UMass prevê migração de pássaros usando modelagem de computador e conjunto de dados eBird

Este artigo foi publicado pela primeira vez na conta pública HyperAI Super Neural WeChat ~

Visão geral do conteúdo: Recentemente, um novo modelo preditivo BirdFlow foi lançado na revista "Methods in Ecology and Evolution" da British Ecological Society, que pode resolver um dos desafios mais difíceis da biologia: prever com precisão a trajetória das aves migratórias. Enquanto o modelo ainda está sendo aperfeiçoado, os pesquisadores dizem que ele pode ser aberto ao público e colocado em uso dentro de um ano. Este artigo é uma introdução e interpretação deste estudo.
Palavras-chave: BirdFlow, modelo de probabilidade de proteção da natureza

A migração das aves é um fenômeno natural fascinante. Sabe-se que quase um quinto das espécies de aves do mundo migram regularmente para reprodução e invernada. Na ecologia, o estudo das leis ecológicas, como as rotas de migração das aves, é de grande importância para proteger espécies de aves ameaçadas, manter o equilíbrio ecológico e prevenir a propagação de epidemias.

Prever a migração de aves tornou-se mais difícil nos últimos anos devido a fatores como mudanças climáticas globais e atividades humanas. Recentemente, Miguel Fuentes, um estudante de pós-graduação da University of Massachusetts Amherst, e Benjamin M. Van Doren, da Cornell University, publicaram um novo modelo de probabilidade BirdFlow na revista "Methods in Ecology and Evolution", que usa modelagem computacional e o conjunto de dados eBird para prever com precisão as rotas de voo das aves migratórias.

Endereço de papel:

https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210X.14052

Os pesquisadores usaram as estimativas de abundância relativa (estimativas de abundância) geradas pelo projeto eBird Status & Trends para simular o movimento das aves, mas também há um problema. não pode rastrear o indivíduo. Portanto, neste estudo, os pesquisadores se concentraram em resolver esse problema, e o processo-chave é mostrado na figura abaixo:

• Pré-processamento de dados: Pré-processamento de estimativas de abundância relativa para gerar distribuições populacionais semanais;

• função de perda: especifique uma função de perda para pontuar modelos potenciais usando um proxy para distribuições semanais e custos de energia;

• Estrutura do modelo: selecione uma estrutura do modelo;

• Modelo Treinado: otimizar a função de perda através de um processo numérico para selecionar os melhores parâmetros do modelo;

• Validação: Calcule a verossimilhança média e os valores PIT de aves reais para validar o modelo treinado.

Visão geral da modelagem BirdFlow

Os pesquisadores usaram o ebird R para baixar estimativas de abundância relativa do eBird Status & Trends para 11 espécies de aves para as quais GPS ou dados de rastreamento por satélite estavam disponíveis.

Status e tendências do eBird:

https://science.ebird.org/zh-CN/status-and-trends

Como próximo passo, os pesquisadores definiram uma função de perda com base na distribuição semanal da população derivada do eBird Status & Trends, o custo energético do movimento das aves entre diferentes locais e um termo de regularização da entropia.

Antes de otimizar a função de perda, é necessário especificar uma estrutura de modelo.Aqui, os pesquisadores provaram que é razoável limitar o processo de otimização para pesquisar apenas em cadeias de Markov. Portanto, eles modelaram o movimento das aves como um modelo de Markov e realizaram otimizações, inclusive usando algoritmos de otimização e parametrização da cadeia de Markov.

Após as etapas acima, os pesquisadores obtiveram um modelo treinado e o verificaram.

Processo de Verificação BirdFlow

O processo de verificação é dividido em três partes: pesquisa de grade de hiperparâmetros, calibração de entropia e previsão de semanas K. O processo específico e os resultados do teste são os seguintes.

Pesquisa de grade de hiperparâmetros

Durante a fase de validação do modelo, os pesquisadores realizaram uma pesquisa de grade de hiperparâmetros e usaram os resultados da pesquisa para estudar dois problemas.

