باستخدام النمذجة الحاسوبية ومجموعات بيانات eBird، نجحت جامعة ماساتشوستس في التنبؤ بهجرة الطيور
تعتبر هجرة الطيور ظاهرة طبيعية رائعة.ومن المفهوم أن ما يقرب من خُمس أنواع الطيور في العالم تهاجر بانتظام للتكاثر وقضاء الشتاء. في علم البيئة، تعتبر دراسة القوانين البيئية مثل طرق هجرة الطيور ذات أهمية كبيرة لحماية أنواع الطيور المهددة بالانقراض، والحفاظ على التوازن البيئي، ومنع انتشار الأوبئة.
في السنوات الأخيرة، أصبح التنبؤ بهجرة الطيور أكثر صعوبة بسبب عوامل مثل تغير المناخ العالمي والأنشطة البشرية. في الآونة الأخيرة، نشر ميغيل فوينتس، وهو طالب دراسات عليا في جامعة ماساتشوستس أمهرست، وبنجامين م. فان دورين من جامعة كورنيل، نموذجًا احتماليًا جديدًا، BirdFlow، في مجلة Methods in Ecology and Evolution.ويستخدم النموذج النمذجة الحاسوبية ومجموعات بيانات eBird للتنبؤ بدقة بمسارات طيران الطيور المهاجرة.
عنوان الورقة:
https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210X.14052
استخدم الباحثون تقديرات الوفرة النسبية التي تم إنشاؤها بواسطة مشروع eBird Status & Trends لمحاكاة تحركات الطيور، ولكن هناك مشكلة. لا يمكن لمعلومات الوفرة النسبية السابقة إلا أن تظهر نطاق موقع الطيور من أسبوع إلى آخر ولا يمكنها تتبع الأفراد. ولذلك ركز الباحثون في هذه الدراسة على حل هذه المشكلة.وتظهر العملية الرئيسية في الشكل أدناه:
* معالجة البيانات مسبقًا: معالجة تقديرات الوفرة النسبية مسبقًا لإنتاج توزيعات سكانية أسبوعية؛
* دالة الخسارة: تحدد دالة الخسارة التي تسجل النماذج المحتملة باستخدام توزيع أسبوعي ووكيل لتكلفة الطاقة؛
* هيكل النموذج: حدد هيكل النموذج؛
* النموذج المدرب: تحسين دالة الخسارة من خلال عملية عددية لاختيار أفضل معلمات النموذج؛
* التحقق: احسب متوسط احتمالية السجل وقيمة PIT للطيور الحقيقية للتحقق من صحة النموذج المدرب.
نظرة عامة على نمذجة BirdFlow
يستخدم الباحثون قام برنامج ebird R بتنزيل تقديرات الوفرة النسبية لـ 11 نوعًا من الطيور من eBird Status & Trendsوكانت بيانات تتبع نظام تحديد المواقع العالمي (GPS) أو الأقمار الصناعية متاحة لهذه الأنواع الـ11 من الطيور.
حالة eBird والاتجاهات:
https://science.ebird.org/zh-CN/status-and-trends
وبعد ذلك، قام الباحثون بتعريف دالة الخسارة،تعتمد دالة الخسارة على توزيع السكان الأسبوعي المستمد من حالة واتجاهات eBird، والتكلفة الطاقية لحركة الطيور بين المواقع، ومصطلح تنظيم الإنتروبيا.
قبل تحسين دالة الخسارة، يجب تحديد بنية النموذج. وهنا أثبت الباحثون أنه من المعقول أن تقتصر عملية التحسين على البحث على سلاسل ماركوف فقط. ولذلك، قاموا بنمذجة حركات الطيور وفقًا لنموذج ماركوف وقاموا بتحسينه.يتضمن استخدام معلمات سلسلة ماركوف وخوارزميات التحسين.
وبعد الخطوات السابقة حصل الباحثون على نموذج مدرب.وتم إجراء التحقق اللازم.
عملية التحقق من BirdFlow
تنقسم عملية التحقق إلى ثلاثة أجزاء:البحث في شبكة المعلمات الفائقة، معايرة الإنتروبيا، التنبؤ بـ k-week،العملية المحددة ونتائج الاختبار هي كما يلي.
شبكة بحث المعلمات الفائقة
للتحقق من صحة النموذج، أجرى الباحثون بحثًا شبكيًا للمعلمات الفائقة واستخدموا نتائج البحث لدراسة سؤالين.
أولاً، أجرى الباحثون دراسة الاستئصال.تم استكشاف تأثيرات مصطلح تنظيم الإنتروبيا ومؤشر المسافة على جودة النموذج.وتظهر نتائج دراسة الاستئصال في الشكل أدناه. يمكننا أن نرى أن جميع نماذج BirdFlow تعمل بشكل أفضل من النموذج الأساسي الذي يتضمن فقط الوفرة النسبية للطيور.
