과학자들은 기계 학습을 사용하여 새 이동을 예측하고 호출을 통해 날아다니는 새를 식별하고 있습니다.

ChatGPT와 같은 챗봇 사용 물보라를 일으키다, 머신러닝은 우리 삶에서 점점 더 중요한 역할을 하고 있습니다.우리 중 많은 사람들에게 그것은 혼합 가방이었습니다.Spotify For You 재생 목록이 새로운 재미를 발견하면 기뻐하지만 Instagram 피드에서 수많은 타겟 광고를 스크롤하면서 신음합니다.

머신러닝은 놀랍게 보일 수도 있는 많은 분야를 변화시키고 있습니다.한 가지 예는 다음과 같습니다 나의 학문, 조류학 – 새에 대한 연구.이는 단지 조류 이동 연구와 관련된 가장 큰 과제 중 일부를 해결하는 것이 아닙니다.보다 광범위하게, 기계 학습은 사람들이 새와 소통하는 방식을 확장하고 있습니다.봄철 이주가 시작되면서 기계 학습이 새를 연구하고 궁극적으로 새를 보호하는 방법에 어떤 영향을 미치는지 살펴보겠습니다.

철새 보존에 대한 도전

서반구에서 가장 많은 새 1년에 두 번 이주하다, 번식지와 비번식지 사이의 대륙 전체를 비행합니다.이러한 여행은 경외심을 불러일으키지만, 도중에 새들을 다음과 같은 많은 위험에 노출시킵니다. 극단적인 날씨, 식량 부족 그리고 빛 공해 새를 끌어당겨 건물과 충돌시킬 수 있습니다.

철새를 보호하는 우리의 능력은 철새가 어디로 가는지 알려주는 과학만큼 뛰어납니다.그리고 그 과학 먼 길을 왔다.

1920년 미국은지질조사국(Geological Survey)이 출범했습니다. 새밴딩 연구실, 새에 고유한 표시가 있는 띠를 부착한 다음 새로운 장소에서 새를 다시 포획하여 이동한 곳을 파악하는 노력에 앞장섰습니다.오늘날 연구자들은 새의 이동 경로를 발견하기 위해 다양한 경량 추적 태그를 새에 배치할 수 있습니다.이 도구는 다음과 같은 공간 패턴을 밝혀냈습니다. 많은 종의 새들이 언제 어디서 이동하는지.

그러나 새를 추적하는 데에는 한계가 있습니다.우선, 이상 40억 마리의 새가 이주한다 매년 대륙 전역에서.장비 가격이 점점 저렴해지고 있음에도 불구하고 우리가 추적하는 새의 수는 매우 적습니다.그리고 한 종 내에서도 철새 행동은 성별이나 개체군에 따라 다를 수 있습니다.

또한 추적 데이터를 통해 새가 어디에 있었는지 알 수 있지만 어디로 가는지는 반드시 알 수는 없습니다.이동은 역동적이며 새가 날아다니는 기후와 풍경은 끊임없이 변화합니다.즉, 그들의 움직임을 예측하는 것이 중요하다는 뜻입니다.

머신러닝을 사용하여 마이그레이션 예측

이것이 바로 머신러닝이 등장하는 곳입니다.머신 러닝은 명시적으로 프로그래밍하지 않고도 컴퓨터에 작업이나 연관성을 학습할 수 있는 기능을 제공하는 인공 지능의 하위 분야입니다.우리는 이를 사용하여 다양한 작업을 처리하는 알고리즘을 훈련합니다. 날씨 예측 에게 3월의 광기(March Madness) 혼란 예측.

그러나 머신러닝을 적용하려면 데이터가 필요하며, 데이터가 많을수록 좋습니다.운 좋게도 과학자들은 실수로 철새에 대한 수십 년 간의 데이터를 수집했습니다. 차세대 기상 레이더 시스템.NEXRAD로 알려진 이 네트워크는 기상 역학을 측정하고 미래의 기상 현상을 예측하는 데 사용되지만 새가 대기를 날아갈 때 신호도 포착합니다.

버드캐스트 콜로라도 주립대학교, 코넬 조류학 연구소, 매사추세츠 대학교의 공동 프로젝트로 해당 데이터를 활용하여 새 이동을 정량화하려고 합니다.머신러닝은 운영의 핵심입니다.연구자들은 1940년대부터 다음과 같은 사실을 알고 있었습니다. 기상 레이더에 새가 나타납니다, 하지만 해당 데이터를 유용하게 만들려면 비조류의 혼란을 제거하고 어떤 스캔에 새의 움직임이 포함되어 있는지 식별해야 합니다.

