Gli scienziati stanno utilizzando l'apprendimento automatico per prevedere la migrazione degli uccelli e identificare gli uccelli in volo in base ai loro richiami

Con chatbot come ChatGPT facendo colpo, l’apprendimento automatico gioca un ruolo sempre più importante nelle nostre vite.Per molti di noi è stato un miscuglio.Ci rallegriamo quando la nostra playlist Spotify For You ci trova una nuova jam, ma gemiamo mentre scorriamo una serie di annunci mirati sui nostri feed Instagram.

L’apprendimento automatico sta cambiando anche molti campi che possono sembrare sorprendenti.Un esempio è la mia disciplina, l'ornitologia, lo studio degli uccelli.Non si tratta solo di risolvere alcune delle maggiori sfide associate allo studio della migrazione degli uccelli;più in generale, l’apprendimento automatico sta espandendo i modi in cui le persone interagiscono con gli uccelli.Mentre la migrazione primaverile riprende, ecco uno sguardo a come l’apprendimento automatico sta influenzando i modi di ricercare gli uccelli e, in definitiva, di proteggerli.

La sfida della conservazione degli uccelli migratori

La maggior parte degli uccelli nell'emisfero occidentale migrare due volte l'anno, sorvolando interi continenti tra i luoghi di riproduzione e quelli di non riproduzione.Sebbene questi viaggi siano impressionanti, espongono gli uccelli a molti pericoli lungo il percorso, tra cui condizioni meteorologiche estreme, carenze alimentari E inquinamento luminoso che possono attirare gli uccelli e farli scontrare con gli edifici.

La nostra capacità di proteggere gli uccelli migratori è valida quanto la scienza che ci dice dove vanno.E quella scienza ha fatto molta strada.

Nel 1920, gli Stati UnitiIl Geological Survey ha lanciato il Laboratorio di bird banding, guidando uno sforzo per mettere fasce con indicatori unici sugli uccelli, quindi riconquistare gli uccelli in nuovi posti per capire dove hanno viaggiato.Oggi i ricercatori possono implementare una varietà di tag di tracciamento leggeri sugli uccelli per scoprire le loro rotte migratorie.Questi strumenti hanno scoperto i modelli spaziali di dove e quando migrano gli uccelli di molte specie.

Tuttavia, il monitoraggio degli uccelli presenta dei limiti.Per prima cosa, finita 4 miliardi di uccelli migrano in tutto il continente ogni anno.Anche con attrezzature sempre più convenienti, il numero di uccelli che monitoriamo è una goccia nel mare.E anche all’interno di una specie, il comportamento migratorio può variare a seconda dei sessi o delle popolazioni.

Inoltre, i dati di tracciamento ci dicono dove sono stati gli uccelli, ma non ci dicono necessariamente dove stanno andando.La migrazione è dinamica e i climi e i paesaggi attraverso cui volano gli uccelli cambiano costantemente.Ciò significa che è fondamentale essere in grado di prevedere i loro movimenti.

Utilizzo del machine learning per prevedere la migrazione

È qui che entra in gioco l’apprendimento automatico.L'apprendimento automatico è un sottocampo dell'intelligenza artificiale che offre ai computer la capacità di apprendere compiti o associazioni senza essere esplicitamente programmati.Lo usiamo per addestrare algoritmi che affrontano vari compiti, da previsione del tempo A la previsione di March Madness sconvolge.

Ma l’applicazione dell’apprendimento automatico richiede dati – e più dati sono, meglio è.Fortunatamente, gli scienziati hanno inavvertitamente raccolto decenni di dati sugli uccelli migratori attraverso il Sistema radar meteorologico di nuova generazione.Questa rete, nota come NEXRAD, viene utilizzata per misurare le dinamiche meteorologiche e aiutare a prevedere gli eventi meteorologici futuri, ma raccoglie anche segnali dagli uccelli mentre volano attraverso l'atmosfera.

BirdCast è un progetto di collaborazione della Colorado State University, del Cornell Lab of Ornithology e dell'Università del Massachusetts che cerca di sfruttare tali dati per quantificare la migrazione degli uccelli.L’apprendimento automatico è fondamentale per le sue operazioni.I ricercatori lo sanno fin dagli anni ’40 gli uccelli compaiono sul radar meteorologico, ma per rendere utili questi dati, dobbiamo rimuovere i dati non aviari e identificare quali scansioni contengono movimenti di uccelli.

