. De partijen bouwen hierbij verder op Trends.Earth, een online platform dat bodemdegradatie onderzoekt met behulp van satellietbeelden en wereldwijde gegevens.
SDG 15, sleuteldoel 5. Verminder de afname van natuurlijke gebieden, stof het verlies aan biodiversiteit.
Voorbeeld 15: WILDBOOK is een tool die dieren in afbeeldingen kan herkennen en tellen. Het is een voorbeeld van een geautomatiseerde identificatie dat gebruik maakt van neurale netwerken en algoritmen. Met het systeem kan een nauwkeurigere schatting van populatiegroottes van wilde dieren gemaakt worden, wat vooral met betrekking tot bedreigde diersoorten van belang is.
Voorbeeld 16: CONSERVATION METRICS is een in Californië gevestigd bedrijf dat AI gebruikt om vogels te tellen. Door middel van AI worden audiobestanden 25 dagen aan opnames ontleed, met name van vogels die tegen hoogspanningslijnen vliegen. Het systeem telde zo veel meer doden dan was verwacht. Onderzoekers werken nu aan oplossingen.
SDG 15, sleuteldoel 7, Stop de handel in beschermde diersoorten
Voorbeeld 17: Wildlife Protection Solutions (WPS), een non-profitorganisatie, maakt gebruik van machine learning
en een netwerk van bewegingsdetectoren en camera's om meer stropers te registreren in sneller tempo dan ooit tevoren. Het systeem is naar schatting twee keer zo effectief als eerdere registratiesystemen.
Voorbeeld 18: Protection Assistant for Wildlife Security (PAWS) is een AI-gestuurd systeem ontwikkeld door onderzoekers van de Universiteit van Zuid-Californië. Het systeem past ‘game theorie’ toe op de stroperij. Boswachters krijgen topografische gegevens aangereikt die de kans op het snappen van de stropers maximaliseren. Het systeem is succesvol toegepast in Oeganda en Maleisië.
Voorbeeld 19: Ook Archangel Imaging, een in Groot-Brittannië gevestigde startup, gebruikt AI en satellietcommunicatie om de stroperij van wilde dieren in beschermde gebieden aan te pakken. De technologie hiervoor werd voor het eerst ontwikkeld door ESA Space Solutions. Het systeem heeft de reactietijden op waarnemingen van stropers verkort van een paar uur tot enkele minuten. Wanneer een stroper wordt gedetecteerd door het systeem wordt er een waarschuwing naar het dichtstbijzijnde park of een drone gestuurd.
SDG 15, sleuteldoel 8, Verminder de impact van invasieve uitheemse soorten
Invasieve soorten kunnen planten of dieren zijn, maar ook andere organismes die vreemd zijn in een lokaal ecosysteem. Zulke introducties, vaak door de mens, worden gezien als de grootste bedreiging voor biodiversiteit wereldwijd. Sinds de 17e eeuw zijn hierdoor 40 procent van alle toen bestaande diersoorten verdwenen.
Voorbeeld 20: De onderzoeker T. Jensen testte verschillende machine learning-algoritmen met data over de Kudzu-wijnstok. Deze invasieve plant is afkomstig uit Japan, kan wel stengels aanmaken van 30 meter lengte en overwoekert zo heel snel inheemse planten in delen van de VS. Het doel van de studie is het verbeteren van de automatische detectie van invasieve plantensoorten in bepaalde geografische gebieden.
Voorbeeld 21: De onderzoeker S. Carter ontwikkelde een snelle machine learning benadering om vroegtijdig potentiële indringers te detecteren.
Voorbeeld 22: Onderzoekers van de University of Western Australia en New York University ontwikkelden robot-roofdieren om in een gecontroleerde omgeving muggenvissen te bestrijden. Ook wel bekend als muskietenvis, omdat het larven van muggen eet, is het een van de grootste bedreigingen in zoetwaterecosystemen ter wereld. Zo eet de vis graag kikkervisjes. De robot ziet eruit als de grootste vijand van de muggenvis, en moet hem verjagen, dan wel zo uitputten dat hij niet meer toekomt aan voortplanting.