이 과정은 수작업으로 힘들겠지만, 조류 활동을 식별하는 알고리즘을 훈련함으로써 이 과정을 자동화하고 수십 년간의 이동 데이터를 확보했습니다.그리고 기계 학습을 통해 BirdCast 팀은 다음과 같은 작업을 더욱 발전시킬 수 있습니다.이동과 관련된 대기 조건이 무엇인지 알아보기 위해 알고리즘을 훈련함으로써 예측 조건을 사용하여 다음을 생성할 수 있습니다. 미국 대륙 전역의 이주 예측

BirdCast는 2018년부터 이러한 예측을 방송하기 시작했으며 들새 관찰 커뮤니티에서 인기 있는 도구.많은 사용자는 레이더 데이터가 이러한 예측을 생성하는 데 도움이 된다는 것을 인식할 수 있지만 이것이 기계 학습의 산물이라는 사실을 인식하는 사용자는 거의 없습니다.

현재 이러한 예측으로는 공중에 어떤 종이 ​​있는지 알 수 없지만 상황이 바뀔 수 있습니다.작년에 Cornell Ornithology 연구소의 연구원들은 기계 학습을 사용하여 다음을 수행하는 자동화된 시스템을 발표했습니다. 야간 비행 호출을 감지하고 식별합니다..이는 새들이 이동하는 동안 종에 따라 하는 울음소리입니다.이 접근 방식을 BirdCast와 통합하면 마이그레이션에 대한 보다 완전한 그림을 얻을 수 있습니다.

이러한 발전은 적용되는 분야의 전문 지식을 바탕으로 머신러닝이 얼마나 효과적인지를 보여줍니다.로서 박사과정 학생, 가입했습니다 콜로라도 주립대학교 항공생태학 연구실 조류학에 대한 배경 지식이 풍부하지만 머신러닝 경험이 없습니다.거꾸로, 알리 칼리기파르, 우리 연구실의 박사후 연구원인 은 기계 학습에 대한 배경 지식이 있지만 조류학 수업을 들어본 적이 없습니다.

우리는 함께 BirdCast를 실행하는 모델을 개선하기 위해 노력하고 있으며 종종 프로젝트를 발전시키기 위해 서로의 통찰력에 의지합니다.우리의 협업은 머신러닝을 효과적으로 사용할 수 있는 융합을 대표합니다.

대중 참여를 위한 도구

기계 학습은 과학자들이 대중을 보존 활동에 참여시키는 데에도 도움이 됩니다.예를 들어, BirdCast 팀이 생성한 예측은 종종 정보를 제공하는 데 사용됩니다. 소등 캠페인.

이러한 계획은 도시의 인공 조명을 줄여 철새를 유인하고 인간이 만든 구조물과 충돌, 건물 및 통신탑과 같은.Lights Out 캠페인은 사람들을 동원하여 스위치만 누르면 새를 보호할 수 있습니다.

또 다른 예로, 멀린 새 식별 앱 모든 사람이 쉽게 들새 관찰을 할 수 있는 기술을 개발하려고 합니다.2021년 Merlin 직원은 노래 및 통화 식별을 자동화하는 기능을 출시하여 사용자가 실시간으로 듣고 있는 내용을 식별할 수 있도록 했습니다. Shazam의 조류학 버전.

이 기능은 수백만 명의 사람들이 새로운 방식으로 자연 공간에 참여할 수 있는 문을 열었습니다.이를 가능하게 한 것은 머신러닝이 큰 부분을 차지합니다.

"Sound ID는 숙련된 자연학자와 함께 들새 관찰을 하는 마법 같은 경험을 재현한다는 점에서 우리의 가장 큰 성공입니다."라고 이 기능 뒤에 있는 알고리즘 개발에 도움을 준 Cornell Lab of Ornithology의 연구원인 Grant Van Horn이 말했습니다.

비행 중

조류학에 머신러닝을 적용할 수 있는 기회는 더욱 늘어날 것입니다.올 봄 수십억 마리의 새가 북미 전역에서 번식지로 이동함에 따라 사람들은 BirdCast 및 Merlin과 같은 프로젝트 덕분에 새로운 방식으로 이러한 비행에 참여할 것입니다.그러나 그 참여는 상호적입니다.조류 관찰자가 수집한 데이터는 기계 학습을 적용할 수 있는 새로운 기회를 열어줄 것입니다.

컴퓨터는 이 작업을 스스로 수행할 수 없습니다.“성공적인 머신러닝 프로젝트에는 엄청난 인적 요소가 필요합니다.이것이 바로 이 프로젝트가 성공하는 이유입니다.”라고 Van Horn이 말했습니다.