ИИ анализирует наблюдения за птицами для сохранения видов
Впервые большие данные и искусственный интеллект используются для моделирования скрытых закономерностей в природе — не для одного вида птиц, а для целых экологических сообществ на континентальном уровне.
Модели отслеживают полный годовой жизненный цикл каждого вида: от размножения до осенней миграции, зимовки и обратной миграции на север весной.
Разработка и применение этого вычислительного инструмента — результат сотрудничества Корнеллской лаборатории орнитологии и Института вычислительной устойчивости Корнеллского университета. Работа опубликована 2 октября в журнале Ecology.
«Этот метод уникально показывает нам, какие виды встречаются где, когда, с какими другими видами и при каких условиях окружающей среды, — сказала ведущий автор Кортни Дэвис. — С такой информацией мы можем выявлять и определять приоритетность ландшафтов, имеющих высокую природоохранную ценность».
Исследователи использовали данные по 500 видам птиц Северной Америки из более чем 9 миллионов чек-листов, предоставленных 900 000 наблюдателей программы eBird. Их объединили с данными по 72 переменным окружающей среды, включая топографию и земельный покров, чтобы оценить распространение видов, типичные условия среды и взаимодействия с другими видами.
До сих пор учёные могли анализировать лишь несколько переменных и видов одновременно. Теперь нет ограничений на количество видов или переменных, которые можно анализировать в континентальных масштабах, при наличии данных.
«Это была очень сложная вычислительная задача, — сказала соавтор Карла Гомес. — Мы смогли взяться за неё благодаря недавним достижениям в области ИИ, особенно в глубоком обучении, и развитию графических процессоров (GPU)».
Изначально разработанные для компьютерных игр, GPU стали незаменимыми для приложений ИИ, обеспечивая быструю обработку огромных объёмов данных.
«В нашем приложении модель изучает, как виды взаимодействуют со средой и друг с другом, делая прогнозы о том, какие и сколько видов встречаются где и когда, более точными, чем предыдущие подходы, — сказала Дэвис. — Это значительно улучшает наше понимание естественных и антропогенных факторов, способствующих сокращению численности видов».
Например, учёные определили районы, важные для североамериканских лесных певунов — группы мигрирующих видов, численность которых сокращается. Они смогли pinpoint районы наибольшей важности круглый год и в каждый из сезонов: размножения, зимовки и миграции.
«Эта модель очень общая и подходит для различных задач при наличии достаточного количества данных, — сказала Гомес. — Эта работа посвящена совместному моделированию распределения видов птиц, но мы также разрабатываем модели для оценки обилия птиц — количества особей каждого вида. Мы также стремимся улучшить модель, включив в неё птичьи голоса наряду с визуальными наблюдениями».
По словам старшего автора исследования Дэниела Финка, такое междисциплинарное сотрудничество необходимо для будущего сохранения биоразнообразия.
«Эта задача слишком велика, чтобы экологи могли выполнить её в одиночку. Нам нужен опыт наших коллег в области компьютерных наук и вычислительной устойчивости для разработки целевых планов сохранения, восстановления и управления ландшафтами по всему миру».