Wetenschappers hebben goede hoop dat de positieve effecten van artificial intelligence (AI) onbedoelde negatieve gevolgen zullen overstijgen. AI wordt over het algemeen gedefinieerd als ‘intelligentie door computersystemen’, zoals Google Search of zelfstandig rijdende auto’s, waarbij de computer menselijke intelligentie overneemt zoals waarnemen, leren en redeneren.
Angst is er voor een verdere verdieping van de sociale kloof tussen arme en rijke landen, ook voor verdere ongelijkheid tussen bevolkingsgroepen. AI vergt grote energievretende databases, zeker bij het aansturen van zelfrijdende auto’s. De Verenigde Staten, Europa en China beschikken over de middelen om deze ontwikkeling te ondersteunen, maar de meeste Afrikaanse landen niet.
Er zijn echter ook toepassingen waarbij AI wel eens cruciaal zou kunnen zijn voor het bereiken van tal van SDG’s. Computers zijn nu al beter in het monitoren en interpreteren van foto’s, video’s en satellietbeelden van de soortenrijkdom op aarde; dieren, planten, maar ook de het plankton in zee, of de bedreigende stroom aan plastic in de oceanen.
De 22 hoopvolle initiatieven worden gepresenteerd in een helder artikel in het tijdschrift ‘Sustainability’ van dit jaar, door Diane A. Isabella en Mika Westerlund, beiden associate professors, de een in de VS, de ander in Canada. Ze namen de SDG’s als uitgangspunt voor hun verzameling van AI-toepassingen. Dat is nodig, stellen de auteurs, want in 2030 moeten de SDG’s gerealiseerd zijn, dus dit is het ‘decennium van actie’. In hun paper bieden ze ook een framework aan, dat is te gebruiken door overheden, onderwijsinstellingen, bedrijven en maatschappelijke organisaties.
SDG 14, leven onder water, heeft tot doel het behouden en duurzaam gebruiken van oceanen, zeeën en maritieme hulpbronnen. De oceanen vormen het grootste ecosysteem van de planeet en bedekken twee-derde van het aardoppervlak. Oceanen produceren meer dan 50 procent van de zuurstof die wij inademen. Meer dan drie miljard mensen op deze planeet zijn voor hun levensonderhoud afhankelijk van wat er in zee leeft. Maar de chemische samenstelling van het water verandert nu sneller dan in de voorgaande 300 miljoen jaar, met als effecten verzuring en hogere watertemperaturen. Elk jaar verdwijnt zo’n 8 miljoen ton aan (giftige) plastics in de zeeën en oceanen. ‘Dead zones’ zijn het gevolg. Meer dan 40 procent van de wereldbevolking leeft langs de kust en veroorzaakt daar vervuiling. De biodiversiteit op koraalriffen is sinds de jaren ’50 met 60 procent afgenomen. Het onderzoek naar het welzijn van de zee is echter magertjes gefinancierd, stellen wetenschappers. Onderzoeksschepen zijn duur, net als de bijzondere instrumenten en datatechnologie om metingen te verrichten.
SDG 14 Leven in zee
SDG 14 telt zeven sleuteldoelen, waar Isabelle en Westerlund initiatieven voor zochten, die gebaseerd zijn op kunstmatige intelligentie. SDG14 sleuteldoel 1: Verminder watervervuiling.
Voorbeeld 1. OCEAN CLEANUP, het Nederlandse bedrijf, heeft een op AI gebaseerde opschoningssysteem voor de oceaan ontwikkeld, om zo de optimale inzetlocatie te kiezen voor het verzamelen van het drijvende plastic afval. Realtime telemetrie bewaakt de werking van het systeem.
Voorbeeld 2. MARLIT is een web-app die ook de dichtheid van zee-afval detecteert, gebruik makend van 4000 luchtfoto’s van de kust rond Catalonië. In de toekomst worden mogelijk ook drones ingezet, in een volledig geautomatiseerd proces. Belangrijk aan het algoritme van zulke 'deep learning' technieken is dat ook het afval op de bodem van de oceaan in kaart kan worden gebracht, naast de drijvende 1,6 miljoen vierkante meter ‘Great Pacific Garbage Patch’. Andere AI-systemen verzamelen ook gegevens over vervuiling bij de bron, de monding van rivieren.
Voorbeeld 3. Researchers in Tsjechië ontwikkelden mini-robots die zichzelf onder water kunnen voortstuwen, zich aan plastic kunnen hechten en dit in stukjes breken.
