Um zu wissen, wohin die Vögel fliegen, wenden sich Forscher der Bürgerwissenschaft und dem maschinellen Lernen zu

Das gaben Informatiker der University of Massachusetts Amherst in Zusammenarbeit mit Biologen des Cornell Lab of Ornithology kürzlich in der Zeitschrift bekannt Methoden in Ökologie und Evolution ein neues Vorhersagemodell, das in der Lage ist, genau vorherzusagen, wohin ein Zugvogel als Nächstes ziehen wird – eine der schwierigsten Aufgaben in der Biologie. Das Modell heißt BirdFlow, und während es noch perfektioniert wird, sollte es Wissenschaftlern innerhalb eines Jahres zur Verfügung stehen und schließlich seinen Weg in die breite Öffentlichkeit finden.

„Menschen versuchen schon seit sehr langer Zeit, den Vogelzug zu verstehen“, sagt Dan Sheldon, Professor für Informations- und Computerwissenschaften an der UMass Amherst, leitender Autor der Studie und leidenschaftlicher Hobby-Vogelbeobachter. „Aber“, fügt Miguel Fuentes, der Hauptautor der Abhandlung und Doktorand der Informatik an der UMass Amherst, hinzu, „es ist unglaublich schwierig, präzise Echtzeitinformationen darüber zu erhalten, welche Vögel wo sind, ganz zu schweigen davon, wohin sie genau fliegen. “

Es wurden viele Anstrengungen unternommen, sowohl frühere als auch laufende, einzelne Vögel zu markieren und zu verfolgen, was zu unschätzbaren Erkenntnissen geführt hat. Aber es ist schwierig, Vögel in ausreichend großer Zahl physisch zu markieren – ganz zu schweigen von den Kosten eines solchen Unterfangens – um ein ausreichend vollständiges Bild zu erstellen, um Vogelbewegungen vorherzusagen. „Es ist wirklich schwer zu verstehen, wie sich eine ganze Art mit Tracking-Ansätzen über den Kontinent bewegt“, sagt Sheldon, „weil sie Ihnen die Routen mitteilen, die einige Vögel an bestimmten Orten gefangen haben, aber nicht, wie sich Vögel an völlig anderen Orten bewegen könnten.“

In den letzten Jahren ist die Zahl der Bürgerwissenschaftler, die Zugvögel beobachten und Sichtungen melden, explodiert. Vogelbeobachter auf der ganzen Welt tragen durch eBird, ein Projekt, das vom Cornell Lab of Ornithology und internationalen Partnern verwaltet wird, zu mehr als 200 Millionen Vogelbeobachtungen pro Jahr bei.

Es ist eines der größten existierenden wissenschaftlichen Projekte im Zusammenhang mit Biodiversität und hat Hunderttausende von Benutzern, die die hochmoderne Modellierung der Artenverteilung durch das eBird Status & Trends-Projekt des Labors erleichtern. „eBird-Daten sind erstaunlich, weil sie zeigen, wo sich Vögel einer bestimmten Art jede Woche in ihrem gesamten Verbreitungsgebiet aufhalten“, sagt Sheldon, „aber sie verfolgen keine Individuen, also müssen wir ableiten, welchen Routen einzelne Vögel folgen, um die Art am besten zu erklären -Level-Muster.“

BirdFlow stützt sich auf die Status & Trends-Datenbank von eBird und ihre Schätzungen der relativen Vogelhäufigkeit und lässt diese Informationen dann durch ein probabilistisches maschinelles Lernmodell laufen. Dieses Modell ist mit Echtzeit-GPS- und Satellitenverfolgungsdaten abgestimmt, sodass es „lernen“ kann, vorherzusagen, wohin sich einzelne Vögel während ihres Zugs als nächstes bewegen werden.

Die Forscher testeten BirdFlow an 11 nordamerikanischen Vogelarten – darunter die amerikanische Waldschnepfe, die Walddrossel und der Swainson-Habicht – und stellten fest, dass BirdFlow nicht nur andere Modelle zur Verfolgung des Vogelzugs übertraf, sondern auch Zugströme ohne Echtzeit-GPS genau vorhersagen kann und Satellitenverfolgungsdaten, was BirdFlow zu einem wertvollen Werkzeug für die Verfolgung von Arten macht, die buchstäblich unter dem Radar fliegen können.

„Vögel erleben heute schnelle Umweltveränderungen, und viele Arten gehen zurück“, sagt Benjamin Van Doren, Postdoktorand am Cornell Lab of Ornithology und Mitautor der Studie. „Mit BirdFlow können wir verschiedene Datenquellen vereinen und ein vollständigeres Bild der Vogelbewegungen zeichnen“, fügt Van Doren hinzu, „mit spannenden Anwendungen zur Lenkung von Naturschutzmaßnahmen.“