HyperAI超神经

La migration des oiseaux est un phénomène naturel fascinant.On estime que près d’un cinquième des espèces d’oiseaux du monde migrent régulièrement pour se reproduire et hiverner. En écologie, l’étude des lois écologiques telles que les voies de migration des oiseaux est d’une grande importance pour la protection des espèces d’oiseaux menacées, le maintien de l’équilibre écologique et la prévention de la propagation des épidémies.

Ces dernières années, il est devenu plus difficile de prévoir la migration des oiseaux en raison de facteurs tels que le changement climatique mondial et les activités humaines. Récemment, Miguel Fuentes, étudiant diplômé de l'Université du Massachusetts à Amherst, et Benjamin M. Van Doren de l'Université Cornell ont publié un nouveau modèle probabiliste, BirdFlow, dans la revue Methods in Ecology and Evolution.Le modèle utilise la modélisation informatique et les ensembles de données eBird pour prédire avec précision les trajectoires de vol des oiseaux migrateurs.

Ce résultat de recherche a été publié dans Methods in Ecology and Evolution

Adresse du document :

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

Les chercheurs ont utilisé des estimations d’abondance relative générées par le projet eBird Status & Trends pour simuler les mouvements des oiseaux, mais il y a un problème. Les informations sur l’abondance relative passée ne peuvent montrer que la plage de localisation des oiseaux d’une semaine à l’autre et ne peuvent pas suivre les individus. C’est pourquoi, dans cette étude, les chercheurs se sont concentrés sur la résolution de ce problème.Le processus clé est illustré dans la figure ci-dessous :

Figure 1 : Processus de préparation et de modélisation des données

* Prétraitement des données : Prétraitement des estimations d’abondance relative pour produire des distributions de population hebdomadaires ;

* fonction de perte : spécifie une fonction de perte qui évalue les modèles potentiels à l'aide d'une distribution hebdomadaire et d'un proxy pour le coût de l'énergie ;

* Structure du modèle : sélectionnez une structure de modèle ;

* Modèle entraîné : Optimiser la fonction de perte via un processus numérique pour sélectionner les meilleurs paramètres du modèle ;

* Validation : Calculez la vraisemblance logarithmique moyenne et la valeur PIT des oiseaux réels pour valider le modèle entraîné.

Présentation de la modélisation BirdFlow

Les chercheurs utilisent eBird R a téléchargé des estimations d'abondance relative pour 11 espèces d'oiseaux à partir d'eBird Status & Trends, et des données de suivi GPS ou par satellite étaient disponibles pour ces 11 espèces d'oiseaux.

Statut et tendances d'eBird :

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

Tableau 1 : Données de suivi GPS des 11 espèces d'oiseaux utilisées

Ensuite, les chercheurs ont défini une fonction de perte,La fonction de perte est basée sur la distribution hebdomadaire de la population dérivée de eBird Status & Trends, le coût énergétique du déplacement des oiseaux entre les emplacements et un terme de régularisation de l'entropie.

Avant d’optimiser la fonction de perte, une structure de modèle doit être spécifiée. Ici, les chercheurs ont prouvé qu’il est raisonnable de limiter le processus d’optimisation à la recherche uniquement sur les chaînes de Markov. Ils ont donc modélisé les mouvements des oiseaux selon un modèle de Markov et l'ont optimisé.Comprend l'utilisation d'algorithmes de paramétrisation et d'optimisation de la chaîne de Markov.

Après les étapes ci-dessus, les chercheurs ont obtenu un modèle entraîné.Et une vérification appropriée a été effectuée.

Processus de vérification BirdFlow

Le processus de vérification est divisé en trois parties :Recherche de grille d'hyperparamètres, étalonnage d'entropie, prévision k-semaines,Le processus spécifique et les résultats des tests sont les suivants.

Recherche par grille d'hyperparamètres

Pour valider le modèle, les chercheurs ont effectué une recherche de grille d’hyperparamètres et ont utilisé les résultats de la recherche pour étudier deux questions.

Dans un premier temps, les chercheurs ont mené une étude d’ablation.Les effets du terme de régularisation de l'entropie et de l'indice de distance sur la qualité du modèle ont été explorés.Les résultats de l’étude d’ablation sont présentés dans la figure ci-dessous. On peut constater que tous les modèles BirdFlow fonctionnent mieux que le modèle de base qui n’inclut que l’abondance relative des oiseaux.

