Wissenschaftler nutzen maschinelles Lernen, um den Vogelzug vorherzusagen und fliegende Vögel anhand ihrer Rufe zu identifizieren

Mit Chatbots wie ChatGPT für Furore sorgen, Maschinelles Lernen spielt in unserem Leben eine immer wichtigere Rolle.Für viele von uns war es eine gemischte Situation.Wir freuen uns, wenn unsere „Spotify For You“-Playlist einen neuen Song für uns findet, stöhnen aber, während wir durch eine Menge zielgerichteter Werbung in unseren Instagram-Feeds scrollen.

Maschinelles Lernen verändert auch viele Bereiche, die vielleicht überraschend erscheinen.Ein Beispiel ist meine Disziplin, Ornithologie – das Studium der Vögel.Es geht nicht nur darum, einige der größten Herausforderungen im Zusammenhang mit der Untersuchung des Vogelzugs zu lösen;Im weiteren Sinne erweitert maschinelles Lernen die Art und Weise, wie Menschen mit Vögeln interagieren.Während der Frühlingszug zunimmt, erfahren Sie hier, wie maschinelles Lernen die Art und Weise beeinflusst, wie Vögel erforscht und letztendlich geschützt werden.

Die Herausforderung, Zugvögel zu schützen

Die meisten Vögel der westlichen Hemisphäre zwei Mal im Jahr migrieren, Sie fliegen über ganze Kontinente zwischen ihren Brut- und Nichtbrutgebieten.Während diese Reisen beeindruckend sind, setzen sie Vögel unterwegs vielen Gefahren aus, darunter extremes Wetter, Nahrungsmittelknappheit Und Lichtverschmutzung Dies kann Vögel anlocken und dazu führen, dass sie mit Gebäuden kollidieren.

Unsere Fähigkeit, Zugvögel zu schützen, ist nur so gut wie die Wissenschaft, die uns sagt, wohin sie fliegen.Und diese Wissenschaft hat einen langen Weg zurückgelegt.

Im Jahr 1920 haben die USAGeological Survey startete die Vogelbeobachtungslabor, was den Versuch vorantreibt, Bänder mit einzigartigen Markierungen an Vögeln anzubringen und die Vögel dann an neuen Orten wieder einzufangen, um herauszufinden, wohin sie gereist sind.Heutzutage können Forscher eine Vielzahl leichter Tracking-Tags an Vögeln anbringen, um ihre Migrationsrouten zu ermitteln.Diese Werkzeuge haben die räumlichen Muster von aufgedeckt wo und wann Vögel vieler Arten wandern.

Die Verfolgung von Vögeln unterliegt jedoch Einschränkungen.Zum einen vorbei 4 Milliarden Vögel ziehen jedes Jahr auf dem ganzen Kontinent.Selbst mit immer erschwinglicherer Ausrüstung ist die Anzahl der Vögel, die wir verfolgen, ein Tropfen auf den heißen Stein.Und selbst innerhalb einer Art kann das Migrationsverhalten je nach Geschlecht oder Population unterschiedlich sein.

Darüber hinaus verraten uns Trackingdaten, wo sich Vögel aufgehalten haben, sagen uns aber nicht unbedingt, wohin sie gehen.Die Migration ist dynamisch und das Klima und die Landschaften, durch die Vögel fliegen, ändern sich ständig.Deshalb ist es wichtig, ihre Bewegungen vorhersagen zu können.

Verwendung von maschinellem Lernen zur Vorhersage der Migration

Hier kommt maschinelles Lernen ins Spiel.Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, das Computern die Fähigkeit verleiht, Aufgaben oder Zusammenhänge zu lernen, ohne explizit programmiert zu werden.Wir trainieren damit Algorithmen, die verschiedene Aufgaben bewältigen, von Wettervorhersage Zu Vorhersage von Überraschungen im March Madness.

Aber die Anwendung von maschinellem Lernen erfordert Daten – und je mehr Daten, desto besser.Glücklicherweise haben Wissenschaftler versehentlich jahrzehntelange Daten über durchziehende Vögel zusammengestellt Wetterradarsystem der nächsten Generation.Dieses als NEXRAD bekannte Netzwerk wird zur Messung der Wetterdynamik und zur Vorhersage zukünftiger Wetterereignisse verwendet, es empfängt aber auch Signale von Vögeln, wenn sie durch die Atmosphäre fliegen.

BirdCast ist ein Gemeinschaftsprojekt der Colorado State University, des Cornell Lab of Ornithology und der University of Massachusetts, das darauf abzielt, diese Daten zur Quantifizierung des Vogelzugs zu nutzen.Maschinelles Lernen ist für den Betrieb von zentraler Bedeutung.Das wissen Forscher seit den 1940er Jahren Vögel tauchen auf dem Wetterradar auf, aber um diese Daten nutzbar zu machen, müssen wir Nicht-Vogel-Störungen beseitigen und identifizieren, welche Scans Vogelbewegungen enthalten.

