UMass는 컴퓨터 모델링 및 eBird 데이터 세트를 사용하여 조류 이동을 예측합니다.

이 기사는 HyperAI Super Neural WeChat 공개 계정에서 처음 게시되었습니다 ~

콘텐츠 개요: 최근 생물학에서 가장 어려운 과제 중 하나인 철새의 궤적을 정확하게 예측하는 문제를 해결할 수 있는 새로운 예측 모델 BirdFlow가 영국 생태 학회지 "Methods in Ecology and Evolution"에 발표되었습니다. 모델이 아직 완성되고 있는 동안 연구원들은 이 모델이 대중에게 공개되어 1년 이내에 사용될 수 있다고 말했습니다. 이 글은 본 연구의 서론이자 해석이다.
핵심어: BirdFlow, 자연보호 확률모형

새의 이동은 매혹적인 자연 현상입니다. 세계 조류 종의 거의 1/5이 번식과 월동을 위해 정기적으로 이동하는 것으로 알려져 있습니다. 생태학에서 조류의 이동경로와 같은 생태법칙 연구는 멸종위기에 처한 조류종을 보호하고 생태계의 균형을 유지하며 전염병의 확산을 막는 데 큰 의의가 있다.

지구 기후 변화 및 인간 활동과 같은 요인으로 인해 최근 몇 년 동안 조류 이동을 예측하는 것이 더 어려워졌습니다. 최근 Massachusetts Amherst 대학의 대학원생인 Miguel Fuentes와 코넬 대학의 Benjamin M. Van Doren은 "Methods in Ecology and Evolution" 저널에 새로운 확률 모델 BirdFlow를 발표했습니다. 철새의 비행 경로를 정확하게 예측합니다.

종이 주소:

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

연구진은 eBird Status & Trends 프로젝트에서 생성한 상대풍부도 추정치(abundance estimates)를 이용하여 새의 움직임을 모의 실험했지만 문제점도 있었다. 개인을 추적할 수 없습니다. 따라서 본 연구에서는 연구자들이 이 문제를 해결하는 데 중점을 두었으며 핵심 프로세스는 아래 그림과 같다.

• 데이터 전처리: 주간 인구 분포를 생성하기 위해 상대적 존재비 추정치를 전처리합니다.

• 손실 함수: 주간 분포 및 에너지 비용에 대한 프록시를 사용하여 잠재적 모델의 점수를 매기기 위해 손실 함수를 지정합니다.

• 모델 구조: 모델 구조를 선택합니다.

• 훈련된 모델: 최상의 모델 매개변수를 선택하기 위해 수치 프로세스를 통해 손실 함수를 최적화합니다.

• 검증: 훈련된 모델을 검증하기 위해 실제 조류의 평균 로그 우도 및 PIT 값을 계산합니다.

BirdFlow 모델링 개요

연구자들은 ebird R을 사용하여 eBird Status & Trends에서 GPS 또는 위성 추적 데이터를 사용할 수 있는 11종의 조류에 대한 상대적 개체수 추정치를 다운로드했습니다.

eBird 상태 및 동향：

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

다음 단계로 연구원들은 eBird Status & Trends에서 파생된 주간 인구 분포, 서로 다른 위치 사이의 새 이동 에너지 비용 및 엔트로피 정규화 항을 기반으로 손실 함수를 정의했습니다.

손실 함수를 최적화하기 전에 모델 구조를 지정해야 하는데, 여기서 연구원들은 최적화 과정을 Markov 체인에서만 검색하도록 제한하는 것이 합리적임을 증명했습니다. 따라서 그들은 새의 움직임을 Markov 모델로 모델링하고 Markov 체인 매개변수화 및 최적화 알고리즘을 사용하는 것을 포함하여 최적화를 수행했습니다.

위의 단계를 거친 후 연구원들은 훈련된 모델을 얻고 이를 검증했습니다.

BirdFlow 검증 프로세스

검증 과정은 하이퍼파라미터 그리드 검색, 엔트로피 캘리브레이션, k-week 예측의 세 부분으로 나뉘며 구체적인 과정과 테스트 결과는 다음과 같다.

하이퍼파라미터 그리드 검색

모델 검증 단계에서 연구원들은 하이퍼파라미터 그리드 검색을 수행하고 검색 결과를 사용하여 두 가지 문제를 연구했습니다.

