En muchas tardes durante la migración de primavera y otoño, decenas de millones de aves vuelan al atardecer y pasan sobre nuestras cabezas, sin ser vistas en el cielo nocturno. Aunque estos vuelos han sido registrados durante décadas por la red de servicios meteorológicos nacionales de escaneo constanteradares meteorológicos, hasta hace poco estos datos estaban fuera del alcance de los investigadores de aves.
Esto se debe a que la magnitud de la información y la falta de herramientas para analizarla solo hicieron posibles estudios limitados, dice el investigador de inteligencia artificial IA Dan Sheldon de la Universidad de Massachusetts Amherst.
Los ornitólogos y ecologistas con el tiempo y la experiencia para analizar imágenes de radar individuales podían ver claramente los patrones que les permitían discriminar la precipitación de las aves y estudiar la migración, agrega. Pero la gran cantidad de información ¬- más de 200 millones de imágenes y cientos de terabytesde datos: limitó significativamente su capacidad de muestrear suficientes noches, durante suficientes años y en suficientes lugares para ser útiles en la caracterización, y mucho menos en el seguimiento, de las migraciones estacionales de todo el continente, explica.
Claramente, se necesitaba un sistema de aprendizaje automático, señala Sheldon, "para quitar la lluvia y mantener a las aves".
Ahora, con colegas del Laboratorio de Ornitología de Cornell y otros, los autores principales Sheldon y Subhransu Maji y el autor principal Tsung-Yu Lin del Colegio de Información y Ciencias de la Computación de UMass presentan su nueva herramienta "MistNet". En palabras de Sheldon, es el"lo último y lo mejor en aprendizaje automático" para extraer datos de aves del registro de radar y aprovechar el tesoro de información sobre migración de aves en los archivos de datos de radar de décadas. El nombre de la herramienta se refiere a la fina y casi invisible "nieblaredes "que usan los ornitólogos para capturar pájaros migratorios.
MistNet puede "automatizar el procesamiento de un conjunto de datos masivo que ha medido la migración de aves en los Estados Unidos continentales durante más de dos décadas", dice Sheldon. "Este es un avance realmente importante. Nuestros resultados son excelentes en comparación con los humanos que trabajan a mano.Nos permite pasar de ideas limitadas del siglo XX al conocimiento del siglo XXI y a la acción de conservación ". Él y sus coautores señalan:" El aprendizaje profundo ha revolucionado la capacidad de las computadoras para imitar a los humanos en la resolución de tareas similares de reconocimiento de imágenes y videos.y audio "
Para este trabajo, apoyado en parte por una subvención de la National Science Foundation a Sheldon para diseñar y probar nuevos enfoques y algoritmos matemáticos para tales aplicaciones, el equipo realizó una validación a gran escala de MistNet y enfoques competitivos utilizando dos conjuntos de datos de evaluación.El nuevo artículo también presenta varios estudios de caso para ilustrar las fortalezas y flexibilidad de MistNet. Los detalles aparecen en la edición actual de Métodos en ecología y evolución .
Los autores señalan que MistNet se basa en redes neuronales para imágenes e incluye varios componentes de arquitectura adaptados a las características únicas de los datos de radar. La ornitología de radar avanza rápidamente y conduce a descubrimientos significativos sobre patrones de movimientos de aves a escala continental, agregan.
El equipo hizo mapas de dónde y cuándo ocurrió la migración en los últimos 24 años y los animó para ilustrar, por ejemplo, "las áreas de migración más intensivas en los Estados Unidos continentales", explica Sheldon, un corredor más o menos al oestedel río Mississippi. MistNet también permite a los investigadores estimar la velocidad de vuelo y las tasas de tráfico de las aves migratorias.
MistNet, diseñado para abordar uno de los "desafíos de larga data en la aeroecología del radar", señalan los autores, llega justo a tiempo para ayudar a los científicos a utilizar mejor no solo los datos existentes del radar meteorológico, sino también la "explosión" de nuevos y grandesconjuntos de datos generados por proyectos de ciencia ciudadana como eBird, dispositivos de rastreo de animales e instrumentos de observación de la tierra, dicen Sheldon y colegas.
"Esperamos que MistNet permita una variedad de aplicaciones científicas y de conservación. Por ejemplo, vemos en muchos lugares que una gran cantidad de migración se concentra en algunas noches de la temporada", dice Sheldon. "Sabiendo esto, tal vez nosotrospodría ayudar a las aves apagando las luces de los rascacielos en esas noches ". Otra pregunta que les interesa a los ornitólogos es el momento histórico, o la fenología, de la migración de las aves y si esto y el acceso oportuno a los alimentos han cambiado con el cambio climático".
Fuente de la historia :
Materiales proporcionados por Universidad de Massachusetts en Amherst . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :