Cientistas estão usando aprendizado de máquina para prever a migração de pássaros e identificar pássaros em voo por meio de seus cantos

Com chatbots como ChatGPT fazendo barulho, o aprendizado de máquina está desempenhando um papel cada vez mais proeminente em nossas vidas.Para muitos de nós, tem sido uma mistura de coisas.Ficamos felizes quando nossa playlist Spotify For You nos encontra uma nova jam, mas gememos enquanto percorremos uma série de anúncios direcionados em nossos feeds do Instagram.

O aprendizado de máquina também está mudando muitos campos que podem parecer surpreendentes.Um exemplo é minha disciplina, ornitologia – o estudo dos pássaros.Não se trata apenas de resolver alguns dos maiores desafios associados ao estudo da migração das aves;de forma mais ampla, o aprendizado de máquina está expandindo as formas como as pessoas interagem com os pássaros.À medida que a migração primaveril se intensifica, vejamos como a aprendizagem automática está a influenciar as formas de investigar as aves e, em última análise, de as proteger.

O desafio da conservação das aves migratórias

A maioria das aves no Hemisfério Ocidental migram duas vezes por ano, voando sobre continentes inteiros entre seus locais de reprodução e não reprodução.Embora estas viagens sejam inspiradoras, elas expõem as aves a muitos perigos no caminho, incluindo clima extremo, escassez de alimentos e poluição luminosa que podem atrair pássaros e fazer com que colidam com edifícios.

A nossa capacidade de proteger as aves migratórias é tão boa quanto a ciência que nos diz para onde vão.E essa ciência percorreu um longo caminho.

Em 1920, os EUAGeological Survey lançou o Laboratório de anilhamento de pássaros, liderando um esforço para colocar faixas com marcadores exclusivos nas aves e, em seguida, recapturá-las em novos lugares para descobrir para onde elas viajaram.Hoje, os pesquisadores podem implantar uma variedade de etiquetas leves de rastreamento nas aves para descobrir suas rotas de migração.Essas ferramentas revelaram os padrões espaciais de para onde e quando aves de muitas espécies migram.

No entanto, o rastreamento de aves tem limitações.Por um lado, acabou 4 bilhões de aves migram em todo o continente todos os anos.Mesmo com equipamentos cada vez mais acessíveis, o número de aves que rastreamos é uma gota no oceano.E mesmo dentro de uma espécie, o comportamento migratório pode variar entre os sexos ou as populações.

Além disso, os dados de rastreamento nos dizem onde as aves estiveram, mas não nos dizem necessariamente para onde estão indo.A migração é dinâmica e os climas e paisagens por onde as aves voam estão em constante mudança.Isso significa que é crucial ser capaz de prever seus movimentos.

Usando aprendizado de máquina para prever a migração

É aqui que entra o aprendizado de máquina.O aprendizado de máquina é um subcampo da inteligência artificial que dá aos computadores a capacidade de aprender tarefas ou associações sem serem explicitamente programados.Nós o usamos para treinar algoritmos que realizam diversas tarefas, desde previsão do tempo para prevendo transtornos do March Madness.

Mas a aplicação da aprendizagem automática requer dados – e quanto mais dados, melhor.Felizmente, os cientistas compilaram inadvertidamente décadas de dados sobre aves migratórias através do Sistema de radar meteorológico de última geração.Esta rede, conhecida como NEXRAD, é usada para medir a dinâmica climática e ajudar a prever eventos climáticos futuros, mas também capta sinais de pássaros enquanto voam pela atmosfera.

BirdCast é um projeto colaborativo da Colorado State University, do Cornell Lab of Ornithology e da University of Massachusetts que busca aproveitar esses dados para quantificar a migração de aves.O aprendizado de máquina é fundamental para suas operações.Os pesquisadores sabem desde a década de 1940 que pássaros aparecem no radar meteorológico, mas para tornar esses dados úteis, precisamos remover a desordem não aviária e identificar quais varreduras contêm movimentos de aves.

