Новый метод машинного обучения создаёт детальные карты популяционных трендов для 550 видов птиц

Учёные из Корнеллской лаборатории орнитологии разработали новый способ моделирования того, увеличиваются или уменьшаются популяции более чем 500 видов птиц. Метод решает назойливую статистическую проблему, учитывая изменения в поведении людей, собирающих данные, от года к году. Результатом являются детальные карты трендов для каждого вида с разрешением до радиуса в восемь миль — серьёзный импульс для локальных природоохранных усилий. Учёные использовали подход под названием Double Machine Learning. Подробности опубликованы в журнале Methods in Ecology and Evolution.

«Изменяющееся поведение человека представляет проблему для статистического анализа данных, собранных волонтёрами, — пояснил ведущий автор Дэниел Финк. — Например, действительно ли конкретный вид сокращается в регионе — или просто стало меньше людей, делающих наблюдения в предпочитаемой птицей среде обитания, по сравнению с прошлыми годами?»

Поведение бердвотчеров может меняться, когда люди начинают использовать новые инструменты, лучше определять птиц или отправляются наблюдать в новые районы. Эти изменения становятся так называемым «confounding»-фактором (фактором, искажающим связь). Такой фактор влияет на основной изучаемый вопрос и может искажать реальность. В данном случае изменения в зарегистрированной численности птиц могут быть реальными, а могут быть артефактами, возникающими из-за изменений в процессе наблюдения с течением времени.

Double Machine Learning применяется к данным наблюдений за птицами, собранным глобальной программой лаборатории eBird, а затем визуализируется в виде детальных карт. При таком подходе в данных «изучаются» и затем идентифицируются два типа паттернов. Один паттерн — это вариация в зарегистрированном количестве птиц. Второй паттерн отражает вариацию в поведении наблюдателей. Затем эффект поведенческого паттерна удаляется, остаётся только вариация в фактической зарегистрированной численности птиц.

«Теперь у нас есть способ анализировать эти данные, который даёт надёжные оценки изменения популяции, даже для видов и/или регионов без строгих программ мониторинга, — сказал Финк. — Способность оценивать тренды с учётом confounding-факторов, присущих данным гражданской науки, обладает потенциалом заполнить важные информационные пробелы».