为了知道鸟类的去向 研究人员转向公民科学和机器学习

马萨诸塞大学阿默斯特分校的计算机科学家与康奈尔鸟类学实验室的生物学家合作，最近在《生态学与进化方法》杂志上宣布了一种新的预测模型，该模型能够准确预测候鸟下一步将去哪里 - 这是生物学中最困难的任务之一。该模型被称为BirdFlow，虽然它仍在完善中，但它应该在一年内提供给科学家，并最终向公众开放。

“人类长期以来一直试图弄清楚鸟类迁徙，”麻省大学阿默斯特分校信息和计算机科学教授丹·谢尔顿(Dan Sheldon)说，他是该论文的资深作者，也是一位充满激情的业余观鸟者。“但是，”该论文的主要作者、麻省大学阿默斯特分校计算机科学研究生米格尔·富恩特斯(Miguel Fuentes)补充道，“要获得关于哪些鸟类在哪里的精确、实时信息是非常困难的，更不用说它们到底去了哪里了。

在标记和跟踪单个鸟类方面已经做出了许多努力，包括以前和正在进行的努力，这产生了宝贵的见解。但是，很难对足够多的鸟类进行物理标记 - 更不用说这项工作的费用 - 以形成足够完整的图像来预测鸟类的运动。“很难理解整个物种如何通过跟踪方法在非洲大陆上移动，”谢尔顿说，“因为它们告诉你一些在特定地点捕获的鸟类遵循的路线，而不是完全不同的位置的鸟类如何移动。

近年来，监测和报告候鸟目击事件的公民科学家数量呈爆炸式增长。世界各地的观鸟者每年通过eBird贡献超过200亿次观鸟，这是一个由康奈尔鸟类学实验室和国际合作伙伴管理的项目。

它是现存最大的生物多样性相关科学项目之一，拥有数十万用户，通过实验室的eBird状态和趋势项目促进最先进的物种分布建模。“eBird数据是惊人的，因为它显示了给定物种的鸟类每周在整个范围内的位置，”谢尔顿说，“但它没有跟踪个体，所以我们需要推断个体鸟类遵循的路线，以最好地解释物种水平的模式。

BirdFlow利用eBird的状态和趋势数据库及其对相对鸟类丰度的估计，然后通过概率机器学习模型运行该信息。该模型使用实时GPS和卫星跟踪数据进行调整，以便它可以“学习”预测个体鸟类在迁徙时下一步将移动到哪里。

研究人员在11种北美鸟类(包括美国伍德科克，木画眉和斯温森鹰)上测试了BirdFlow，发现BirdFlow不仅在跟踪鸟类迁徙方面优于其他模型，而且可以在没有实时GPS和卫星跟踪数据的情况下准确预测迁徙流，这使得BirdFlow成为跟踪可能在雷达下飞行的物种的宝贵工具。

“今天的鸟类正在经历快速的环境变化，许多物种正在减少，”康奈尔鸟类学实验室的博士后研究员，该研究的合著者Benjamin Van Doren说。“使用BirdFlow，我们可以统一不同的数据源，并描绘出更完整的鸟类运动图景，”Van Doren补充道，“通过令人兴奋的应用程序来指导保护行动。