Este processo seria meticuloso se fosse feito à mão – mas ao treinar algoritmos para identificar a atividade das aves, automatizámos este processo e desbloqueámos décadas de dados de migração.E o aprendizado de máquina permite que a equipe BirdCast vá mais longe:Ao treinar um algoritmo para aprender quais condições atmosféricas estão associadas à migração, podemos usar condições previstas para produzir previsões de migração em todo o território continental dos EUA

BirdCast começou a transmitir essas previsões em 2018 e tornou-se uma ferramenta popular na comunidade de observação de pássaros.Muitos usuários podem reconhecer que os dados do radar ajudam a produzir essas previsões, mas poucos percebem que são um produto do aprendizado de máquina.

Atualmente, estas previsões não nos podem dizer quais as espécies que estão no ar, mas isso pode estar a mudar.No ano passado, pesquisadores do Cornell Lab of Ornithology publicaram um sistema automatizado que usa aprendizado de máquina para detectar e identificar chamadas de voos noturnos.Estes são chamados específicos de espécies que os pássaros fazem durante a migração.A integração desta abordagem com o BirdCast poderia nos dar uma imagem mais completa da migração.

Esses avanços exemplificam o quão eficaz o aprendizado de máquina pode ser quando guiado pela experiência na área em que está sendo aplicado.Como um estudante de doutorado, eu entrei Laboratório de Aeroecologia da Colorado State University com sólida formação em ornitologia, mas sem experiência em aprendizado de máquina.Por outro lado, Ali Khalighifar, pesquisador de pós-doutorado em nosso laboratório, tem experiência em aprendizado de máquina, mas nunca fez aulas de ornitologia.

Juntos, estamos trabalhando para aprimorar os modelos que fazem o BirdCast funcionar, muitas vezes contando com os insights uns dos outros para levar o projeto adiante.Nossa colaboração tipifica a convergência que nos permite usar o aprendizado de máquina de maneira eficaz.

Uma ferramenta para engajamento público

O aprendizado de máquina também está ajudando os cientistas a envolver o público na conservação.Por exemplo, as previsões produzidas pela equipa BirdCast são frequentemente utilizadas para informar Luzes apagadas campanhas.

Estas iniciativas procuram reduzir a luz artificial das cidades, o que atrai aves migratórias e aumenta as suas hipóteses de colidindo com estruturas construídas pelo homem, como edifícios e torres de comunicação.As campanhas Lights Out podem mobilizar as pessoas para ajudar a proteger as aves ao toque de um botão.

Como outro exemplo, o aplicativo de identificação de pássaros Merlin busca criar tecnologia que torne a observação de pássaros mais fácil para todos.Em 2021, a equipe do Merlin lançou um recurso que automatiza a identificação de músicas e chamadas, permitindo aos usuários identificar o que estão ouvindo em tempo real, como um versão ornitológica do Shazam.

Esse recurso abriu a porta para milhões de pessoas interagirem com seus espaços naturais de uma nova maneira.O aprendizado de máquina é uma grande parte do que tornou isso possível.

“O Sound ID é nosso maior sucesso em termos de replicar a experiência mágica de observar pássaros com um naturalista habilidoso”, disse-me Grant Van Horn, pesquisador do Cornell Lab of Ornithology que ajudou a desenvolver o algoritmo por trás desse recurso.

Tomando vôo

As oportunidades para aplicação de aprendizado de máquina em ornitologia só aumentarão.À medida que milhares de milhões de aves migram pela América do Norte para os seus locais de reprodução esta primavera, as pessoas irão participar nestes voos de novas formas, graças a projetos como o BirdCast e o Merlin.Mas esse envolvimento é recíproco:Os dados coletados pelos observadores de aves abrirão novas oportunidades para a aplicação do aprendizado de máquina.

Os computadores não podem fazer esse trabalho sozinhos.“Qualquer projeto de aprendizado de máquina bem-sucedido tem um enorme componente humano.Essa é a razão pela qual estes projetos estão sendo bem-sucedidos”, disse-me Van Horn.