Primeiro, os pesquisadores exploraram o efeito do termo de regularização da entropia e do expoente de distância na qualidade do modelo por meio de um estudo de ablação. Os resultados do estudo de ablação são mostrados na figura abaixo.Pode-se ver que todos os modelos BirdFlow funcionam melhor do que o modelo de linha de base que inclui apenas a abundância relativa de aves.

Em segundo lugar, os pesquisadores exploraram a sensibilidade do modelo à seleção de hiperparâmetros por meio de dois métodos de seleção de hiperparâmetros. Os resultados do experimento são mostrados na figura abaixo, para a maioria das aves, o modelo usando o parâmetro LOO (seleção de dados de trilha de validação para outras aves) realizado, bem como o modelo usando o parâmetro ajustado (uso de dados de trilha de validação para este pássaro). onde o desempenho é medido como a probabilidade logarítmica média da transição de 1 semana.

correção de entropia

A figura abaixo demonstra o efeito da regularização da entropia na calibração do modelo. Histogramas de transformação integral de probabilidade estocástica (PIT) das cinco versões do modelo American Woodcock em diferentes pesos de entropia, mostrando quão bem o modelo treinado prevê a orientação leste-oeste de uma semana da galinhola.

Pode-se observar que os histogramas são quase consistentes, indicando que a calibração do modelo está bem comportada.

previsão k-semana

As Figuras 5 e 6 mostram o desempenho do modelo em diferentes tempos de previsão (em semanas). Os pesquisadores identificaram o modelo de melhor desempenho na pesquisa da grade de hiperparâmetros e avaliaram o desempenho do melhor modelo em relação ao modelo de linha de base de 1 a 17 semanas.

A Figura 5(a) mostra os resultados para cada espécie de ave. Pode-se observar que à medida que o tempo aumenta, as capacidades de desempenho dos melhores modelos para cada ave se aproximam cada vez mais do modelo de linha de base. A Figura 5(b) mostra a comparação do gap entre o modelo woodcock-sintonizado, o modelo LOO e o modelo baseline. Pode-se observar que durante o tempo de previsão, o desempenho do modelo ajustado e do modelo LOO é melhor que o do modelo benchmark.

Após os experimentos acima, os pesquisadores descobriram que o BirdFlow pode usar as estimativas semanais de abundância relativa do eBird para inferir com precisão os caminhos de migração de pássaros individuais, e os resultados mostraram que os resultados da previsão do BirdFlow foram muito melhores do que o modelo de linha de base.

Com base nesse resultado, os pesquisadores acreditam que, além de estudar o fenômeno natural da migração das aves, o modelo BirdFlow também pode ser usado para estudar outros fenômenos, como o comportamento de escala das aves e suas respostas às mudanças globais.

No entanto, apesar do sucesso do modelo BirdFlow, alguns pesquisadores na América do Norte e na Europa questionaram o uso do banco de dados eBird, argumentando que a observação de pássaros não é um método rigoroso de coleta de dados. Em resposta, os pesquisadores do BirdFlow dizem que a equipe está pensando em incorporar mais dados, como rastreamento por satélite ou GPS da localização das aves.

AI pode se tornar o deus da proteção da natureza

O surgimento do modelo BirdFlow significa que os humanos abriram um atalho para o aprendizado de máquina na pesquisa relacionada à migração de pássaros. Embora ainda esteja em estágio inicial e ainda haja uma certa distância de aplicações de pouso como proteção da natureza, esta pesquisa sem dúvida revela uma tendência importante de que a IA está sendo amplamente utilizada no campo da proteção da natureza.

O PAWS, desenvolvido por pesquisadores da Carnegie Mellon University, pode gerar uma rota para a polícia patrulhar os caçadores furtivos; o Merlin, desenvolvido pela Cornell University, pode identificar espécies com base no canto e nas imagens dos pássaros; e o TrailGuard AI, desenvolvido pela Resolve It, pode proteger animais selvagens animais, identificando imagens de caçadores suspeitos e emitindo alertas.

A importância dos ecossistemas naturais para os humanos é evidente e a proteção dos ecossistemas é iminente. Com o passar do tempo, que novo papel a IA desempenhará? Bem-vindo a todos para divergir de seus pensamentos e discutir na área de comentários.