Mit Chatbots wie ChatGPT, die für Furore sorgen, spielt maschinelles Lernen eine immer wichtigere Rolle in unserem Leben. Für viele von uns war es eine gemischte Tüte. Wir freuen uns, wenn unsere Spotify For You-Playlist einen neuen Jam findet, stöhnen aber, wenn wir durch eine Menge gezielter Anzeigen in unseren Instagram-Feeds scrollen.
Maschinelles Lernen verändert auch viele Bereiche, die überraschend erscheinen mögen. Ein Beispiel ist meine Disziplin, Ornithologie – das Studium der Vögel. Es löst nicht nur einige der größten Herausforderungen im Zusammenhang mit der Untersuchung des Vogelzugs; Im weiteren Sinne erweitert maschinelles Lernen die Art und Weise, wie Menschen mit Vögeln umgehen. Während der Frühlingszug anzieht, sehen Sie hier, wie maschinelles Lernen die Art und Weise beeinflusst, Vögel zu erforschen und sie letztendlich zu schützen.
Die Herausforderung, Zugvögel zu erhalten
Die meisten Vögel in der westlichen Hemisphäre zwei Mal im Jahr migrieren, die zwischen ihren Brut- und Nichtbrutgründen ganze Kontinente überfliegen. Während diese Reisen beeindruckend sind, setzen sie Vögel unterwegs vielen Gefahren aus, einschließlich extremes Wetter, Nahrungsmittelknappheit Und Lichtverschmutzung die Vögel anziehen und dazu führen können, dass sie mit Gebäuden kollidieren.
Unsere Fähigkeit, Zugvögel zu schützen, ist nur so gut wie die Wissenschaft, die uns sagt, wohin sie ziehen. Und diese Wissenschaft hat einen langen Weg zurückgelegt.
1920 startete der US Geological Survey die Labor für Vogelbänderung, die den Versuch anführt, Vögel mit einzigartigen Markierungen zu versehen und die Vögel dann an neuen Orten wieder einzufangen, um herauszufinden, wohin sie gereist sind. Heutzutage können Forscher eine Vielzahl leichter Ortungsmarken an Vögeln anbringen, um ihre Zugrouten zu entdecken. Diese Tools haben die räumlichen Muster von aufgedeckt wo und wann Vögel vieler Arten wandern.
Das Verfolgen von Vögeln hat jedoch Einschränkungen. Zum einen vorbei 4 Milliarden Vögel wandern jedes Jahr auf dem ganzen Kontinent. Selbst mit immer erschwinglicherer Ausrüstung ist die Anzahl der Vögel, die wir verfolgen, ein Tropfen auf den heißen Stein. Und selbst innerhalb einer Art kann das Migrationsverhalten je nach Geschlecht oder Population variieren.
Darüber hinaus sagen uns Tracking-Daten, wo Vögel waren, aber sie sagen uns nicht unbedingt, wohin sie gehen. Die Migration ist dynamisch, und das Klima und die Landschaften, durch die Vögel fliegen, ändern sich ständig. Das bedeutet, dass es entscheidend ist, ihre Bewegungen vorhersagen zu können.
Menschen in Alaska, Washington State und Mexiko erklären, was Zugvögel für sie bedeuten.
Verwendung von maschinellem Lernen zur Prognose der Migration
Hier kommt maschinelles Lernen ins Spiel. Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, das Computern die Fähigkeit gibt, Aufgaben oder Zusammenhänge zu lernen, ohne explizit programmiert zu werden. Wir verwenden es, um Algorithmen zu trainieren, die verschiedene Aufgaben bewältigen, von der Vorhersage des Wetters bis zur Vorhersage von March Madness-Störungen.
Aber die Anwendung von maschinellem Lernen erfordert Daten – und je mehr Daten, desto besser. Glücklicherweise haben Wissenschaftler versehentlich jahrzehntelange Daten über Zugvögel durch die zusammengestellt Wetterradarsystem der nächsten Generation. Dieses als NEXRAD bekannte Netzwerk wird zur Messung der Wetterdynamik und zur Vorhersage zukünftiger Wetterereignisse verwendet, nimmt aber auch Signale von Vögeln auf, die durch die Atmosphäre fliegen.
BirdCast ist ein Gemeinschaftsprojekt der Colorado State University, des Cornell Lab of Ornithology und der University of Massachusetts, das versucht, diese Daten zur Quantifizierung des Vogelzugs zu nutzen. Maschinelles Lernen ist von zentraler Bedeutung für seinen Betrieb. Das wissen Forscher seit den 1940er Jahren Vögel tauchen auf dem Wetterradar aufaber um diese Daten nützlich zu machen, müssen wir Nicht-Vogel-Unordnung entfernen und identifizieren, welche Scans Vogelbewegungen enthalten.
