Los científicos están utilizando el aprendizaje automático para pronosticar la migración de las aves e identificarlas en vuelo mediante sus llamadas.

Con chatbots como ChatGPT haciendo un chapoteo, el aprendizaje automático está desempeñando un papel cada vez más destacado en nuestras vidas.Para muchos de nosotros, ha sido una mezcla de cosas.Nos alegramos cuando nuestra lista de reproducción Spotify For You nos encuentra un nuevo tema, pero gemimos cuando nos desplazamos por una gran cantidad de anuncios específicos en nuestros feeds de Instagram.

El aprendizaje automático también está cambiando muchos campos que pueden parecer sorprendentes.Un ejemplo es mi disciplina, la ornitología – el estudio de las aves.No se trata sólo de resolver algunos de los mayores desafíos asociados con el estudio de la migración de las aves;En términos más generales, el aprendizaje automático está ampliando las formas en que las personas interactúan con las aves.A medida que aumenta la migración de primavera, he aquí un vistazo a cómo el aprendizaje automático está influyendo en las formas de investigar las aves y, en última instancia, de protegerlas.

El desafío de conservar las aves migratorias

La mayoría de las aves en el hemisferio occidental migrar dos veces al año, volando sobre continentes enteros entre sus zonas de reproducción y no reproducción.Si bien estos viajes son impresionantes, exponen a las aves a muchos peligros en el camino, incluyendo clima extremo, escasez de alimentos y contaminación lumínica que pueden atraer pájaros y hacer que choquen con edificios.

Nuestra capacidad para proteger a las aves migratorias es tan buena como la ciencia que nos dice adónde van.Y esa ciencia ha recorrido un largo camino.

En 1920, EE.UU.El Servicio Geológico lanzó el Laboratorio de anillamiento de aves, encabezando un esfuerzo para colocar bandas con marcadores únicos en las aves y luego volver a capturarlas en nuevos lugares para descubrir adónde viajaron.Hoy en día, los investigadores pueden colocar una variedad de etiquetas de seguimiento livianas en las aves para descubrir sus rutas migratorias.Estas herramientas han descubierto los patrones espaciales de dónde y cuándo migran aves de muchas especies.

Sin embargo, el seguimiento de aves tiene limitaciones.Por un lado, más 4 mil millones de aves migran en todo el continente cada año.Incluso con equipos cada vez más asequibles, la cantidad de aves que rastreamos es una gota en el mar.E incluso dentro de una especie, el comportamiento migratorio puede variar según el sexo o la población.

Además, los datos de seguimiento nos dicen dónde han estado las aves, pero no necesariamente nos dicen hacia dónde se dirigen.La migración es dinámica y los climas y paisajes por los que vuelan las aves cambian constantemente.Eso significa que es crucial poder predecir sus movimientos.

Uso del aprendizaje automático para pronosticar la migración

Aquí es donde entra en juego el aprendizaje automático.El aprendizaje automático es un subcampo de la inteligencia artificial que brinda a las computadoras la capacidad de aprender tareas o asociaciones sin estar programadas explícitamente.Lo usamos para entrenar algoritmos que abordan diversas tareas, desde pronóstico del tiempo a prediciendo las sorpresas de March Madness.

Pero la aplicación del aprendizaje automático requiere datos, y cuantos más datos, mejor.Afortunadamente, los científicos han recopilado sin darse cuenta décadas de datos sobre aves migratorias a través del Sistema de radar meteorológico de próxima generación.Esta red, conocida como NEXRAD, se utiliza para medir la dinámica climática y ayudar a predecir eventos climáticos futuros, pero también capta señales de aves mientras vuelan a través de la atmósfera.

pájarocast es un proyecto colaborativo de la Universidad Estatal de Colorado, el Laboratorio de Ornitología de Cornell y la Universidad de Massachusetts que busca aprovechar esos datos para cuantificar la migración de las aves.El aprendizaje automático es fundamental para sus operaciones.Los investigadores saben desde la década de 1940 que Los pájaros aparecen en el radar meteorológico., pero para que esos datos sean útiles, debemos eliminar el desorden no aviar e identificar qué escaneos contienen movimiento de aves.