SDG14 sleuteldoel 2: Bescherm en herstel ecosystemen
Voorbeeld 4. IBM ontwikkelde autonome door AI aangedreven microscopen die de gezondheid van plankton bestuderen en de resultaten in de cloud delen. Doel is om 3D-modellen van plankton te gaan maken en deze in hun natuurlijke omgeving te monitoren. Plankton is de sleutel voor de identificatie van niveaus van vervuiling. Het is zelfs de basis van de voedselketen en cruciaal voor het voortbestaan van de visserij. De microscopen van IBM signaleren onmiddellijk vervuiling van olie of gif in het water.
SDG14 sleuteldoel 4: Duurzame visserij
Voorbeeld 5: REFIND TECHNOLOGIES in Zweden installeerde AI-software in een vissersboot om te helpen bij het identificeren van ondersoorten van vissen door daarvan foto’s te maken. Dergelijke geautomatiseerde herkenning van beeldherkenning in de visserij maakt de analyse van grote datavolumes mogelijk over het verwijderen van bijvangst door commerciële vissersvloten. De data kunnen ook helpen bij het opsporen van bedreigde vissoorten.
Voorbeeld 6: SATLINK, een Spaanse start-up, gebruikt AI om data te verzamelen om te zien of vissers de quota van de EU niet overschrijden. Met de data kan illegale visvangst worden bestreden. Data kunnen ook in blockchain worden opgenomen, om organisaties te helpen om de gezondheid van ecosystemen in zee te monitoren, maar ook om de gevangen vis te volgen vanaf de vangst tot op het bord, van ‘bait to plate’.
Voorbeeld 7: PROVENANCE, een Brits bedrijf, past ook blockchain toe om end-to end transparantie te creëren in de toeleveringsketens, inclusief visserijproducten.
Voorbeeld 8: OpenSC, een samenwerkingsverband, heeft ook een systeem voor ketentransparantie ontwikkeld om in Patagonië de vangst te traceren van de Antarctische tandvis en garnalen.
SDG14 sleuteldoel 5: Bescherm kust- en zeegebieden
Voorbeeld 9: CoralNET en verzamelpunt van AI-gerelateerde informatie waar de gezondheid van koraalriffen wordt bestudeerd. Er wordt gebruik gemaakt van neurale netwerken.
Voorbeeld 10: CORail lijkt hierop, maar is een internationaal partnerschap van Intel, Accenture en de Sulubaaï Enironmental Foundation (op de Filipijnen). De organisatie verzamelt rifgegevens door middel van met AI-gestuurde video-analyse, camera’s in de oceaan. Het materiaal staat ter beschikking van researchers die strategieën kunnen opstellen ter bescherming van het koraal.
SDG15, Leven op land, telt negen sleuteldoelen die problemen als ontbossing, degradatie van landbouwgrond en verwoestijning moeten tegengaan. Ook deze ontwikkelingen hebben een verlies aan biodiversiteit tot gevol
SDG15, leven op land
SDG 15, sleuteldoel 2: Bevorder duurzaam beheerde bossenVoorbeeld 11: De onderzoeker F. A. Leal zet ‘artificial neural networks (ANN)’ in om de omvang van ontbossing in kaart te brengen. Vooral de effecten van het ontbossingsproces na aanleg van (clandistiene) wegen is zo over de laatste 30 jaar te volgen.
Voorbeeld 12: ForestNet is een ‘deep learning model’ waarbij met satellietbeelden het verlies van primair regenwoud in Indonesië wordt geregistreerd. Het land telt een van de hoogste ontbossingspercentages ter wereld, met de hoogste CO2-uitstoot.
Voorbeeld 13: NASA gebruikt ‘machine learning-algoritmen’ en supercomputers om over een groot gebied genomen in kaart te brengen hoeveel de bomen buiten een bos aan CO2 opslaan. Het doel van dit project is om de koolstofcyclus van de aarde beter te leren begrijpen en deze te verbeteren.
