Ученые используют машинное обучение для прогнозирования миграции птиц и определения птиц в полете по крикам

С чат-ботами, такими как ChatGPT производя фурор, Машинное обучение играет все более заметную роль в нашей жизни.Для многих из нас это была смешанная картина.Мы радуемся, когда в нашем плейлисте Spotify For You появляется новая загвоздка, но стонем, просматривая множество таргетированной рекламы в наших лентах Instagram.

Машинное обучение также меняет многие области, что может показаться удивительным.Одним из примеров является моя дисциплина орнитология – изучение птиц.Это не просто решение некоторых из самых больших проблем, связанных с изучением миграции птиц;В более широком смысле машинное обучение расширяет способы взаимодействия людей с птицами.Поскольку весенняя миграция набирает обороты, мы рассмотрим, как машинное обучение влияет на способы исследования птиц и, в конечном итоге, на их защиту.

Проблема сохранения перелетных птиц

Большинство птиц Западного полушария мигрировать два раза в год, пролетая над целыми континентами между местами своего размножения и не гнездования.Хотя эти путешествия впечатляют, они подвергают птиц множеству опасностей в пути, в том числе экстремальная погода, нехватка продовольствия и световое загрязнение которые могут привлечь птиц и заставить их столкнуться со зданиями.

Наша способность защищать перелетных птиц настолько хороша, насколько хороша наука, которая говорит нам, куда они направляются.И эта наука прошел долгий путь.

В 1920 году США.Геологическая служба запустила Лаборатория кольцевания птиц, возглавляя усилия по нанесению на птиц полосок с уникальными маркерами, а затем отлавливая птиц в новых местах, чтобы выяснить, куда они путешествовали.Сегодня исследователи могут использовать на птицах различные легкие метки для отслеживания, чтобы обнаружить маршруты их миграции.Эти инструменты раскрыли пространственные закономерности куда и когда мигрируют птицы многих видов.

Однако отслеживание птиц имеет ограничения.Во-первых, более 4 миллиарда птиц мигрируют по всему континенту каждый год.Даже при наличии все более доступного оборудования количество птиц, которых мы отслеживаем, — капля в море.И даже внутри одного вида миграционное поведение может различаться в зависимости от пола или популяции.

Кроме того, данные отслеживания говорят нам, где были птицы, но не обязательно говорят нам, куда они направляются.Миграция динамична, а климат и ландшафты, через которые пролетают птицы, постоянно меняются.Это означает, что крайне важно иметь возможность предсказывать их движения.

Использование машинного обучения для прогнозирования миграции

Вот тут-то и приходит на помощь машинное обучение.Машинное обучение — это подобласть искусственного интеллекта, которая дает компьютерам возможность изучать задачи или ассоциации без явного программирования.Мы используем его для обучения алгоритмов, решающих различные задачи, от прогноз погоды к предсказание мартовского безумия расстроит.

Но применение машинного обучения требует данных – и чем больше данных, тем лучше.К счастью, ученые случайно собрали десятилетия данных о миграциях птиц через океан. Метеорологическая радиолокационная система следующего поколения.Эта сеть, известная как NEXRAD, используется для измерения динамики погоды и помощи в прогнозировании будущих погодных явлений, а также улавливает сигналы от птиц, когда они летают в атмосфере.

BirdCast — это совместный проект Университета штата Колорадо, Корнеллской лаборатории орнитологии и Массачусетского университета, целью которого является использование этих данных для количественной оценки миграции птиц.Машинное обучение занимает центральное место в ее деятельности.Исследователи знали с 1940-х годов, что птицы появляются на метеорологическом радаре, но чтобы сделать эти данные полезными, нам нужно удалить нептичий беспорядок и определить, какие сканы содержат движение птиц.

Этот процесс был бы кропотливым вручную, но с помощью обучения алгоритмов для определения активности птиц мы автоматизировали этот процесс и открыли десятилетия миграционных данных.А машинное обучение позволяет команде BirdCast пойти еще дальше:Обучив алгоритм, чтобы узнать, какие атмосферные условия связаны с миграцией, мы можем использовать прогнозируемые условия для получения прогнозы миграции по континентальной части США.

BirdCast начал транслировать эти прогнозы в 2018 году и стал популярный инструмент в сообществе орнитологов.Многие пользователи могут признать, что радиолокационные данные помогают создавать такие прогнозы, но немногие осознают, что это продукт машинного обучения.

В настоящее время эти прогнозы не могут сказать нам, какие виды обитают в воздухе, но ситуация может измениться.В прошлом году исследователи из Корнеллской лаборатории орнитологии опубликовали автоматизированную систему, которая использует машинное обучение для обнаруживать и идентифицировать ночные звонки о полетах.Это видоспецифичные крики, которые птицы издают во время миграции.Интеграция этого подхода с BirdCast может дать нам более полную картину миграции.

Эти достижения служат примером того, насколько эффективным может быть машинное обучение, если оно опирается на опыт в той области, где оно применяется.Как докторант, я присоединился Лаборатория аэроэкологии Университета штата Колорадо с сильным орнитологическим образованием, но без опыта машинного обучения.Наоборот, Али Халигифар, научный сотрудник нашей лаборатории, имеет опыт работы в области машинного обучения, но никогда не посещал курсы орнитологии.

Вместе мы работаем над улучшением моделей, на которых работает BirdCast, часто опираясь на идеи друг друга для продвижения проекта.Наше сотрудничество является типичным примером конвергенции, которая позволяет нам эффективно использовать машинное обучение.

Инструмент для взаимодействия с общественностью

Машинное обучение также помогает ученым вовлекать общественность в природоохранную деятельность.Например, прогнозы, подготовленные командой BirdCast, часто используются для информирования Отключение света кампании.

Эти инициативы направлены на сокращение искусственного освещения в городах, что привлекает перелетных птиц и увеличивает их шансы столкновение с построенными человеком конструкциями, таких как здания и башни связи.Кампании Lights Out могут мобилизовать людей, чтобы помочь защитить птиц одним щелчком выключателя.

В качестве другого примера: приложение для идентификации птиц Мерлин стремится создать технологию, которая облегчит наблюдение за птицами для всех.В 2021 году сотрудники Merlin выпустили функцию, которая автоматизирует идентификацию песен и звонков, позволяя пользователям определять, что они слышат, в режиме реального времени, например орнитологическая версия Шазама.

Эта функция открыла миллионам людей возможность по-новому взаимодействовать со своим природным пространством.Машинное обучение во многом сделало это возможным.

«Звуковая идентификация — наш самый большой успех в воспроизведении волшебного опыта наблюдения за птицами с опытным натуралистом», — сказал мне Грант Ван Хорн, штатный научный сотрудник Корнельской лаборатории орнитологии, который помог разработать алгоритм, лежащий в основе этой функции.

Взлетая

Возможности применения машинного обучения в орнитологии будут только увеличиваться.Этой весной миллиарды птиц мигрируют над Северной Америкой к местам размножения, и люди будут по-новому участвовать в этих перелетах благодаря таким проектам, как BirdCast и Merlin.Но это взаимодействие является взаимным:Данные, которые собирают орнитологи, откроют новые возможности для применения машинного обучения.

Компьютеры не могут выполнить эту работу сами.«В любом успешном проекте машинного обучения присутствует огромный человеческий компонент.Именно поэтому эти проекты успешны», — сказал мне Ван Хорн.