科学家正在使用机器学习来预测鸟类迁徙并通过叫声识别飞行中的鸟类

使用 ChatGPT 等聊天机器人 引起轰动, ，机器学习在我们的生活中发挥着越来越重要的作用。对于我们许多人来说，这是一个好坏参半的情况。当我们的 Spotify For You 播放列表为我们找到了新的果酱时，我们会很高兴，但当我们滚动浏览 Instagram feed 上的大量有针对性的广告时，我们会感到叹息。

机器学习也正在改变许多看似令人惊讶的领域。一个例子是 我的学科，鸟类学——对鸟类的研究. 。它不仅解决了与研究鸟类迁徙相关的一些最大挑战；更广泛地说，机器学习正在扩展人们与鸟类互动的方式。随着春季迁徙的增多，以下是机器学习如何影响鸟类研究并最终保护鸟类的方式。

保护候鸟的挑战

西半球大多数鸟类 每年迁移两次, ，在繁殖地和非繁殖地之间飞越整个大陆。虽然这些旅程令人惊叹，但它们使鸟类在途中面临许多危险，包括 极端天气, 食物短缺 和 光污染 这会吸引鸟类并导致它们与建筑物相撞。

我们保护候鸟的能力取决于科学告诉我们候鸟的去向。还有那个科学 已经走了很长的路.

1920年，美国地质调查局启动 鸟类环志实验室, ，带头努力在鸟类身上贴上带有独特标记的带子，然后在新的地方重新捕获这些鸟类，以找出它们的旅行地点。如今，研究人员可以在鸟类身上部署各种轻型跟踪标签，以发现它们的迁徙路线。这些工具揭示了空间模式 许多物种的鸟类迁徙的地点和时间.

然而，追踪鸟类也有局限性。一方面，结束了 40亿只鸟类迁徙 每年都会穿越整个大陆。即使设备越来越便宜，我们追踪的鸟类数量也只是九牛一毛。即使在一个物种内，迁徙行为也可能因性别或种群而异。

此外，跟踪数据告诉我们鸟类去过哪里，但不一定告诉我们它们要去哪里。迁徙是动态的，鸟类飞过的气候和景观不断变化。这意味着能够预测他们的动作至关重要。

使用机器学习来预测迁移

这就是机器学习的用武之地。机器学习是人工智能的一个子领域，它使计算机能够在无需明确编程的情况下学习任务或关联。我们用它来训练处理各种任务的算法，从 预报天气 到 预测“疯狂三月”令人不安.

但应用机器学习需要数据——数据越多越好。幸运的是，科学家们无意中收集了数十年有关候鸟迁徙的数据。 下一代天气雷达系统. 。该网络被称为 NEXRAD，用于测量天气动态并帮助预测未来的天气事件，但它也会接收鸟类飞过大气层时发出的信号。

鸟播 是科罗拉多州立大学、康奈尔鸟类学实验室和马萨诸塞大学的一个合作项目，旨在利用这些数据来量化鸟类迁徙。机器学习是其运营的核心。研究人员自 20 世纪 40 年代以来就知道 鸟类出现在气象雷达上, ，但为了使这些数据有用，我们需要消除非鸟类的杂波并识别哪些扫描包含鸟类的运动。

这个过程如果手工完成会很辛苦，但通过训练算法来识别鸟类活动，我们已经自动化了这个过程并解锁了数十年的迁徙数据。机器学习使 BirdCast 团队能够更进一步：通过训练算法来了解哪些大气条件与迁移相关，我们可以使用预测条件来生成 对美国大陆移民的预测

BirdCast 于 2018 年开始广播这些预测，并已成为 观鸟社区中流行的工具. 。许多用户可能认识到雷达数据有助于做出这些预测，但很少有人意识到这是机器学习的产物。

目前这些预测无法告诉我们空气中有哪些物种，但这可能正在改变。去年，康奈尔鸟类学实验室的研究人员发布了一个自动化系统，该系统使用机器学习来 检测和识别夜间航班呼叫. 。这些是鸟类在迁徙时发出的特定物种的叫声。将这种方法与 BirdCast 集成可以让我们更全面地了解迁徙情况。

这些进步证明了机器学习在应用领域的专业知识指导下可以多么有效。作为一个 博士生, ，我加入了 科罗拉多州立大学空气生态实验室 具有深厚的鸟类学背景，但没有机器学习经验。反过来， 阿里·哈利吉法尔, 我们实验室的博士后研究员，有机器学习背景，但从未上过鸟类学课程。

我们共同努力增强 BirdCast 运行的模型，经常依靠彼此的见解来推动项目向前发展。我们的合作代表了融合，使我们能够有效地使用机器学习。

公众参与的工具

机器学习还帮助科学家让公众参与保护工作。例如，BirdCast 团队制作的预测通常用于通知 熄灯 活动。

这些举措旨在减少城市的人造光，因为人造光吸引了候鸟并增加了它们的机会 与人造建筑物碰撞, ，例如建筑物和通讯塔。“熄灯”活动可以动员人们通过按下开关来帮助保护鸟类。

再举个例子， Merlin 鸟类识别应用程序 致力于创造技术，让每个人都能更轻松地观鸟。2021 年，Merlin 工作人员发布了一项自动识别歌曲和通话的功能，允许用户实时识别他们所听到的内容，例如 Shazam 的鸟类学版本.

这一功能为数百万人以新的方式接触自然空间打开了大门。机器学习是使其成为可能的重要组成部分。

“声音 ID 是我们在复制与熟练的博物学家一起观鸟的神奇体验方面取得的最大成功，”康奈尔鸟类学实验室的研究员格兰特·范·霍恩 (Grant Van Horn) 告诉我，他帮助开发了这一功能背后的算法。

起飞

在鸟类学中应用机器学习的机会只会增加。今年春天，随着数十亿只鸟类从北美迁徙到它们的繁殖地，得益于 BirdCast 和 Merlin 等项目，人们将以新的方式参与这些飞行。但这种参与是相互的：观鸟者收集的数据将为应用机器学习带来新的机会。

计算机本身无法完成这项工作。“任何成功的机器学习项目都有巨大的人力成分。这就是这些项目取得成功的原因，”范霍恩对我说。