Neuartige maschinelle Lernmethode erstellt detaillierte Populationstrendkarten für 550 Vogelarten

Wissenschaftler am Cornell Lab of Ornithology haben eine neuartige Methode entwickelt, um zu modellieren, ob die Populationen von mehr als 500 Vogelarten zunehmen oder abnehmen. Die Methode löst ein lästiges statistisches Problem, indem sie die jährlichen Veränderungen im Verhalten der Personen berücksichtigt, die die Daten sammeln. Das Ergebnis sind detaillierte Trendkarten für jede Art bis zu einem Umkreis von 13 Kilometern – ein großer Anstoß für die lokalen Schutzbemühungen. Wissenschaftler verwendeten einen Ansatz namens Double Machine Learning. Einzelheiten werden in der Zeitschrift veröffentlicht Methoden in Ökologie und Evolution.

„Eine Änderung des menschlichen Verhaltens stellt ein Problem für die statistische Analyse der von Freiwilligen gesammelten Daten dar“, erklärte Hauptautor Daniel Fink vom Cornell Lab. „Ist zum Beispiel eine bestimmte Art in einer Region wirklich rückläufig – oder machen im Vergleich zu den vergangenen Jahren einfach weniger Menschen Beobachtungen im bevorzugten Lebensraum des Vogels?“

Das Vogelbeobachtungsverhalten kann sich ändern, wenn Menschen neue Werkzeuge annehmen, Vögel besser identifizieren können oder in neuen Gebieten Vögel beobachten. Veränderungen im menschlichen Verhalten werden zu einem sogenannten „Störfaktor“. Ein Störfaktor wirkt sich auf die primär untersuchte Frage aus und kann die Realität verzerren. In diesem Fall können Änderungen in der aufgezeichneten Vogelhäufigkeit real sein oder es kann sich um Artefakte handeln, die aufgrund von Änderungen im Beobachtungsprozess im Laufe der Zeit auftreten.

Double Machine Learning wird auf Vogelbeobachtungsdaten angewendet, die vom globalen eBird-Programm des Cornell Lab gesammelt und dann mit detaillierten Karten visualisiert werden. Beim Double Machine Learning werden zwei Arten von Mustern „gelernt“ und dann in den Daten identifiziert. Ein Muster ist die Variation der gemeldeten Vogelzahlen. Das zweite Muster spiegelt die Variation im Verhalten der Vogelbeobachter wider. Der Effekt des Verhaltensmusters wird dann entfernt, so dass nur noch Abweichungen in der tatsächlich erfassten Vogelhäufigkeit übrig bleiben.

„Jetzt haben wir eine Möglichkeit, diese Daten zu analysieren, die belastbare Schätzungen der Populationsveränderung liefern, selbst für Arten und/oder Regionen ohne strenge Überwachungsprogramme“, sagte Fink. „Die Fähigkeit, Trends abzuschätzen und gleichzeitig Störfaktoren zu berücksichtigen, die Citizen Science-Daten innewohnen, hat das Potenzial, wichtige Informationslücken zu schließen.“