Dieser Prozess wäre von Hand mühsam – aber durch das Training von Algorithmen zur Identifizierung der Vogelaktivität haben wir diesen Prozess automatisiert und jahrzehntelange Migrationsdaten erschlossen.Und maschinelles Lernen ermöglicht es dem BirdCast-Team, noch einen Schritt weiter zu gehen:Indem wir einen Algorithmus trainieren, um zu lernen, welche atmosphärischen Bedingungen mit der Migration verbunden sind, können wir vorhergesagte Bedingungen für die Produktion nutzen Prognosen zur Migration über die kontinentalen USA.

BirdCast begann 2018 mit der Ausstrahlung dieser Prognosen und hat es geschafft ein beliebtes Werkzeug in der Vogelbeobachtungsgemeinschaft.Viele Benutzer erkennen vielleicht, dass Radardaten bei der Erstellung dieser Vorhersagen helfen, aber nur wenige erkennen, dass es sich dabei um ein Produkt maschinellen Lernens handelt.

Derzeit können uns diese Prognosen nicht sagen, welche Arten in der Luft sind, aber das könnte sich ändern.Letztes Jahr veröffentlichten Forscher des Cornell Lab of Ornithology ein automatisiertes System, das maschinelles Lernen nutzt nächtliche Flugrufe erkennen und identifizieren.Dabei handelt es sich um artspezifische Rufe, die Vögel auf ihrem Zug machen.Die Integration dieses Ansatzes mit BirdCast könnte uns ein umfassenderes Bild der Migration vermitteln.

Diese Fortschritte veranschaulichen, wie effektiv maschinelles Lernen sein kann, wenn es von Fachwissen auf dem Gebiet, in dem es angewendet wird, geleitet wird.Als Doktorand, ich bin beigetreten Aeroecology Lab der Colorado State University mit fundiertem Ornithologie-Hintergrund, aber keiner Erfahrung im maschinellen Lernen.Umgekehrt, Ali Khalighifar, ein Postdoktorand in unserem Labor, hat Erfahrung im maschinellen Lernen, hat aber noch nie einen Ornithologiekurs besucht.

Gemeinsam arbeiten wir daran, die Modelle zu verbessern, die BirdCast zum Laufen bringen, und stützen uns dabei oft auf die Erkenntnisse der anderen, um das Projekt voranzutreiben.Unsere Zusammenarbeit verkörpert die Konvergenz, die es uns ermöglicht, maschinelles Lernen effektiv zu nutzen.

Ein Instrument für öffentliches Engagement

Maschinelles Lernen hilft Wissenschaftlern auch dabei, die Öffentlichkeit für den Naturschutz zu gewinnen.Beispielsweise werden vom BirdCast-Team erstellte Prognosen häufig zur Information genutzt Licht aus Kampagnen.

Diese Initiativen zielen darauf ab, künstliches Licht in Städten zu reduzieren, das Zugvögel anlockt und deren Chancen erhöht Kollision mit von Menschen gebauten Strukturen, wie Gebäude und Kommunikationstürme.Lights Out-Kampagnen können Menschen im Handumdrehen mobilisieren, um zum Vogelschutz beizutragen.

Als weiteres Beispiel: die Merlin-Vogelerkennungs-App möchte eine Technologie entwickeln, die die Vogelbeobachtung für alle einfacher macht.Im Jahr 2021 veröffentlichten die Merlin-Mitarbeiter eine Funktion, die die Identifizierung von Liedern und Anrufen automatisiert und es Benutzern ermöglicht, in Echtzeit zu erkennen, was sie gerade hören, z ornithologische Version von Shazam.

Diese Funktion hat Millionen von Menschen die Tür geöffnet, sich auf neue Weise mit ihren natürlichen Räumen auseinanderzusetzen.Maschinelles Lernen ist ein großer Teil dessen, was dies möglich gemacht hat.

„Sound ID ist unser größter Erfolg, wenn es darum geht, das magische Erlebnis einer Vogelbeobachtung mit einem erfahrenen Naturforscher nachzubilden“, sagte mir Grant Van Horn, ein wissenschaftlicher Mitarbeiter am Cornell Lab of Ornithology, der an der Entwicklung des Algorithmus hinter dieser Funktion beteiligt war.

Flug nehmen

Die Möglichkeiten für die Anwendung maschinellen Lernens in der Ornithologie werden nur zunehmen.Während in diesem Frühjahr Milliarden von Vögeln über Nordamerika zu ihren Brutgebieten ziehen, werden sich die Menschen dank Projekten wie BirdCast und Merlin auf neue Weise mit diesen Flügen beschäftigen.Aber dieses Engagement beruht auf Gegenseitigkeit:Die von Vogelbeobachtern gesammelten Daten eröffnen neue Möglichkeiten für die Anwendung maschinellen Lernens.

Computer können diese Arbeit nicht selbst erledigen.„Jedes erfolgreiche maschinelle Lernprojekt hat eine große menschliche Komponente.Das ist der Grund, warum diese Projekte erfolgreich sind“, sagte Van Horn zu mir.