Questo processo sarebbe faticoso manualmente, ma addestrando gli algoritmi per identificare l’attività degli uccelli, abbiamo automatizzato questo processo e sbloccato decenni di dati sulla migrazione.E l'apprendimento automatico consente al team BirdCast di andare oltre:Addestrando un algoritmo per apprendere quali condizioni atmosferiche sono associate alla migrazione, possiamo utilizzare le condizioni previste per produrre previsioni di migrazione attraverso gli Stati Uniti continentali

BirdCast ha iniziato a trasmettere queste previsioni nel 2018 ed è diventata uno strumento popolare nella comunità degli uccelli.Molti utenti potrebbero riconoscere che i dati radar aiutano a produrre queste previsioni, ma pochi si rendono conto che si tratta di un prodotto dell’apprendimento automatico.

Attualmente queste previsioni non possono dirci quali specie sono presenti nell’aria, ma le cose potrebbero cambiare.L’anno scorso, i ricercatori del Cornell Lab of Ornithology hanno pubblicato un sistema automatizzato che utilizza l’apprendimento automatico rilevare e identificare le chiamate dei voli notturni.Si tratta di richiami specie-specifici che gli uccelli emettono durante la migrazione.L’integrazione di questo approccio con BirdCast potrebbe darci un quadro più completo della migrazione.

Questi progressi esemplificano quanto possa essere efficace il machine learning se guidato dalle competenze nel campo in cui viene applicato.Come a studente di dottorato, mi sono iscritto Laboratorio di aeroecologia della Colorado State University con un forte background in ornitologia ma nessuna esperienza di machine learning.Al contrario, Ali Khalighifar, un ricercatore post-dottorato nel nostro laboratorio, ha esperienza nell'apprendimento automatico ma non ha mai seguito un corso di ornitologia.

Insieme, stiamo lavorando per migliorare i modelli che fanno funzionare BirdCast, spesso appoggiandoci alle reciproche intuizioni per portare avanti il ​​progetto.La nostra collaborazione rappresenta la convergenza che ci consente di utilizzare l'apprendimento automatico in modo efficace.

Uno strumento per il coinvolgimento del pubblico

L’apprendimento automatico sta anche aiutando gli scienziati a coinvolgere il pubblico nella conservazione.Ad esempio, le previsioni prodotte dal team BirdCast vengono spesso utilizzate per informare Luci spente campagne.

Queste iniziative cercano di ridurre la luce artificiale proveniente dalle città, che attira gli uccelli migratori e ne aumenta le possibilità scontrandosi con strutture costruite dall’uomo, come edifici e torri di comunicazione.Le campagne Lights Out possono mobilitare le persone per aiutare a proteggere gli uccelli con un semplice gesto.

Come altro esempio, l'app per l'identificazione degli uccelli Merlin cerca di creare una tecnologia che renda il birdwatching più facile per tutti.Nel 2021, lo staff di Merlin ha rilasciato una funzionalità che automatizza l'identificazione di brani e chiamate, consentendo agli utenti di identificare ciò che stanno ascoltando in tempo reale, come un versione ornitologica di Shazam.

Questa caratteristica ha aperto la strada a milioni di persone per interagire con i propri spazi naturali in un modo nuovo.L’apprendimento automatico è una parte importante di ciò che lo ha reso possibile.

"Sound ID è il nostro più grande successo in termini di replica della magica esperienza di fare birdwatching con un esperto naturalista", mi ha detto Grant Van Horn, un ricercatore del Cornell Lab of Ornithology che ha contribuito a sviluppare l'algoritmo alla base di questa funzione.

Prendere il volo

Le opportunità per applicare l’apprendimento automatico in ornitologia non potranno che aumentare.Mentre miliardi di uccelli migrano sul Nord America verso i loro luoghi di riproduzione questa primavera, le persone si impegneranno in questi voli in modi nuovi, grazie a progetti come BirdCast e Merlin.Ma questo impegno è reciproco:I dati raccolti dagli birdwatcher apriranno nuove opportunità per l’applicazione dell’apprendimento automatico.

I computer non possono fare questo lavoro da soli.“Ogni progetto di machine learning di successo ha un’enorme componente umana.Questo è il motivo per cui questi progetti stanno avendo successo”, mi ha detto Van Horn.