Les scientifiques utilisent l'apprentissage automatique pour prévoir la migration des oiseaux et identifier les oiseaux en vol grâce à leurs cris.

Avec des chatbots comme ChatGPT faire sensation, l'apprentissage automatique joue un rôle de plus en plus important dans nos vies.Pour beaucoup d’entre nous, la situation est mitigée.Nous nous réjouissons lorsque notre playlist Spotify For You nous trouve un nouveau jam, mais gémissons lorsque nous parcourons une multitude de publicités ciblées sur nos flux Instagram.

Le machine learning bouleverse également de nombreux domaines qui peuvent paraître surprenants.Un exemple est ma discipline, l'ornithologie – l'étude des oiseaux.Il ne s’agit pas seulement de résoudre certains des plus grands défis associés à l’étude de la migration des oiseaux ;plus largement, l’apprentissage automatique élargit les façons dont les gens interagissent avec les oiseaux.Alors que la migration printanière s’accélère, voici un aperçu de la manière dont l’apprentissage automatique influence les méthodes de recherche sur les oiseaux et, en fin de compte, leur protection.

Le défi de la conservation des oiseaux migrateurs

La plupart des oiseaux de l'hémisphère occidental migrer deux fois par an, survolant des continents entiers entre leurs aires de reproduction et celles de non-reproduction.Bien que ces voyages soient impressionnants, ils exposent les oiseaux à de nombreux dangers en cours de route, notamment conditions météorologiques extrêmes, pénuries alimentaires et pollution lumineuse cela peut attirer les oiseaux et les amener à entrer en collision avec les bâtiments.

Notre capacité à protéger les oiseaux migrateurs dépend de la science qui nous indique où ils vont.Et cette science a parcouru un long chemin.

En 1920, les États-UnisLa Commission géologique a lancé le Laboratoire de baguage des oiseaux, à la tête d'un effort visant à mettre des bagues avec des marqueurs uniques sur les oiseaux, puis à recapturer les oiseaux dans de nouveaux endroits pour déterminer où ils ont voyagé.Aujourd'hui, les chercheurs peuvent déployer une variété d'étiquettes de suivi légères sur les oiseaux pour découvrir leurs itinéraires de migration.Ces outils ont découvert les modèles spatiaux de où et quand migrent les oiseaux de nombreuses espèces.

Cependant, le suivi des oiseaux a ses limites.D'une part, fini 4 milliards d'oiseaux migrent à travers le continent chaque année.Même avec un équipement de plus en plus abordable, le nombre d’oiseaux que nous suivons ne représente qu’une goutte d’eau dans l’océan.Et même au sein d’une espèce, le comportement migratoire peut varier selon le sexe ou la population.

De plus, les données de suivi nous indiquent où se trouvent les oiseaux, mais elles ne nous disent pas nécessairement où ils vont.La migration est dynamique et les climats et les paysages traversés par les oiseaux changent constamment.Cela signifie qu’il est crucial de pouvoir prédire leurs mouvements.

Utiliser l’apprentissage automatique pour prévoir la migration

C’est là qu’intervient l’apprentissage automatique.L'apprentissage automatique est un sous-domaine de l'intelligence artificielle qui donne aux ordinateurs la capacité d'apprendre des tâches ou des associations sans être explicitement programmés.Nous l'utilisons pour former des algorithmes qui s'attaquent à diverses tâches, de prévisions météorologiques à prédire les bouleversements de March Madness.

Mais l’application du machine learning nécessite des données – et plus il y en a, mieux c’est.Heureusement, les scientifiques ont par inadvertance compilé des décennies de données sur les oiseaux migrateurs à travers le monde. Système de radar météorologique de nouvelle génération.Ce réseau, connu sous le nom de NEXRAD, est utilisé pour mesurer la dynamique météorologique et aider à prédire les événements météorologiques futurs, mais il capte également les signaux des oiseaux lorsqu'ils volent dans l'atmosphère.

OiseauDistribution est un projet collaboratif de l'Université d'État du Colorado, du Cornell Lab of Ornithology et de l'Université du Massachusetts qui cherche à exploiter ces données pour quantifier la migration des oiseaux.L'apprentissage automatique est au cœur de ses opérations.Les chercheurs savent depuis les années 1940 que des oiseaux apparaissent sur le radar météorologique, mais pour rendre ces données utiles, nous devons supprimer le fouillis non aviaire et identifier les analyses contenant des mouvements d'oiseaux.

