KI in der Welt der Ornithologie: Verwendung von KI, um mehr über Vögel zu lernen

Hallo zusammen, hier ist Malena – ich bin investigative Reporterin bei The Markup, aber ich mache eine Pause von meinen üblichen Tiefenrecherchen, um über etwas Leichteres zu sprechen: Vögel!

\ Genauer gesagt habe ich mich dafür interessiert, wie künstliche Intelligenz (KI) die Welt der Ornithologie verändert. Eine der bedeutendsten Methoden ist BirdCast, ein Projekt, das maschinelles Lernen nutzt, um Wissenschaftlern zu helfen, anhand von Wetterdaten vorherzusagen, wie Vögel migrieren.

\ BirdCast ist eine Zusammenarbeit zwischen dem Cornell Lab of Ornithology, der Colorado State University und UMass Amherst. Das 2018 gestartete Projekt nutzt Daten von 143 Radarstationen in den unteren 48 US-Bundesstaaten, um Vogelbewegungen zu identifizieren und vorherzusagen, wie diese Vögel migrieren werden.

Andrew Farnsworth ist ein Gastwissenschaftler am Cornell Lab of Ornithology, der seit den Anfängen des Projekts in den 1990er Jahren daran gearbeitet und den Förderantrag für die aktuelle Version von BirdCast geschrieben hat. Das folgende Interview wurde aus Gründen der Klarheit und Länge bearbeitet.

\ Malena: Wie bist du zur Vogelbeobachtung gekommen?

Andrew: Ich hatte einen Großvater, der Wissenschaftler war. Er war Biochemiker, aber er hatte ein Fernglas zu Hause und besaß damals, was als modernste Materialien in einem Feldführer galt. Zusammen mit dem Leben in einer relativ grünen Gegend für einen Vorort von New York City, in Westchester County, ergab das den Funken. Die Brautente und der Downy-Specht waren sozusagen die Einstiegspunkte.

\ Malena: Warum ist es wichtig, den Vogelzug zu verstehen?

Andrew: Es gibt drei gute, relativ einfache Antworten darauf. Auf einer grundlegenden Ebene sind Vögel wirklich gute Indikatoren für ihre Umwelt und deren Gesundheit. Deshalb ist das Studium von Zugvögeln insbesondere, weil sie so viele Teile des Planeten verbinden, ein sehr guter Weg, um zu quantifizieren und zu qualifizieren: Wie steht es um unsere Ökosysteme? Wie bewerten wir sie? Wie gesund sind sie?

\ Es ist auch eine sehr gute Möglichkeit, Menschen zu engagieren.

\ Und der dritte Teil hat mit grundlegender Wissenschaft zu tun. Das Verständnis der Muster und Beobachtungen, die wir als Beobachter mit Fernglas oder Ohren zum Himmel machen können, ist genauso wichtig und zunehmend verbunden mit allem, was wir aus der Technologie lernen können. Erst 2018 hatten wir eine Zahl darüber, wie viele Vögel nachts über die USA ziehen. Das ist eine ziemlich grundlegende Größe, die man wissen möchte.

\ Malena: Wie werden künstliche Intelligenz und maschinelles Lernen in BirdCast eingesetzt?

Andrew: Wir müssen aus den Radardaten extrahieren, was Wetter und was Biologie oder Vögel ist. Die Kennzeichnung und Umwandlung in ein Modell, das dann sehr schnell zuordnen kann: "Oh, wir sprechen in diesen Daten nur über Vögel", dafür ist maschinelles Lernen entscheidend. Und es ist eine großartige Gelegenheit für maschinelles Lernen, weil es viele Daten gibt und wir diese Daten kennzeichnen können. Die größte Herausforderung für maschinelles Lernen im Projekt bezieht sich auf die Erstellung der Datensätze, die sich mit dem Vogelzug im Gegensatz zu Niederschlag oder anderen atmosphärischen Phänomenen befassen.

