يستخدم العلماء التعلم الآلي للتنبؤ بهجرة الطيور وتحديد الطيور أثناء الطيران من خلال مكالماتهم

مع ظهور برامج الدردشة مثل ChatGPT ، يلعب التعلم الآلي دورًا بارزًا بشكل متزايد في حياتنا. بالنسبة للكثيرين منا ، كانت حقيبة مختلطة. نفرح عندما تجد قائمة التشغيل الخاصة بنا على Spotify For You ازدحامًا جديدًا ، ولكننا نتأوه أثناء قيامنا بالتمرير عبر عدد كبير من الإعلانات المستهدفة على خلاصات Instagram الخاصة بنا.

يعمل التعلم الآلي أيضًا على تغيير العديد من المجالات التي قد تبدو مفاجئة. أحد الأمثلة هو تخصصي ، علم الطيور – دراسة الطيور. لا يقتصر الأمر على حل بعض أكبر التحديات المرتبطة بدراسة هجرة الطيور ؛ على نطاق أوسع ، يعمل التعلم الآلي على توسيع الطرق التي يتعامل بها الناس مع الطيور. مع بدء الهجرة في فصل الربيع ، إليك نظرة على كيفية تأثير التعلم الآلي على طرق البحث عن الطيور وحمايتها في النهاية.

التحدي المتمثل في الحفاظ على الطيور المهاجرة

تهاجر معظم الطيور في نصف الكرة الغربي مرتين في السنة ، وتطير فوق قارات بأكملها بين مناطق تكاثرها وأماكن عدم تكاثرها. في حين أن هذه الرحلات مذهلة ، إلا أنها تعرض الطيور للعديد من المخاطر في طريقها ، بما في ذلك الطقس القاسي ونقص الغذاء والتلوث الضوئي الذي يمكن أن يجذب الطيور ويتسبب في اصطدامها بالمباني.

إن قدرتنا على حماية الطيور المهاجرة جيدة مثل العلم الذي يخبرنا إلى أين تذهب. وقد قطع هذا العلم شوطا طويلا.

في عام 1920 ، أطلقت هيئة المسح الجيولوجي الأمريكية مختبر نطاقات الطيور ، وقادت جهودًا لوضع عصابات ذات علامات فريدة على الطيور ، ثم إعادة أسر الطيور في أماكن جديدة لمعرفة أين سافروا. يمكن للباحثين اليوم نشر مجموعة متنوعة من علامات التتبع خفيفة الوزن على الطيور لاكتشاف طرق هجرتها. كشفت هذه الأدوات عن الأنماط المكانية لأين ومتى تهاجر الطيور من العديد من الأنواع.

ومع ذلك ، فإن تتبع الطيور له حدود. لسبب واحد ، يهاجر أكثر من 4 مليارات طائر عبر القارة كل عام. حتى مع وجود معدات ميسورة التكلفة بشكل متزايد ، فإن عدد الطيور التي نتتبعها هو قطرة في الدلو. وحتى داخل الأنواع ، قد يختلف سلوك الهجرة باختلاف الجنس أو السكان.

علاوة على ذلك ، تخبرنا بيانات التتبع بمكان وجود الطيور ، ولكنها لا تخبرنا بالضرورة إلى أين تذهب. الهجرة ديناميكية ، والمناخات والمناظر الطبيعية التي تطير الطيور من خلالها تتغير باستمرار. هذا يعني أنه من الضروري أن تكون قادرًا على التنبؤ بتحركاتهم.

استخدام التعلم الآلي للتنبؤ بالترحيل

هذا هو المكان الذي يأتي فيه التعلم الآلي. التعلم الآلي هو حقل فرعي من الذكاء الاصطناعي يمنح أجهزة الكمبيوتر القدرة على تعلم المهام أو الارتباطات دون أن تتم برمجتها بشكل صريح. نستخدمه لتدريب الخوارزميات التي تعالج مهام مختلفة ، من التنبؤ بالطقس إلى توقع اضطرابات March Madness.

لكن تطبيق التعلم الآلي يتطلب بيانات – وكلما زادت البيانات كان ذلك أفضل. لحسن الحظ ، جمع العلماء عن غير قصد عقودًا من البيانات عن الطيور المهاجرة من خلال نظام رادار الطقس من الجيل التالي. تُستخدم هذه الشبكة ، المعروفة باسم NEXRAD ، لقياس ديناميكيات الطقس والمساعدة في التنبؤ بأحداث الطقس المستقبلية ، ولكنها أيضًا تلتقط إشارات من الطيور أثناء تحليقها في الغلاف الجوي.

BirdCast هو مشروع تعاوني لجامعة ولاية كولورادو ومختبر كورنيل لعلم الطيور وجامعة ماساتشوستس الذي يسعى إلى الاستفادة من هذه البيانات لتحديد هجرة الطيور. التعلم الآلي أساسي لعملياتها. لقد عرف الباحثون منذ الأربعينيات أن الطيور تظهر على رادار الطقس ، ولكن لجعل هذه البيانات مفيدة ، نحتاج إلى إزالة الفوضى غير الطافية وتحديد عمليات المسح التي تحتوي على حركة الطيور.