Este proceso sería laborioso a mano, pero al entrenar algoritmos para identificar la actividad de las aves, hemos automatizado este proceso y desbloqueado décadas de datos sobre migración.Y el aprendizaje automático permite al equipo de BirdCast ir más allá:Al entrenar un algoritmo para aprender qué condiciones atmosféricas están asociadas con la migración, podemos usar las condiciones previstas para producir Pronósticos de migración en todo el territorio continental de EE. UU.

BirdCast comenzó a emitir estas previsiones en 2018 y se ha convertido en una herramienta popular en la comunidad de observación de aves.Muchos usuarios pueden reconocer que los datos del radar ayudan a producir estos pronósticos, pero pocos se dan cuenta de que son producto del aprendizaje automático.

Actualmente estos pronósticos no pueden decirnos qué especies hay en el aire, pero eso podría estar cambiando.El año pasado, investigadores del Laboratorio de Ornitología de Cornell publicaron un sistema automatizado que utiliza el aprendizaje automático para detectar e identificar llamadas de vuelos nocturnos.Estas son llamadas específicas de cada especie que hacen las aves mientras migran.La integración de este enfoque con BirdCast podría brindarnos una imagen más completa de la migración.

Estos avances ejemplifican cuán efectivo puede ser el aprendizaje automático cuando está guiado por la experiencia en el campo donde se aplica.como un estudiante de doctorado, me uní Laboratorio de Aeroecología de la Universidad Estatal de Colorado con una sólida formación en ornitología pero sin experiencia en aprendizaje automático.En cambio, Ali Khalighifar, un investigador postdoctoral en nuestro laboratorio, tiene experiencia en aprendizaje automático pero nunca ha tomado una clase de ornitología.

Juntos, estamos trabajando para mejorar los modelos que hacen funcionar BirdCast, a menudo apoyándonos en los conocimientos de cada uno para hacer avanzar el proyecto.Nuestra colaboración tipifica la convergencia que nos permite utilizar el aprendizaje automático de forma eficaz.

Una herramienta para la participación pública

El aprendizaje automático también está ayudando a los científicos a involucrar al público en la conservación.Por ejemplo, los pronósticos producidos por el equipo de BirdCast se utilizan a menudo para informar Luces apagadas campañas.

Estas iniciativas buscan reducir la luz artificial de las ciudades, que atrae a las aves migratorias y aumenta sus posibilidades de colisionar con estructuras construidas por humanos, como edificios y torres de comunicación.Las campañas Lights Out pueden movilizar a las personas para ayudar a proteger a las aves con solo presionar un interruptor.

Como otro ejemplo, la aplicación de identificación de aves Merlín busca crear tecnología que facilite la observación de aves para todos.En 2021, el personal de Merlin lanzó una función que automatiza la identificación de canciones y llamadas, lo que permite a los usuarios identificar lo que están escuchando en tiempo real, como un versión ornitológica de Shazam.

Esta característica ha abierto la puerta para que millones de personas interactúen con sus espacios naturales de una manera nueva.El aprendizaje automático es una gran parte de lo que lo hizo posible.

"Sound ID es nuestro mayor éxito en términos de replicar la experiencia mágica de observar aves con un naturalista experto", me dijo Grant Van Horn, investigador del Laboratorio de Ornitología de Cornell que ayudó a desarrollar el algoritmo detrás de esta característica.

Tomando vuelo

Las oportunidades para aplicar el aprendizaje automático en ornitología no harán más que aumentar.A medida que miles de millones de aves migren sobre América del Norte hacia sus zonas de reproducción esta primavera, la gente participará en estos vuelos de nuevas maneras, gracias a proyectos como BirdCast y Merlin.Pero ese compromiso es recíproco:Los datos que recopilen los observadores de aves abrirán nuevas oportunidades para aplicar el aprendizaje automático.

Las computadoras no pueden hacer este trabajo por sí mismas.“Cualquier proyecto exitoso de aprendizaje automático tiene un enorme componente humano.Ésa es la razón por la que estos proyectos están teniendo éxito”, me dijo Van Horn.