科学者たちは機械学習を利用して鳥の渡りを予測し、鳴き声で飛んでいる鳥を識別しています。

ChatGPT のようなチャットボットを使用する スプラッシュを起こす, 機械学習は私たちの生活の中でますます重要な役割を果たしています。私たちの多くにとって、それは賛否両論です。Spotify For You のプレイリストで新しいジャムを見つけたときは喜びますが、Instagram フィードにある大量のターゲットを絞った広告をスクロールしながらうめき声を上げます。

機械学習は、意外に思われるかもしれない多くの分野も変化させています。一例としては、 私の専門分野である鳥類学 – 鳥の研究. 。それは鳥の渡りの研究に伴う最大の課題のいくつかを解決するだけではありません。さらに広く言えば、機械学習は人々が鳥と関わる方法を拡大しています。春の渡りが活発になる中、機械学習が鳥の研究方法、そして最終的には鳥を保護する方法にどのような影響を与えているかを見てみましょう。

渡り鳥の保護への挑戦

西半球のほとんどの鳥 年に2回移住する, 繁殖地と非繁殖地の間で大陸全体を飛び回っています。これらの旅は畏敬の念を抱かせるものですが、その途中で鳥たちは次のような多くの危険にさらされます。 異常気象, 食糧不足 そして 光害 鳥を引き寄せて建物に衝突させる可能性があります。

渡り鳥を保護する私たちの能力は、彼らがどこへ行くのかを教えてくれる科学と同じくらい優れています。そしてその科学は 長い道のりを歩んできました.

1920 年に米国は地質調査所が発足 鳥類標識研究室, は、鳥に固有のマーカーが付いたバンドを付け、新しい場所で鳥を再捕獲して、鳥がどこへ移動したかを解明する取り組みの先頭に立っている。現在、研究者はさまざまな軽量の追跡タグを鳥に配備して、渡りのルートを発見できるようになりました。これらのツールは、次の空間パターンを明らかにしました。 多くの種の鳥がいつどこに移動するか.

ただし、鳥の追跡には限界があります。一つには、以上です 40億羽の鳥が渡りをする 毎年大陸を横断します。機器の価格がますます手頃になってきているにもかかわらず、私たちが追跡できる鳥の数はバケツの一滴です。また、同じ種内であっても、性別や個体群によって移動行動が異なる場合があります。

さらに、追跡データは鳥がどこにいたかを教えてくれますが、必ずしもどこに行くのかを教えてくれるわけではありません。渡りはダイナミックで、鳥が通過する気候や風景は常に変化します。つまり、彼らの動きを予測できることが重要です。

機械学習を使用して移行を予測する

ここで機械学習が登場します。機械学習は人工知能のサブ分野であり、明示的にプログラムすることなくコンピューターにタスクや関連付けを学習させる機能を提供します。私たちはこれを使用して、さまざまなタスクに取り組むアルゴリズムをトレーニングします。 天気予報 に マーチ・マッドネスの番狂わせを予測する.

しかし、機械学習を適用するにはデータが必要であり、データが多ければ多いほど良いのです。幸運なことに、科学者たちは偶然にも、渡り鳥に関する数十年分のデータを収集してしまいました。 次世代気象レーダーシステム. 。NEXRAD として知られるこのネットワークは、気象力学を測定し、将来の気象現象の予測に役立てるために使用されますが、大気中を飛行する鳥からの信号も受信します。

バードキャスト は、コロラド州立大学、コーネル鳥類研究所、マサチューセッツ大学の共同プロジェクトであり、そのデータを活用して鳥の移動を定量化することを目指しています。機械学習はその運用の中心です。研究者たちは1940年代から次のことを知っていました。 気象レーダーに鳥が映る, しかし、そのデータを有用なものにするには、非ナビアンクラッターを削除し、どのスキャンに鳥の動きが含まれているかを特定する必要があります。

このプロセスは手作業では骨の折れる作業ですが、鳥の活動を特定するアルゴリズムをトレーニングすることで、このプロセスを自動化し、数十年分の渡りデータを解き放ちました。そして、機械学習により、BirdCast チームは次のことをさらに進めることができます。どのような大気条件が移動に関連しているかを学習するアルゴリズムをトレーニングすることで、予測された条件を使用して、 米国本土全体にわたる移住の予測

BirdCast は 2018 年にこれらの予測の放送を開始し、 野鳥観察コミュニティで人気のツール. 。多くのユーザーは、レーダー データがこれらの予測の生成に役立つことを認識しているかもしれませんが、それが機械学習の産物であることを認識している人はほとんどいません。

現時点では、これらの予報ではどのような種が空中に飛来しているのかを知ることはできませんが、状況は変わりつつある可能性があります。昨年、コーネル鳥類研究所の研究者は、機械学習を使用して、 夜間飛行の鳴き声を検出して識別する. 。これらは鳥が渡りの際に発する種特有の鳴き声です。このアプローチを BirdCast と統合すると、移行のより完全な全体像が得られる可能性があります。

これらの進歩は、機械学習が適用される分野の専門知識に基づいて機械学習がいかに効果的になるかを例証しています。として 博士課程の学生, 、参加しました コロラド州立大学の航空生態学研究室 鳥類学の優れた背景はありますが、機械学習の経験はありません。逆に、 アリ・ハリギファール, 私たちの研究室のポスドク研究員である彼は、機械学習のバックグラウンドを持っていますが、鳥類学のクラスを受講したことがありません。

私たちは協力して、BirdCast を実行するモデルの強化に取り組んでおり、プロジェクトを前進させるためにお互いの洞察に頼ることがよくあります。私たちのコラボレーションは、機械学習を効果的に使用できるようにする収束の典型です。

国民参加のためのツール

機械学習は、科学者が一般の人々を自然保護に参加させるのにも役立ちます。たとえば、BirdCast チームが作成した予測は、情報を提供するためによく使用されます。 消灯 キャンペーン。

これらの取り組みは、渡り鳥を引き寄せ、感染の可能性を高める都市からの人工光を減らすことを目指しています。 人間が作った建造物に衝突する, 建物や通信塔など。ライトアウトキャンペーンは、スイッチを入れるだけで鳥の保護に人々を動員することができます。

別の例として、 マーリン鳥識別アプリ は、誰にとっても野鳥観察を容易にするテクノロジーの開発を目指しています。2021 年、マーリンのスタッフは、歌と通話の識別を自動化する機能をリリースしました。これにより、ユーザーは、次のように、自分が聞いている内容をリアルタイムで識別できるようになります。 Shazamの鳥類バージョン.

この機能により、何百万人もの人々が新しい方法で自然空間と関わるための扉が開かれました。それを可能にした大きな部分を機械学習が担っています。

「熟練の博物学者と一緒にバードウォッチングに行くという魔法のような体験を再現するという点で、Sound ID は私たちの最大の成功です」と、この機能の背後にあるアルゴリズムの開発に貢献したコーネル鳥類研究所のスタッフ研究員であるグラント ヴァン ホーンは私に語った。

飛行機に乗る

鳥類学に機械学習を適用する機会は今後も増える一方です。この春、数十億羽の鳥が繁殖地に向けて北米を越えて移動するため、BirdCast や Merlin などのプロジェクトのおかげで、人々は新しい方法でこれらの飛行に参加することになります。しかし、その関与は相互的なものです。野鳥観察者が収集するデータは、機械学習を適用する新たな機会をもたらします。

コンピューター自体はこの作業を行うことができません。「機械学習プロジェクトの成功には、人的要素が大きく関わっています。それがこれらのプロジェクトが成功している理由です」とヴァン・ホーンは私に言いました。