マサチューセッツ大学はコンピューター モデリングと eBird データ セットを使用して鳥の渡りを予測することに成功しました
鳥の渡りは興味深い自然現象です。世界の鳥類のほぼ 5 分の 1 が繁殖と越冬のために定期的に移動を行っていることがわかっています。生態学では、鳥の移動ルートなどの生態法則を研究することは、絶滅危惧種の鳥類を保護し、生態系のバランスを維持し、伝染病の蔓延を防ぐために非常に重要です。
近年、地球規模の気候変動や人間活動などの要因により、鳥の移動を予測することはますます困難になっています。最近、マサチューセッツ大学アマースト校の大学院生ミゲル・フエンテス氏とコーネル大学のベンジャミン・M・ヴァン・ドーレン氏は、新しい確率モデルBirdFlowを「Methods in Ecology and Evolution」誌に発表した。このモデルはコンピューター モデリングと eBird データ セットを使用して、渡り鳥の飛行経路を正確に予測します。
用紙のアドレス:
https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/2041-210X.14052
研究者らは、eBird Status & Trends プロジェクトによって生成された相対個体数推定値 (個体数推定値) を使用して、鳥の移動をシミュレートしました。しかし、過去の相対個体数情報では、鳥の週ごとの位置範囲のみを示すことができ、個体を追跡することはできません。したがって、この研究では、研究者はこの問題の解決に焦点を当てました。主要なプロセスを次の図に示します。
* データ前処理: 相対的な存在量の推定値を前処理して、毎週の人口分布を生成します。
* 損失関数: 毎週の分布とエネルギーコストのプロキシを使用して潜在的なモデルにスコアを付けるための損失関数を指定します。
* モデル構造: モデル構造を選択します。
* トレーニング済みモデル: 数値プロセスを通じて損失関数を最適化し、最適なモデル パラメーターを選択します。
* 検証: 訓練されたモデルを検証するために、実際の鳥の平均対数尤度および PIT 値を計算します。
BirdFlow モデリングの概要
研究者が使用する ebird R は、eBird Status & Trends から 11 種の鳥類の相対個体数推定値をダウンロードしました。これら 11 種の鳥については、GPS または衛星追跡データも利用できます。
eBird のステータスと傾向:
https://science.ebird.org/zh-CN/status-and-trends
次に、研究者らは損失関数を定義しました。損失関数は、毎週の個体数分布、場所間の鳥の移動のエネルギー コスト、および eBird Status & Trends から導出されたエントロピー正則化項に基づいています。
損失関数を最適化する前に、モデル構造を指定する必要があります。ここで研究者らは、最適化プロセスをマルコフ連鎖のみに限定することが合理的であることを証明しました。そこで彼らは鳥の動きをマルコフモデルとしてモデル化し、それを最適化しました。マルコフ連鎖パラメータ化および最適化アルゴリズムの使用が含まれます。
上記の手順の後、研究者は訓練されたモデルを取得しました。関連する検証を実施しました。
BirdFlowの検証プロセス
検証プロセスは 3 つの部分に分かれています。ハイパーパラメータグリッド検索、エントロピーキャリブレーション、k-week予測、具体的なプロセスとテスト結果は以下の通りです。
ハイパーパラメータグリッド検索
モデルの検証フェーズでは、研究者はハイパーパラメータ グリッド検索を実行し、その検索結果を使用して 2 つの質問を調査しました。
まず、研究者らはアブレーション研究を実施しました。エントロピー正則化項と距離指数がモデルの品質に及ぼす影響を調査します。アブレーション研究の結果を以下に示します。すべての BirdFlow モデルが、相対的な鳥の存在量のみを含むベースライン モデルよりも優れたパフォーマンスを示していることがわかります。
2番、研究者らは、2 つのハイパーパラメータ選択方法を使用して、ハイパーパラメータ選択に対するモデルの感度を調査しました。テスト結果を以下の図に示します。ほとんどの鳥類では、LOO パラメーターを使用したモデル (他の鳥の検証追跡データの選択) と、調整されたパラメーターを使用したモデル (この鳥の検証追跡データを使用) が実行されました。このうち、パフォーマンスは 1 週間の推移の平均対数尤度 (対数尤度) によって測定されます。
エントロピー補正
以下の図は、モデルのキャリブレーションに対するエントロピー正則化の影響を示しています。異なるエントロピー重みの下でのアメリカン ウッドコック モデルの 5 つのバージョンの確率的確率積分変換 (PIT) ヒストグラムは、ウッドコック モデルの週のトレーニング モデルの東西方位予測を示します。
見てわかるように、ヒストグラムはほぼ同一であり、モデルが適切にキャリブレーションされていることを示しています。
k週間の天気予報
図 5 と図 6 は、さまざまな予測時間 (週単位) でのモデルのパフォーマンスを示しています。研究者らは、ハイパーパラメータ グリッド検索から最もパフォーマンスの高いモデルを特定し、1 ～ 17 週間評価しました。ベースライン モデルと比較した、この最良のモデルのパフォーマンス。
図 5(a) は、鳥種ごとの結果を示しています。時間が経つにつれて、各鳥の最高のモデルのパフォーマンス能力がベンチマーク モデルにどんどん近づいていることがわかります。図 5(b) は、ヤマシギ調整モデル、LOO モデル、およびベースライン モデル間のギャップの比較を示しています。予測時間中、調整されたモデルと LOO モデルはベースライン モデルよりも優れたパフォーマンスを示していることがわかります。
上記の実験の後、研究者らは、BirdFlow が eBird の毎週の相対個体数推定値を使用して個々の鳥の移動経路を正確に推測できることを発見しました。その結果は次のことを示しています。BirdFlow は、ベースライン モデルよりも大幅に優れた結果を予測します。
この結果に基づいて、研究者らは鳥の移動という自然現象を探求することに加えて、BirdFlow モデルは、他の現象の研究にも使用できます。鳥類の立ち寄り行動や地球規模の変化への対応など。
しかし、BirdFlow モデルは一連の成果を上げていますが、北米とヨーロッパの一部の研究者は、野鳥観察をデータ収集方法として使用することは厳密ではないと考えています。これに関して、BirdFlow 研究者は次のように述べています。チームはさらに多くのデータを組み込むことを検討しています鳥の位置の衛星または GPS 追跡など。
AIは自然の守護者になるかもしれない
BirdFlow モデルの登場は、人類が鳥の渡りに関する研究において機械学習の近道を切り開いたことを意味します。まだ初期段階にあり、自然保護などの実用化には程遠いが、この研究が重要な傾向を明らかにしていることは間違いない。AIは自然保護において広く活用されています。
カーネギーメロン大学の研究者が開発した PAWS は、警察のために密猟者の巡回ルートを生成でき、コーネル大学が開発した Merlin は鳥の鳴き声と画像に基づいて種を識別でき、Resolve が開発した TrailGuard AI は、密猟者と疑われる人物の画像を識別して野生動物を保護できます。そしてアラートを発行します。
人間にとって自然生態系の重要性は自明のことであり、時が経つにつれて生態系を保護することが急務となっています。AIはどのような新たな役割を果たすのでしょうか？皆さんもコメント欄で意見を広めたり、議論したりすることを歓迎します。