\ Es gibt andere interessante, periphere Bereiche, in denen maschinelles Lernen zunehmend eingesetzt wird und wahrscheinlich noch mehr eingesetzt werden wird, wie die Integration zusätzlicher Daten. Radar ist großartig darin, Anzahlen von Vögeln und Muster in großem Maßstab zu erfassen, aber es kann die Arten nicht identifizieren. Die Integration dessen, was wir Bürgerwissenschaft oder Gemeinschaftswissenschaft nennen, im Grunde die Vogelbeobachtungen... oder Flugrufe und Vokalisationen von Vögeln, die nachts ziehen... wird zunehmend ein durch maschinelles Lernen gesteuertes Unterfangen sein. Und es wird viel Rechenleistung erfordern, aber es ist etwas, das meiner Meinung nach in den kommenden Jahren gut erreichbar ist.

\ Malena: Wie genau ist es?

Andrew: Das allgemeine Muster dessen, was Vögel sind und was nicht, das Modell... funktioniert damit wirklich gut, wie weit über 90 Prozent, wenn man versuchen würde, einen Prozentsatz zuzuordnen, eine Art von Korrektheit. Und wir müssen es noch weiter trainieren. Es gibt immer interessante neue Fälle, aber sie werden zunehmend seltener.

\ Das Vorhersagemodell ist anders, weil das Vorhersagemodell diesen Datensatz (Vogelzug auf Radar) mit etwas anderem (Wettervariablen) in Beziehung setzt. Dieses Modell funktioniert auch sehr gut [mit etwa 80 Prozent Genauigkeit]. Es ist nicht perfekt, da 80 Prozent nicht 100 Prozent sind. Aber es ist bei weitem mehr als gut genug, um eine großartige Arbeit bei der Vorhersage der Intensität des Vogelzugs in den USA zu leisten, wo wir es eingesetzt haben, und dies über die Jahre hinweg konsistent zu tun.

\ Malena: Wenn Sie diese Algorithmen darauf trainieren, Vögel von allem anderen zu unterscheiden, welche Art von Dingen sagen Sie ihnen, wonach sie suchen sollen?

Andrew: Es gibt einige wirklich einfache Muster, die zuerst hervorheben: "Okay, das ist meteorologisch und das nicht." Die Meteorologie, die man oft auf dem Radar sieht, sind wirklich unregelmäßige Regenmuster – unregelmäßig in Bezug auf die Formen, die in den Radarbildern erscheinen und nicht einheitlich sind. Sie neigen auch dazu, diese Pixelwerte zu haben, die die Reflektivität beschreiben, oder die Menge an Energie, die zum Radar zurückgestreut wird, die super variabel ist, wie Gewitter – sehr hohe Intensität, sehr lokalisiert.

\ Und das ist ein ganz anderes Muster als das Vogelzugsignal auf dem Radar, und ehrlich gesagt, auch Insekten. Das biologische Muster [neigt] dazu, sehr einheitlich zu sein und hat nicht diese stark variable oder unregelmäßige Form. Wenn Sie diese Daten als Experte kennzeichnen... [können Sie sagen] "angesichts dessen, was ich über den Vogelzug weiß, und auch die Wellenlänge des Radars, dass Vögel viel eher erkannt werden als Insekten, werde ich dies als Vogelzug kennzeichnen. Und übrigens, ich weiß, wie die Winde sind. Und es gibt ein weiteres Datenprodukt vom Radar über die Geschwindigkeit der Dinge in der Atmosphäre relativ zum Radar. Oh, und diese Dinge bewegen sich dagegen – das sind definitiv Vögel."

\ Nochmals, es ist nicht perfekt. Trotz des Wellenlängenproblems und der Tatsache, dass Vögel viel eher erkannt werden, gibt es Fälle, in denen es sehr, sehr große Mengen an Insekten gibt, die groß und schnell fliegend sind. Es gibt also diese Stellen, wo wir einfach nicht wissen: "Sind das Vögel oder Insekten? Nicht sicher. Ich weiß, es ist biologisch; es ist nicht meteorologisch." Also kennzeichnen Sie es so. Wir haben diese Daten im Modell nicht so sehr verwendet. Aber in Zukunft werden wir das tun. Es wird zu etwas Wertvollem werden, sobald dieser Datensatz wächst. Das ist eine weitere Zukunftssache.