ستكون هذه العملية شاقة يدويًا – ولكن من خلال تدريب الخوارزميات لتحديد نشاط الطيور ، قمنا بأتمتة هذه العملية وفتحنا عقودًا من بيانات الهجرة. ويسمح التعلم الآلي لفريق BirdCast بأخذ الأمور إلى أبعد من ذلك: من خلال تدريب خوارزمية لمعرفة ظروف الغلاف الجوي المرتبطة بالهجرة ، يمكننا استخدام الظروف المتوقعة لإنتاج تنبؤات بالهجرة عبر الولايات المتحدة القارية

بدأت BirdCast بث هذه التوقعات في عام 2018 وأصبحت أداة شائعة في مجتمع الطيور. قد يدرك العديد من المستخدمين أن بيانات الرادار تساعد في إنتاج هذه التوقعات ، لكن القليل منهم يدركون أنها نتاج تعلم الآلة.

لا يمكن لهذه التوقعات حاليًا أن تخبرنا عن الأنواع الموجودة في الهواء ، لكن هذا قد يتغير. في العام الماضي ، نشر باحثون في مختبر كورنيل لعلم الطيور نظامًا آليًا يستخدم التعلم الآلي لاكتشاف وتحديد مكالمات الطيران الليلية. هذه هي المكالمات الخاصة بالأنواع التي تقوم بها الطيور أثناء الهجرة. قد يمنحنا دمج هذا النهج مع BirdCast صورة أكثر اكتمالاً عن الهجرة.

توضح هذه التطورات مدى فعالية التعلم الآلي عند الاسترشاد بالخبرة في المجال الذي يتم تطبيقه فيه. كطالب دكتوراه ، انضممت إلى مختبر علم البيئة الجوية بجامعة ولاية كولورادو بخلفية قوية في علم الطيور ولكن لا توجد خبرة في التعلم الآلي. على العكس من ذلك ، علي خلييفار ، باحث ما بعد الدكتوراه في مختبرنا ، لديه خلفية في التعلم الآلي ولكنه لم يحضر فصلًا في علم الطيور.

نعمل معًا على تحسين النماذج التي تجعل BirdCast يعمل ، وغالبًا ما يعتمد على رؤى بعضنا البعض لدفع المشروع إلى الأمام. يمثل تعاوننا التقارب الذي يسمح لنا باستخدام التعلم الآلي بفعالية.

أداة للمشاركة العامة

يساعد التعلم الآلي العلماء أيضًا على إشراك الجمهور في الحفظ. على سبيل المثال ، غالبًا ما تُستخدم التنبؤات التي ينتجها فريق BirdCast لإعلام حملات Lights Out.

وتسعى هذه المبادرات إلى تقليل الضوء الصناعي من المدن ، مما يجذب الطيور المهاجرة ويزيد من فرص اصطدامها بالهياكل التي يبنيها الإنسان ، مثل الأبنية وأبراج الاتصالات. يمكن لحملات إطفاء الأنوار حشد الناس للمساعدة في حماية الطيور بضغطة زر.

كمثال آخر ، يسعى تطبيق التعرف على الطيور Merlin إلى إنشاء تقنية تجعل الطيور أسهل للجميع. في عام 2021 ، أصدر فريق Merlin ميزة تعمل على أتمتة تحديد الأغنية والمكالمات ، مما يسمح للمستخدمين بتحديد ما يسمعونه في الوقت الفعلي ، مثل إصدار علم الطيور من Shazam.

لقد فتحت هذه الميزة الباب لملايين الأشخاص للتفاعل مع مساحاتهم الطبيعية بطريقة جديدة. يعد التعلم الآلي جزءًا كبيرًا مما جعله ممكنًا.

أخبرني جرانت فان هورن ، الباحث في فريق العمل في مختبر كورنيل لعلم الطيور الذي ساعد في تطوير الخوارزمية وراء هذه الميزة ، أن “معرف الصوت هو أكبر نجاح لنا من حيث تكرار التجربة السحرية المتمثلة في الذهاب إلى الطيور مع عالم طبيعي ماهر”.

أخذ رحلة

ستزداد فرص تطبيق التعلم الآلي في علم الطيور فقط. مع هجرة مليارات الطيور فوق أمريكا الشمالية إلى مناطق تكاثرها هذا الربيع ، سيتفاعل الناس مع هذه الرحلات بطرق جديدة ، وذلك بفضل مشاريع مثل BirdCast و Merlin. لكن هذه المشاركة متبادلة: ستفتح البيانات التي يجمعها هواة الطيور فرصًا جديدة لتطبيق التعلم الآلي.

لا تستطيع أجهزة الكمبيوتر القيام بهذا العمل بنفسها. “يحتوي أي مشروع ناجح للتعلم الآلي على عنصر بشري ضخم فيه. قال لي فان هورن: “هذا هو سبب نجاح هذه المشاريع”.