Dieser Prozess wäre von Hand mühsam – aber durch das Training von Algorithmen zur Erkennung von Vogelaktivitäten haben wir diesen Prozess automatisiert und jahrzehntelange Migrationsdaten freigeschaltet. Und maschinelles Lernen ermöglicht es dem BirdCast-Team, noch einen Schritt weiter zu gehen: Indem wir einen Algorithmus trainieren, um zu lernen, welche atmosphärischen Bedingungen mit der Migration verbunden sind, können wir vorhergesagte Bedingungen verwenden, um zu produzieren Prognosen der Migration über die kontinentalen USA
BirdCast begann 2018 mit der Ausstrahlung dieser Vorhersagen und ist es geworden ein beliebtes Werkzeug in der Vogelbeobachtungs-Community. Viele Benutzer erkennen vielleicht, dass Radardaten bei der Erstellung dieser Vorhersagen helfen, aber weniger erkennen, dass es sich um ein Produkt des maschinellen Lernens handelt.
Derzeit können uns diese Prognosen nicht sagen, welche Arten in der Luft sind, aber das könnte sich ändern. Letztes Jahr veröffentlichten Forscher des Cornell Lab of Ornithology ein automatisiertes System, das maschinelles Lernen nutzt nächtliche Flugrufe erkennen und identifizieren. Dies sind artspezifische Rufe, die Vögel während des Zugs machen. Die Integration dieses Ansatzes mit BirdCast könnte uns ein vollständigeres Bild der Migration vermitteln.
Diese Fortschritte veranschaulichen, wie effektiv maschinelles Lernen sein kann, wenn es von Fachwissen in dem Bereich geleitet wird, in dem es angewendet wird. Als ein DoktorandIch bin beigetreten Aeroecology Lab der Colorado State University mit einem starken ornithologischen Hintergrund, aber ohne Erfahrung mit maschinellem Lernen. Umgekehrt, Ali Khalighifarein Postdoktorand in unserem Labor, hat einen Hintergrund im maschinellen Lernen, hat aber noch nie einen Ornithologiekurs belegt.
Gemeinsam arbeiten wir daran, die Modelle zu verbessern, die BirdCast zum Laufen bringen, und stützen uns oft auf die Erkenntnisse der anderen, um das Projekt voranzubringen. Unsere Zusammenarbeit ist typisch für die Konvergenz, die es uns ermöglicht, maschinelles Lernen effektiv zu nutzen.
BirdCast bietet Zusammenfassungen von radarbasierten Messungen des nächtlichen Vogelzugs für die kontinentalen USA, einschließlich Schätzungen der Anzahl der Zugvögel und ihrer Richtungen, Geschwindigkeiten und Höhen.
Ein Instrument für öffentliches Engagement
Maschinelles Lernen hilft Wissenschaftlern auch dabei, die Öffentlichkeit in den Naturschutz einzubinden. Beispielsweise werden vom BirdCast-Team erstellte Prognosen häufig zur Information verwendet Lichter aus Kampagnen.
Diese Initiativen zielen darauf ab, künstliches Licht aus Städten zu reduzieren, das Zugvögel anzieht und ihre Wahrscheinlichkeit erhöht, mit von Menschen gebauten Strukturen wie Gebäuden und Kommunikationstürmen zu kollidieren. Lights Out-Kampagnen können Menschen mobilisieren, um Vögel auf Knopfdruck zu schützen.
Als weiteres Beispiel die Vogelbestimmungs-App Merlin ist bestrebt, eine Technologie zu entwickeln, die die Vogelbeobachtung für alle einfacher macht. Im Jahr 2021 veröffentlichten die Mitarbeiter von Merlin eine Funktion, die die Identifizierung von Songs und Anrufen automatisiert und es Benutzern ermöglicht, in Echtzeit zu identifizieren, was sie hören, z ornithologische Version von Shazam.
Diese Funktion hat Millionen von Menschen die Tür geöffnet, sich auf neue Weise mit ihrer natürlichen Umgebung auseinanderzusetzen. Maschinelles Lernen ist ein großer Teil dessen, was es möglich gemacht hat.
„Sound ID ist unser größter Erfolg, wenn es darum geht, die magische Erfahrung der Vogelbeobachtung mit einem erfahrenen Naturforscher zu reproduzieren“, sagte Grant Van Horn, ein Mitarbeiter des Cornell Lab of Ornithology, der an der Entwicklung des Algorithmus hinter dieser Funktion mitgewirkt hat.
Flug nehmen
Die Möglichkeiten für die Anwendung von maschinellem Lernen in der Ornithologie werden nur zunehmen. Da in diesem Frühjahr Milliarden von Vögeln über Nordamerika zu ihren Brutgebieten ziehen, werden sich die Menschen dank Projekten wie BirdCast und Merlin auf neue Weise mit diesen Flügen beschäftigen. Aber dieses Engagement beruht auf Gegenseitigkeit: Die Daten, die Vogelbeobachter sammeln, werden neue Möglichkeiten für die Anwendung von maschinellem Lernen eröffnen.
Computer können diese Arbeit nicht selbst erledigen. „Jedes erfolgreiche maschinelle Lernprojekt hat eine große menschliche Komponente. Das ist der Grund, warum diese Projekte erfolgreich sind“, sagte Van Horn zu mir.
Dieser Artikel wird neu veröffentlicht von Die Unterhaltung unter einer Creative-Commons-Lizenz. Lies das originaler Artikel.