Parallelle Universer, virkelig videnskab. [med danske undertekster]
Indholdsfortegnelse:
Som birder havde jeg hørt, at hvis du var omhyggelig opmærksom på hovedfjederne på de neddykkede spejle, der besøgte dine fuglefodere, kunne du begynde at genkende enkelte fugle. Dette fascinerede mig. Jeg gik endda så langt som at prøve at skitsere fugle hos mine egne fodermænd og havde fundet det til at være sandt, op til et punkt.
I mellemtiden vidste jeg, at andre forskere havde brugt maskinindlæringsteknikker til at genkende individuelle ansigter i digitale billeder med høj grad af nøjagtighed i mit job som computerforsker.
Disse projekter fik mig til at tænke på måder at kombinere min hobby med mit daglige arbejde med. Vil det være muligt at anvende disse teknikker til at identificere individuelle fugle?
Så jeg byggede et værktøj til at indsamle data: en type fuglefoder favoriseret af spejle og et bevægelsesaktiveret kamera. Jeg satte op på min overvågningsstation i min forstæder Virginia-yard og ventede på fuglene at dukke op.
Billedklassifikation
Billedklassificering er et varmt emne i den tekniske verden. Store virksomheder som Facebook, Apple og Google undersøger aktivt dette problem for at yde tjenester som visuel søgning, automatisk mærkning af venner i sociale medier og evnen til at bruge dit ansigt til at låse din mobiltelefon op. De retshåndhævende myndigheder er også meget interesserede, primært for at anerkende ansigter i digitale billeder.
Da jeg begyndte at arbejde med mine studerende på dette projekt, fokuserede billedklassificeringsforskningen på en teknik, der så på billedfunktioner som kanter, hjørner og områder af tilsvarende farve. Disse er ofte stykker, der kan samles i et genkendeligt objekt. Disse tilgange var omkring 70 procent nøjagtige ved brug af benchmark datasæt med hundredvis af kategorier og titusinder af træningseksempler.
Nyere forskning har skiftet mod brug af kunstige neurale netværk, som identificerer deres egne egenskaber, der viser sig mest nyttige til nøjagtig klassificering. Neurale netværk modelleres meget løst på kommunikationsmønstrene mellem neuroner i den menneskelige hjerne. Konvolutionelle neurale netværk, den type, som vi nu bruger i vores arbejde med fugle, ændres på måder, der blev modelleret på den visuelle cortex. Det gør dem særligt velegnede til billedklassificeringsproblemer.
Nogle andre forskere har allerede forsøgt lignende teknikker på dyr. Jeg blev inspireret dels af computerforsker Andrea Danyluk fra Williams College, som har brugt maskinindlæring til at identificere individuelle spotted salamanders. Dette virker, fordi hver salamander har et karakteristisk mønster af pletter.
Fremskridt på Bird ID
Mens mine elever og jeg ikke havde næsten lige så mange billeder at arbejde sammen med som de fleste andre forskere og virksomheder, havde vi fordelene ved nogle begrænsninger, som kunne øge vores klassificerings nøjagtighed.
Alle vores billeder blev taget fra samme perspektiv, havde samme skala og faldt ind i et begrænset antal kategorier. Alle fortalte kun omkring 15 arter nogensinde besøgt feeder i mit område. Af dem besøgte kun 10 ofte nok til at være et nyttigt grundlag for at træne en klassifikator.
Det begrænsede antal billeder var et konkret handicap, men det lille antal kategorier arbejdede i vores favør. Når det drejede sig om at genkende, om fuglen i et billede var en chickadee, opnåede en Carolina-krans, en kardinal eller noget andet, et tidligt projekt baseret på en ansigtsgenkendelsesalgoritme omkring 85 procent nøjagtighed - godt nok til at holde os interesseret i problemet.
Identificerende fugle i billeder er et eksempel på en "finkornet klassificering" opgave, hvilket betyder, at algoritmen forsøger at diskriminere mellem objekter, der kun er lidt forskellige fra hinanden. Mange fugle, der opstår hos fodermænd, har stort set den samme form, for eksempel, så at fortælle forskellen mellem en art og en anden kan være ret udfordrende, selv for erfarne menneskelige observatører.