SDG 15, sleuteldoel 3. Stop de degradatie van landbouwgrond
Voorbeeld 14: Het betreft hier een groot samenwerkingsverband van onderzoekers van de Universiteit van Genève, onderzoekersvan de Nationale Onderzoeksraad van Italië, de Europese Commissie en de European Space Agency. Doel is een kennissysteem te ontwikkelen dat degradatie van land op nationale schaal meet, een ontwikkeling die nu niet of nauwelijks in kaart wordt gebracht. De partijen bouwen hierbij verder op Trends.Earth, een online platform dat bodemdegradatie onderzoekt met behulp van satellietbeelden en wereldwijde gegevens.
SDG 15, sleuteldoel 5. Verminder de afname van natuurlijke gebieden, stof het verlies aan biodiversiteit.
Voorbeeld 15: WILDBOOK is een tool die dieren in afbeeldingen kan herkennen en tellen. Het is een voorbeeld van een geautomatiseerde identificatie dat gebruik maakt van neurale netwerken en algoritmen. Met het systeem kan een nauwkeurigere schatting van populatiegroottes van wilde dieren gemaakt worden, wat vooral met betrekking tot bedreigde diersoorten van belang is.
Voorbeeld 16: CONSERVATION METRICS is een in Californië gevestigd bedrijf dat AI gebruikt om vogels te tellen. Door middel van AI worden audiobestanden 25 dagen aan opnames ontleed, met name van vogels die tegen hoogspanningslijnen vliegen. Het systeem telde zo veel meer doden dan was verwacht. Onderzoekers werken nu aan oplossingen.
SDG 15, sleuteldoel 7, Stop de handel in beschermde diersoorten
Voorbeeld 17: Wildlife Protection Solutions (WPS), een non-profitorganisatie, maakt gebruik van machine learning
en een netwerk van bewegingsdetectoren en camera's om meer stropers te registreren in sneller tempo dan ooit tevoren. Het systeem is naar schatting twee keer zo effectief als eerdere registratiesystemen.
Voorbeeld 18: Protection Assistant for Wildlife Security (PAWS) is een AI-gestuurd systeem ontwikkeld door onderzoekers van de Universiteit van Zuid-Californië. Het systeem past ‘game theorie’ toe op de stroperij. Boswachters krijgen topografische gegevens aangereikt die de kans op het snappen van de stropers maximaliseren. Het systeem is succesvol toegepast in Oeganda en Maleisië.
Voorbeeld 19: Ook Archangel Imaging, een in Groot-Brittannië gevestigde startup, gebruikt AI en satellietcommunicatie om de stroperij van wilde dieren in beschermde gebieden aan te pakken. De technologie hiervoor werd voor het eerst ontwikkeld door ESA Space Solutions. Het systeem heeft de reactietijden op waarnemingen van stropers verkort van een paar uur tot enkele minuten. Wanneer een stroper wordt gedetecteerd door het systeem wordt er een waarschuwing naar het dichtstbijzijnde park of een drone gestuurd.
SDG 15, sleuteldoel 8, Verminder de impact van invasieve uitheemse soorten
Invasieve soorten kunnen planten of dieren zijn, maar ook andere organismes die vreemd zijn in een lokaal ecosysteem. Zulke introducties, vaak door de mens, worden gezien als de grootste bedreiging voor biodiversiteit wereldwijd. Sinds de 17e eeuw zijn hierdoor 40 procent van alle toen bestaande diersoorten verdwenen.
Voorbeeld 20: De onderzoeker T. Jensen testte verschillende machine learning-algoritmen met data over de Kudzu-wijnstok. Deze invasieve plant is afkomstig uit Japan, kan wel stengels aanmaken van 30 meter lengte en overwoekert zo heel snel inheemse planten in delen van de VS. Het doel van de studie is het verbeteren van de automatische detectie van invasieve plantensoorten in bepaalde geografische gebieden.
Voorbeeld 21: De onderzoeker S. Carter ontwikkelde een snelle machine learning benadering om vroegtijdig potentiële indringers te detecteren.
Voorbeeld 22: Onderzoekers van de University of Western Australia en New York University ontwikkelden robot-roofdieren om in een gecontroleerde omgeving muggenvissen te bestrijden. Ook wel bekend als muskietenvis, omdat het larven van muggen eet, is het een van de grootste bedreigingen in zoetwaterecosystemen ter wereld. Zo eet de vis graag kikkervisjes. De robot ziet eruit als de grootste vijand van de muggenvis, en moet hem verjagen, dan wel zo uitputten dat hij niet meer toekomt aan voortplanting.