Figure 2 : Étude d'ablation de type modèle

deuxième,Les chercheurs ont exploré la sensibilité du modèle à la sélection d’hyperparamètres en utilisant deux méthodes de sélection d’hyperparamètres.Les résultats sont présentés dans la figure ci-dessous. Pour la plupart des espèces d’oiseaux, le modèle utilisant le paramètre LOO (sélectionné à l’aide des données de suivi de validation d’autres espèces d’oiseaux) fonctionne aussi bien que le modèle utilisant le paramètre réglé (utilisant les données de suivi de validation de cette espèce d’oiseau). La performance est mesurée comme la probabilité logarithmique moyenne de la transition sur une semaine.

Correction d'entropie

La figure ci-dessous montre l’effet de la régularisation de l’entropie sur l’étalonnage du modèle.L'histogramme de transformation intégrale de probabilité aléatoire (PIT) des cinq versions du modèle de la Bécasse d'Amérique à différents poids d'entropie montre comment les modèles entraînés prédisent la position est-ouest de la Bécasse d'Amérique au cours de la semaine.

Comme vous pouvez le voir, les histogrammes sont presque cohérents, ce qui indique que le modèle est bien calibré.

Figure 4 : Effet de la régularisation de l'entropie sur l'étalonnage du modèle

prévisions de la semaine K

Les figures 5 et 6 montrent les performances du modèle à différents moments de prévision (en semaines). Les chercheurs ont identifié les modèles les plus performants à partir d’une recherche sur grille d’hyperparamètres et les ont évalués sur des périodes allant de 1 à 17 semaines.Comment ce meilleur modèle se comporte par rapport au modèle de référence.

La figure 5(a) montre les résultats pour chaque type d’oiseau.On peut constater qu’au fil du temps, les performances du meilleur modèle pour chaque oiseau se rapprochent de plus en plus du modèle de base.La figure 5(b) montre la comparaison des écarts entre le modèle optimisé par Woodcock, le modèle LOO et le modèle de base.On peut constater que pendant la période de prédiction, les performances du modèle réglé et du modèle LOO sont meilleures que celles du modèle de base.

Figure 5 : Graphique des performances de prédiction

Figure 6 : Résultats d'inférence du modèle de la petite bécasse

Grâce aux expériences ci-dessus, les chercheurs ont découvert que BirdFlow peut utiliser les estimations hebdomadaires d'abondance relative d'eBird pour déduire avec précision les chemins de migration des oiseaux individuels, et les résultats ont montré queBirdFlow prédit les résultats bien mieux que le modèle de base.

Sur la base de ce résultat, les chercheurs pensent qu’en plus d’étudier le phénomène naturel de la migration des oiseaux,Le modèle BirdFlow peut également être utilisé pour étudier d’autres phénomènes.Par exemple, le comportement d’escale des oiseaux et leur réponse au changement global.

Cependant, malgré les réalisations du modèle BirdFlow, certains chercheurs en Amérique du Nord et en Europe ont remis en question son utilisation de la base de données eBird, arguant que l'observation des oiseaux n'est pas une méthode rigoureuse de collecte de données. À cet égard, les chercheurs de BirdFlow ont déclaré :L'équipe envisage d'intégrer davantage de données, comme les données satellite ou GPS permettant de suivre la localisation des oiseaux.

L'IA pourrait devenir le protecteur de la nature

L’émergence du modèle BirdFlow signifie que les humains ont ouvert un raccourci vers l’apprentissage automatique dans la recherche liée à la migration des oiseaux. Bien qu’elle soit encore à ses débuts et encore loin d’être mise en pratique dans le domaine de la conservation de la nature, cette recherche révèle sans aucun doute une tendance importante.L’IA est largement utilisée dans le domaine de la conservation de la nature.

PAWS, développé par des chercheurs de l'Université Carnegie Mellon, peut générer un itinéraire de patrouille permettant à la police de cibler les braconniers ; Merlin, développé par l’Université Cornell, peut identifier les espèces en fonction des chants et des images d’oiseaux ; et TrailGuard AI, développé par Resolve, peut protéger la faune en identifiant les images de braconniers suspects et en émettant des alarmes.