Ce processus serait fastidieux à la main – mais en entraînant des algorithmes pour identifier l’activité des oiseaux, nous avons automatisé ce processus et débloqué des décennies de données sur la migration.Et le machine learning permet à l’équipe BirdCast d’aller plus loin :En entraînant un algorithme pour savoir quelles conditions atmosphériques sont associées à la migration, nous pouvons utiliser les conditions prédites pour produire prévisions de migration à travers la zone continentale des États-Unis

BirdCast a commencé à diffuser ces prévisions en 2018 et est devenu un outil populaire dans la communauté des ornithologues amateurs.De nombreux utilisateurs reconnaissent peut-être que les données radar contribuent à produire ces prévisions, mais rares sont ceux qui réalisent qu’il s’agit d’un produit de l’apprentissage automatique.

Actuellement, ces prévisions ne peuvent pas nous dire quelles espèces sont dans l’air, mais cela pourrait changer.L'année dernière, des chercheurs du Cornell Lab of Ornithology ont publié un système automatisé qui utilise l'apprentissage automatique pour détecter et identifier les appels de vols nocturnes.Il s’agit de cris spécifiques à une espèce que les oiseaux émettent lors de leur migration.L'intégration de cette approche avec BirdCast pourrait nous donner une image plus complète de la migration.

Ces avancées illustrent à quel point l’apprentissage automatique peut être efficace lorsqu’il est guidé par une expertise dans le domaine où il est appliqué.En tant que doctorant, j'ai rejoint Laboratoire d'aéroécologie de l'Université d'État du Colorado avec une solide expérience en ornithologie mais aucune expérience en apprentissage automatique.Inversement, Ali Khalighifar, chercheur postdoctoral dans notre laboratoire, a une formation en apprentissage automatique mais n'a jamais suivi de cours d'ornithologie.

Ensemble, nous travaillons à améliorer les modèles qui font fonctionner BirdCast, en nous appuyant souvent sur les idées de chacun pour faire avancer le projet.Notre collaboration est typique de la convergence qui nous permet d'utiliser efficacement l'apprentissage automatique.

Un outil pour l’engagement du public

L’apprentissage automatique aide également les scientifiques à impliquer le public dans la conservation.Par exemple, les prévisions produites par l'équipe BirdCast sont souvent utilisées pour informer Extinction des feux campagnes.

Ces initiatives visent à réduire la lumière artificielle des villes, qui attire les oiseaux migrateurs et augmente leurs chances de entrer en collision avec des structures construites par l'homme, comme les bâtiments et les tours de communication.Les campagnes Lights Out peuvent mobiliser les gens pour aider à protéger les oiseaux en un simple clic.

Comme autre exemple, l'application d'identification des oiseaux Merlin cherche à créer une technologie qui facilite l’observation des oiseaux pour tout le monde.En 2021, l'équipe de Merlin a lancé une fonctionnalité qui automatise l'identification des chansons et des appels, permettant aux utilisateurs d'identifier ce qu'ils entendent en temps réel, comme un version ornithologique de Shazam.

Cette fonctionnalité a permis à des millions de personnes de s’engager d’une nouvelle manière dans leurs espaces naturels.L’apprentissage automatique est une grande partie de ce qui a rendu cela possible.

"Sound ID est notre plus grand succès en termes de reproduction de l'expérience magique de l'observation des oiseaux avec un naturaliste qualifié", m'a dit Grant Van Horn, chercheur au Cornell Lab of Ornithology qui a aidé à développer l'algorithme derrière cette fonctionnalité.

Envol

Les opportunités d’application de l’apprentissage automatique en ornithologie ne feront qu’augmenter.Alors que des milliards d’oiseaux migreront au-dessus de l’Amérique du Nord vers leurs aires de reproduction ce printemps, les gens participeront à ces vols de nouvelles manières, grâce à des projets comme BirdCast et Merlin.Mais cet engagement est réciproque :Les données collectées par les ornithologues amateurs ouvriront de nouvelles opportunités pour appliquer l’apprentissage automatique.

Les ordinateurs ne peuvent pas effectuer ce travail eux-mêmes.« Tout projet d’apprentissage automatique réussi comporte une énorme composante humaine.C’est la raison pour laquelle ces projets réussissent », m’a dit Van Horn.