Exploration of digital technologies towards sustainable Biodiversity Net Gain

Biodiversity Net Gain (BNG) is a policy-driven initiative designed to ensure that natural habitats are left in a measurably improved state following development. Traditional BNG assessments rely on manual ecological surveys, which are time-consuming and prone to subjective biases. This study explores the integration of digital twin technology, artificial intelligence (AI), and machine learning (ML) to automate BNG assessments, enhancing the accuracy and efficiency of habitat monitoring. The research employs a multi-modal approach, leveraging satellite imagery, drone-based remote sensing, and ground-level camera data to classify land cover, detect plant species, assess habitat conditions, and identify vegetation anomalies such as disease. Deep learning models, including Convolutional Neural Networks (CNNs) and object detection architectures like YOLO, are trained on diverse datasets to evaluate their effectiveness in automating BNG assessments. The results demonstrate that AI-powered models show promise in automating BNG initiatives. However, challenges such as data scarcity, resolution limitations, and ecological variability remain significant, highlighting the need of human supervision. This study demonstrates both the potential and limitations of AI-driven digital twin frameworks for biodiversity conservation, providing a foundation for future research in AI-assisted environmental monitoring.

Biodiversity Net Gain (BNG) è un'iniziativa guidata da politiche governative per garantire che gli habitat naturali vengano lasciati in uno stato misurabilmente migliorato a seguito di un progetto sul territorio. Le valutazioni tradizionali del BNG si basano su sondaggi ecologici manuali, che sono dispendiosi in termini di tempo e soggetti a bias individuali. Questo studio esplora l'integrazione della tecnologia dei gemelli digitali, dell'intelligenza artificiale (IA) e dell'apprendimento automatico (ML) per automatizzare le valutazioni del BNG, migliorando l'accuratezza e l'efficienza del monitoraggio degli habitat. La ricerca adotta un approccio multimodale, sfruttando immagini satellitari, telerilevamento tramite droni e dati da fotocamere a livello del suolo per classificare l'uso del territorio, rilevare specie vegetali, valutare le condizioni degli habitat e identificare anomalie vegetali come le malattie. I modelli di deep learning, inclusi le Reti Neurali Convoluzionali (CNN) e architetture di rilevamento degli oggetti come YOLO, sono addestrati su dataset diversi per valutarne l'efficacia nell'automazione delle valutazioni del BNG. I risultati dimostrano che i modelli basati sull'IA rivelano promettenti potenzialità nell'automatizzare le iniziative di BNG. Tuttavia, restano sfide significative come la scarsità dei dati, le limitazioni di risoluzione e la variabilità ecologica, evidenziando la necessità di supervisione umana. Questo studio dimostra sia il potenziale che le limitazioni dei framework di gemelli digitali basati su IA per la conservazione della biodiversità, fornendo una base per future ricerche sul monitoraggio ambientale assistito dall'IA.