먼저 연구원들은 절제 연구를 통해 엔트로피 정규화 항과 거리 지수가 모델 품질에 미치는 영향을 조사했습니다. 절제 연구의 결과는 아래 그림과 같으며, 모든 BirdFlow 모델이 상대적인 조류만 포함하는 기준선 모델보다 성능이 우수함을 알 수 있습니다.

둘째, 연구자들은 두 가지 하이퍼파라미터 선택 방법을 통해 하이퍼파라미터 선택에 대한 모델의 민감도를 조사했습니다. 실험 결과는 아래 그림과 같이 대부분의 새에 대해 LOO 매개변수(다른 새에 대한 검증 추적 데이터 선택)를 사용한 모델과 튜닝된 매개변수(이를 위한 검증 추적 데이터 사용)를 사용한 모델이 수행되었습니다. 새). 여기서 성능은 1주 전환의 평균 로그 가능성으로 측정됩니다.

엔트로피 보정

아래 그림은 엔트로피 정규화가 모델 보정에 미치는 영향을 보여줍니다. 서로 다른 엔트로피 가중치에서 American Woodcock 모델의 5개 버전에 대한 확률 적분 변환(PIT) 히스토그램은 훈련된 모델이 우드콕의 일주일 동안의 동서 방향을 얼마나 잘 예측하는지 보여줍니다.

히스토그램이 거의 일치하는 것을 볼 수 있으며, 이는 모델의 보정이 잘 작동함을 나타냅니다.

k-주 예보

그림 5와 6은 서로 다른 예측 시간(주 단위)에서의 모델 성능을 보여줍니다. 연구원들은 하이퍼파라미터 그리드 검색에서 가장 성능이 좋은 모델을 식별하고 1주에서 17주까지 기준선 모델과 비교하여 최상의 모델의 성능을 평가했습니다.

그림 5(a)는 각 조류 종에 대한 결과를 보여줍니다. 시간이 지남에 따라 각 새에 대한 최상의 모델의 성능 기능이 기준 모델에 점점 가까워지는 것을 볼 수 있습니다. 그림 5(b)는 우드콕 튜닝 모델, LOO 모델 및 기준선 모델 간의 차이를 비교한 것입니다. 예측 시간 동안 튜닝된 모델과 LOO 모델의 성능이 벤치마크 모델보다 우수함을 알 수 있다.

위의 실험 후 연구자들은 BirdFlow가 eBird의 주간 상대 풍부도 추정치를 사용하여 개별 새의 이동 경로를 정확하게 추론할 수 있음을 발견했으며, 그 결과 BirdFlow의 예측 결과가 기준 모델보다 훨씬 우수함을 보여주었습니다.

이 결과를 바탕으로 연구원들은 BirdFlow 모델이 새의 이동과 같은 자연 현상을 연구하는 것 외에도 새의 중간 기착 행동과 글로벌 변화에 대한 반응과 같은 다른 현상을 연구하는 데 사용될 수 있다고 믿습니다.

그러나 BirdFlow 모델의 성공에도 불구하고 북미와 유럽의 일부 연구자들은 조류 관찰이 엄격한 데이터 수집 방법이 아니라고 주장하면서 eBird 데이터베이스 사용에 의문을 제기했습니다. 이에 대한 응답으로 BirdFlow 연구원들은 팀이 새 위치의 위성 또는 GPS 추적과 같은 더 많은 데이터를 통합하는 것을 고려하고 있다고 말했습니다.

AI가 자연 보호의 신이 될 수 있습니다.

BirdFlow 모델의 등장은 인간이 조류 이동 관련 연구에서 기계 학습의 지름길을 열었음을 의미합니다. 아직 초기 단계이고 자연 보호와 같은 상륙 응용과는 아직 일정한 거리가 있지만, 이 연구는 AI가 자연 보호 분야에서 널리 사용되고 있다는 중요한 추세를 분명하게 보여줍니다.

Carnegie Mellon University의 연구원들이 개발한 PAWS는 경찰이 밀렵꾼을 순찰할 수 있는 경로를 생성할 수 있으며 Cornell University에서 개발한 Merlin은 새의 노래와 이미지를 기반으로 종을 식별할 수 있으며 Resolve에서 개발한 TrailGuard AI는 야생 동물을 보호할 수 있습니다. 의심되는 밀렵꾼의 이미지를 식별하고 경보를 발령하여 동물을 추적합니다.

인간에게 자연생태계의 중요성은 자명하고, 생태계 보호가 절실한 상황, 시간이 지나면서 AI는 어떤 새로운 역할을 하게 될까요? 의견 영역에서 의견을 나누고 토론하는 모든 사람을 환영합니다.