\ Malena: Sie haben bereits einige Dinge erwähnt, aber was kann KI noch nicht für BirdCast tun, was es besser machen würde? Und wie nahe sind Sie daran, das zu erreichen?

Andrew: Es gibt viel mehr Informationen in den Radardaten im rohesten Sinne, direkt von der Radarstation, die wir als Biologen normalerweise nicht zu sehen bekommen. Es wird gefiltert, es wird sofort aus meteorologischer Perspektive angepasst. [KI könnte potenziell] zusätzliche Muster lösen und auch Modelle haben, die die verschiedenen Momente nutzen, die das Radar produziert.

\ Auf einer einfacheren Ebene gibt es eine echte Chance, dass das aktuelle maschinelle Lernmodell noch besser wird, insbesondere wenn es um... die Schnittstelle zwischen Vögeln, Insekten und Fledermäusen geht: "Nun, ich weiß, dass es biologisch ist, aber ich bin mir nicht sicher, was."

\ Malena: Allgemeiner gefragt, wie verändert KI das Gebiet der Ornithologie?

Andrew: Es verändert es auf ziemlich große Weise. Aus einer allgemeinen Perspektive ist die Idee, dass wir jetzt diese Art von Modellen und diese Art von Rechenleistung nutzen können, um Bilder und Töne zu erkennen... und das mit super hoher Zuversicht zu tun, das ist enorm. Die Leute realisieren das vielleicht nicht – sie denken vielleicht: "Ich bin draußen beim Vogelbeobachten, ich beschäftige mich nicht so viel mit Technologie. Ja, ich benutze mein Handy als ID-Führer, und ich lasse es einige Fragen für mich beantworten, wenn ich die Antworten nicht weiß." Aber das bedeutet jedes Mal, wenn Sie das tun, eine direkte Auseinandersetzung mit maschinellem Lernen. Ich denke also, es gibt eine enorme, enorme Verbindung sehr breit zu der Art und Weise, wie wir Beobachtungen machen.

\ Malena: Die Ornithologie ist einer der wenigen Wissenschaftsbereiche, in denen normale Menschen sinnvoll beitragen können. Welche Rolle spielen normale Bürger in der Ornithologie, wenn es um KI geht?

Andrew: Ich denke, dass es tatsächlich eine wirklich wichtige Rolle gibt. Menschen sind wichtig bei der KI-Modellierung und beim gesamten maschinellen Lernen, da sie die Experten sind. All die Dinge, die Sie in Ihrem Gehirn tun, die Sie von "Oh, ich habe einen Rotkehlchen gesehen, und ich habe 10 von ihnen gesehen, und sie waren an dieser bestimmten Stelle" bringen. Das sind wesentliche Informationen für diese Modelle in Zukunft. Und so werden die Beiträge zu den Rohdaten... auf denen das maschinelle Lernen operiert. Und es gibt andere Orte, wo das Hinausgehen und Beobachten vor Ort, wo die Radardaten etwas in der Atmosphäre erfassen, und die Fähigkeit, diese Verbindung herzustellen, wichtig für diese Art von Bodenwahrheit sind. Die Informationen, die die Menschen produzieren, was auch immer es ist, wissen Sie, ob Sie ein Experte sind oder ob Sie ein Anfänger sind, können wirklich wesentlich sein als eine Art Kerne, auf denen diese maschinellen Lernmodelle operieren.

Danke fürs Lesen.

\ Mit freundlichen Grüßen,

\ Malena Carollo

\ Investigative Reporterin

\ The Markup

Credits

• Malena Carollo, Investigative Reporterin

Illustration

• Poan Pan

Editing

• Michael Reilly

Design und Grafik

• Gabriel Hongsdusit

Engagement

• Maria Puertas

\ Auch hier veröffentlicht

\ Foto von Mehdi Sepehri auf Unsplash