ثانية،قام الباحثون باستكشاف حساسية النموذج لاختيار المعلمات الفائقة باستخدام طريقتين لاختيار المعلمات الفائقة.وتظهر النتائج في الشكل أدناه. بالنسبة لمعظم أنواع الطيور، فإن النموذج الذي يستخدم معلمة LOO (المحددة باستخدام بيانات تتبع التحقق من صحة أنواع الطيور الأخرى) يعمل بنفس جودة النموذج الذي يستخدم المعلمة المضبوطة (باستخدام بيانات تتبع التحقق من صحة أنواع الطيور تلك). يتم قياس الأداء باعتباره متوسط احتمالية السجل للانتقال لمدة أسبوع واحد.
تصحيح الإنتروبيا
يوضح الشكل أدناه تأثير تنظيم الإنتروبيا على معايرة النموذج.يوضح الرسم البياني التوزيعي للتحويل التكاملي الاحتمالي العشوائي (PIT) للإصدارات الخمسة من نموذج طائر الدرواس الأمريكي عند أوزان إنتروبيا مختلفة كيف تتنبأ النماذج المدربة بالموضع الشرقي والغربي لطائر الدرواس الأمريكي على مدار الأسبوع.
كما ترى، فإن الهستوجرامات متسقة تقريبًا، مما يشير إلى أن النموذج معاير جيدًا.
توقعات الأسبوع k
يوضح الشكلان 5 و6 أداء النموذج في أوقات التنبؤ المختلفة (بالأسابيع). قام الباحثون بتحديد أفضل النماذج أداءً من خلال البحث في شبكة المعلمات الفائقة وقاموا بتقييمها على مدى فترات زمنية تتراوح من أسبوع إلى 17 أسبوعًا.كيف يعمل هذا النموذج الأفضل مقارنة بالنموذج الأساسي.
الشكل 5(أ) يوضح النتائج لكل نوع من الطيور.ومن الممكن ملاحظة أنه مع مرور الوقت، أصبح أداء أفضل نموذج لكل طائر أقرب إلى النموذج الأساسي.الشكل 5 (ب) يوضح مقارنة الفجوة بين نموذج Woodcock المضبوط ونموذج LOO والنموذج الأساسي.يمكن ملاحظة أنه خلال وقت التنبؤ، كان أداء النموذج المضبوط ونموذج LOO أفضل من أداء النموذج الأساسي.
ومن خلال التجارب المذكورة أعلاه، وجد الباحثون أن BirdFlow يمكنه استخدام تقديرات الوفرة النسبية الأسبوعية لـ eBird لاستنتاج مسارات هجرة الطيور الفردية بدقة، وأظهرت النتائج أنتتنبأ BirdFlow بنتائج أفضل بكثير من النموذج الأساسي.
وبناء على هذه النتيجة يعتقد الباحثون أنه بالإضافة إلى دراسة الظاهرة الطبيعية لهجرة الطيور،يمكن أيضًا استخدام نموذج BirdFlow لدراسة ظواهر أخرى.على سبيل المثال، سلوك توقف الطيور واستجابتها للتغير العالمي.
ومع ذلك، وعلى الرغم من إنجازات نموذج BirdFlow، فقد شكك بعض الباحثين في أميركا الشمالية وأوروبا في استخدامه لقاعدة بيانات eBird، بحجة أن مراقبة الطيور ليست طريقة دقيقة لجمع البيانات. وفي هذا الصدد، قال باحثو BirdFlow:ويفكر الفريق في دمج المزيد من البيانات، مثل بيانات الأقمار الصناعية أو نظام تحديد المواقع العالمي (GPS) التي تتعقب موقع الطيور.
قد يصبح الذكاء الاصطناعي حاميًا للطبيعة
ويعني ظهور نموذج BirdFlow أن البشر فتحوا طريقا مختصرا للتعلم الآلي في الأبحاث المتعلقة بهجرة الطيور. ورغم أن هذا البحث لا يزال في مراحله الأولى ولا يزال بعيداً بعض الشيء عن تطبيقه العملي في مجالات مثل الحفاظ على الطبيعة، فإنه بلا شك يكشف عن اتجاه مهم.يتم استخدام الذكاء الاصطناعي على نطاق واسع في مجال الحفاظ على الطبيعة.
يمكن لبرنامج PAWS، الذي طوره باحثون في جامعة كارنيجي ميلون، إنشاء مسار دورية للشرطة لاستهداف الصيادين غير الشرعيين؛ يمكن لبرنامج ميرلين، الذي طورته جامعة كورنيل، التعرف على الأنواع استنادًا إلى أغاني الطيور والصور؛ ويمكن لـ TrailGuard AI، الذي طورته شركة Resolve، حماية الحياة البرية من خلال تحديد صور الصيادين المشتبه بهم وإصدار الإنذارات.
إن أهمية النظم البيئية الطبيعية بالنسبة للبشر أمر واضح، وحماية هذه النظم أمر ملح. مع مرور الوقت،ما هو الدور الجديد الذي ستلعبه الذكاء الاصطناعي؟الجميع مدعوون للتفكير بشكل مختلف ومناقشته في قسم التعليقات.