米格尔·希门尼斯(Miguel Jimenez)《对话》
随着像ChatGPT这样的聊天机器人引起轰动，机器学习在我们的生活中扮演着越来越重要的角色。对我们中的许多人来说，这是一个喜忧参半的过程。当Spotify的“For You”播放列表为我们找到一首新的歌曲时，我们会感到高兴，但当我们在Instagram上滚动一大堆定向广告时，我们会抱怨。
机器学习也正在改变许多看似令人惊讶的领域。一个例子是我的学科，鸟类学——研究鸟类。它不仅解决了与研究鸟类迁徙相关的一些最大挑战;更广泛地说，机器学习正在扩展人们与鸟类互动的方式。随着春季迁徙的到来，让我们来看看机器学习是如何影响鸟类研究的方式，并最终保护它们。
co的挑战保护候鸟
西半球的大多数鸟类每年迁徙两次，在繁殖地和非繁殖地之间飞越整个大陆。虽然这些旅程令人敬畏，但它们在途中使鸟类面临许多危险，包括极端天气、食物短缺和光污染，这些都会吸引鸟类并导致它们与建筑物相撞。
我们保护候鸟的能力取决于科学告诉我们它们去了哪里。科学已经取得了长足的进步。
1920年，美国地质调查局成立了鸟类绑带实验室，率先在鸟类身上绑上带有独特标记的绑带，然后在新的地方重新捕获鸟类，以确定它们的旅行路线。如今，研究人员可以在鸟类身上部署各种轻便的跟踪标签，以发现它们的迁徙路线。这些工具揭示了许多鸟类迁徙的地点和时间的空间模式。
然而，追踪鸟类也有局限性。首先，每年有超过40亿只鸟在非洲大陆迁徙。即使有越来越便宜的设备，我们追踪的鸟类数量也只是沧海一粟。即使在同一物种内，迁徙行为也可能因性别或种群而异。
此外，追踪数据告诉我们鸟类去过哪里，但不一定告诉我们它们要去哪里。迁徙是动态的，鸟类飞过的气候和景观也在不断变化。这意味着能够预测它们的行动是至关重要的。
使用机器学习来预测迁移
这就是机器学习的用武之地。机器学习是人工智能的一个子领域，它使计算机能够在没有明确编程的情况下学习任务或关联。我们用它来训练处理各种任务的算法，从预测天气到预测疯狂三月的颠覆。
但应用机器学习需要数据，而且数据越多越好。幸运的是，科学家们无意中通过下一代天气雷达系统收集了数十年的候鸟数据。这个被称为NEXRAD的网络用于测量天气动态并帮助预测未来的天气事件，但它也可以接收鸟类在大气层中飞行时发出的信号。
BirdCast是科罗拉多州立大学、康奈尔鸟类学实验室和马萨诸塞大学的一个合作项目，旨在利用这些数据来量化鸟类迁徙。机器学习是其运作的核心。自20世纪40年代以来，研究人员就知道鸟类会出现在气象雷达上，但为了使这些数据有用，我们需要去除非鸟类的杂波，并确定哪些扫描包含鸟类的运动。
这个过程将是艰苦的手工-但通过训练算法来识别鸟类的活动，我们已经自动化了这个过程，并解锁了几十年的迁徙数据。机器学习可以让BirdCast团队更进一步:通过训练一种算法来学习与迁徙相关的大气条件，我们可以使用预测的条件来预测整个美国大陆的迁徙。
BirdCast于2018年开始播放这些预测，并已成为观鸟界的热门工具。许多用户可能意识到雷达数据有助于产生这些预测，但很少有人意识到它是机器学习的产物。
目前，这些预测还不能告诉我们空气中有哪些物种，但这种情况可能会改变。去年，康奈尔鸟类学实验室(Cornell Lab of Ornithology)的研究人员发布了一个自动化系统，该系统使用机器学习来检测和识别夜间飞行的叫声。这些是鸟类在迁徙时发出的特定物种的叫声。将这种方法与BirdCast相结合，可以让我们对迁徙有一个更全面的了解。
这些进步表明，在应用领域的专业知识指导下，机器学习是多么有效。作为一名博士生，我加入了科罗拉多州立大学的航空生态学实验室，拥有强大的鸟类学背景，但没有机器学习经验。相反，我们实验室的博士后研究员Ali Khalighifar有机器学习的背景，但从未上过鸟类学课。
我们正在共同努力增强BirdCast运行的模型，经常依靠彼此的见解来推动项目向前发展。我们的合作体现了融合，使我们能够有效地使用机器学习。
一个公众参与的工具
机器学习也帮助科学家让公众参与到保护中来。例如，BirdCast团队制作的预测经常被用来为熄灯活动提供信息。
这些举措旨在减少来自城市的人造光，这些人造光吸引了候鸟，并增加了它们与人类建筑(如建筑物和通信塔)相撞的机会。熄灯活动可以动员人们帮助保护鸟类。
另一个例子是，梅林鸟类识别应用程序试图创造一种技术，让每个人都能更轻松地观鸟。2021年，梅林工作人员发布了一项自动识别歌曲和呼叫的功能，允许用户实时识别他们听到的内容，就像鸟类学版的沙赞一样。
这一功能为数百万人以一种新的方式与自然空间互动打开了大门。机器学习是使其成为可能的重要组成部分。
康奈尔鸟类学实验室(Cornell Lab of Ornithology)的研究员格兰特·范·霍恩(Grant Van Horn)帮助开发了这项功能背后的算法，他告诉我:“在复制与熟练的博物学家一起观鸟的神奇体验方面，Sound ID是我们最大的成功。”
在飞行
将机器学习应用于鸟类学的机会只会越来越多。今年春天，随着数十亿只鸟类从北美迁徙到它们的繁殖地，人们将以新的方式参与这些飞行，这要归功于BirdCast和Merlin等项目。但这种参与是互惠的:观鸟者收集的数据将为应用机器学习开辟新的机会。
电脑不能自己完成这项工作。“任何成功的机器学习项目都有大量的人为因素。这就是这些项目成功的原因，”范霍恩对我说。
(Miguel Jimenez，科罗拉多州立大学生态学博士生)