Udfordringen går kun op, når du forsøger at identificere personer. For de fleste arter er det simpelthen ikke muligt. De spejle, jeg var interesseret i, har stærkt mønstret fjerdragt, men er stadig stort set ens fra individ til person.
Så en af vores største udfordringer var den menneskelige opgave at mærke dataene til at træne vores klassifikator. Jeg fandt ud af, at hovedfjederne af nedtonede spejle ikke var en pålidelig måde at skelne mellem individer på, fordi disse fjer flytter meget rundt. De bruges af fuglene til at udtrykke irritation eller alarm. Imidlertid er mønsteret af pletter på de foldede vinger mere konsistente og syntes at fungere fint for at fortælle en fra en anden. Disse vingefjær var næsten altid synlige i vores billeder, mens hovedmønstrene kunne blive dækket afhængigt af fuglens hoved.
Til sidst havde vi 2.450 billeder af otte forskellige spejder. Når det drejede sig om at identificere individuelle spejle, opnåede vores eksperimenter 97 procent nøjagtighed. Dette resultat kræver dog yderligere verifikation.
Hvordan kan dette hjælpe fugle?
Ornitologer har brug for nøjagtige data om, hvordan fuglepopulationerne ændres over tid. Da mange arter er meget specifikke i deres levestedsbehov når det kommer til avl, overvintring og migration, kan finkornede data være nyttige til at tænke på virkningerne af et skiftende landskab. Data om individuelle arter som downy spætte kan derefter matches med andre oplysninger, såsom kort over land brug, vejrmønstre, menneskelig befolkningstilvækst og så videre for bedre at forstå en lokal artes overflod over tid.
Jeg tror, at en semiautomated overvågningsstation er inden for rækkevidde til beskedne omkostninger. Min overvågningsstation koster omkring US $ 500. Nylige undersøgelser tyder på, at det bør være muligt at træne en klassifikator ved hjælp af en meget bredere gruppe af billeder, så finjustere det hurtigt og med rimelige beregningsmæssige krav til at genkende enkelte fugle.
Projekter som Cornell Laboratory of Ornithology's eBird har sat en lille hær med borgerforskere til grund for overvågning af befolkningsdynamikken, men hovedparten af disse data har tendens til at være fra steder, hvor folk er talrige, snarere end fra steder af særlig interesse for forskere.
En automatiseret overvågningsstation tilgang kunne give en kraft multiplikator for dyreliv biologer, der er berørt af specifikke arter eller specifikke steder. Dette ville udvide deres evne til at indsamle data med minimal menneskelig indgriben.
Denne artikel blev oprindeligt udgivet på The Conversation af Lewis Barnett. Læs den oprindelige artikel her.
Hvad ville der ske, hvis Jordens kerne blev koldt? Videnskab forklarer
"Hvad ville der ske, hvis Jordens kerne ikke længere var smeltet varm?" Jordens kerne køler ned meget langsomt overarbejde, men en dag, når kernen er helt afkølet og bliver solid, vil den have en stor indflydelse på hele planeten, hvilket gør det svært for livet at overleve.
Fugle videnskab: En fælles opfattelse om en fugl sang opvokset i ny undersøgelse
Hvorfor er nogle fugle mere succesrige for at tiltrække hjælpere end andre? To biologer med ekspertise i udviklingen af adfærd og sangfugle besluttede at undersøge, om ikke-monogamiske parringssystemer virkelig øger seksuel udvælgelse hos fugle, og hvis karakteristika bliver mere ekstreme, som sange.
Forfatter forklarer 'Elon Musk Effect': Hvad sker der, når han støtter dig?
Klokken 2 på Stillehavet den 15. august blev ren energi overlord og søndagskagebager Elon Musk tweeted ud "Korrelation er ikke kausalitet eller ... er det?" Tweetet indeholdt et link til websiden af bogen Spurious Correlations af Tyler Vigen. Det eneste omtale i de svage timer mellem søndag og mandag gav Vigen den ...