一世n伊萨卡，纽约，一台实验室在羚羊实验室的虚拟机坐在夜晚，哼着。机器的名字是Bubo，在有角猫头鹰的属之后。大约每五分钟，腹部抓住东北气象雷达站的图像，并通过人工智能算法的管道喂养。这个雷达图像告诉我什么？腹部问道。是下雨吗？这些昆虫吗？它可以是花粉吗？勃波不关心这些东西;所有它想要看到的是飞行中的鸟类。 To find them, Bubo analyzes the velocity and direction of targets seen by the radar station. Bubo knows birds have a velocity different from wind and insects, and filters those out. Now Bubo sees only birds. But how dense are they? How fast are they going? How high in the sky are they flying? The machine makes these calculations and creates an image of countless birds in flight, traveling under cover of darkness.
“如果我们能在晚上看到，我们会看到数百万鸟飞的鸟类，”俄勒冈州立大学计算机科学教授Thomas Dietterich说，他与鸟类学的康奈尔学实验室合作。黑色蜂鸟沿着墨西哥海岸飞往阿拉斯加的途中。在墨西哥湾海岸的黄色喉咙翱翔，前往安大略省。橄榄黄色的捕蝇器横跨中美洲航行，绑在西北地区。“这只是如此令人敬畏的是，这是我们不知道的这种巨大，秘密的事情。”
长期以来，科学家们试图渗透鸟类迁徙的秘密。他们照亮了显着的手段，使鸟类找到自己在全球范围内的方式。这些措施包括在他们的眼里，其检测地球的磁极和定向飞行方向鸟类的地形和大陆的认知地图和机制。
安德鲁·法恩斯沃思（Andrew Farnsworth）是康奈尔大学鸟类学信息科学系实验室的研究助理，他想了解鸟类迁徙的生物学之外的知识。他追求的是大局。“在一个更大的生态系统中，迁徙是如何运作的？”他问道。“生态系统发生变化意味着什么？”
在过去的四年中，法尔内斯沃思和他的同事，一群生态学家，统计学家，计算机科学家和气体学家一直在致为叫做小鸟类的项目，导致腹部的机器学习，揭开迁移的秘密。其中一些秘密包含在过去20年中估计的1亿天气雷达扫描，并由国家海洋和大气管理归档。其他人在每年报告的数百万鸟类目击中，这是一个在世界上鸟类观察者的在线平台上每年报告，在那里世界日志物种特定的观察。更重要的是，距离全国各地的声学监控设备录制的数千小时夜间鸟笼。
“我的八达通老师”如何挑战传统
这一切都始于一堆奇怪的贝壳:仔细一看，这堆贝壳就像花失去了花瓣一样散开了，引得一位精力耗尽的自然纪录片导演克雷格·福斯特——以及及时的整个世界——来到了隐藏在里面的章鱼的身边。阅读更多
为英国战争工作的鸟类学家猜测这些物体是鸟类，但很少有人相信它们不会在夜间飞行。
随着BirdCast，大数据革命遇到野生动物保护。试想一下，直辖市提前接近鸟类关灯，以免它们不知所措，或区域，其中鸟类停止期间免受农药和风力涡轮机一天的休息和饲料。“最传统的保护是撇开具体领域;它是静态的，”法恩斯沃思说。“这种情况越来越动态保护的时代。我们怎样才能改变我们的行为，事情发生过吗？”这种预测能力能够帮助自然资源减轻来自蔓延，发展，气候变化造成的环境变化鸟类的威胁。但首先说，Dietterich，“我们需要在那里的鸟会和他们遵循什么样的路径更好的车型。”
在雷达出现之前，很少有人知道夜间迁徙。20世纪30年代，大西洋两岸的军队竞相开发技术，对敌机发出预警。气象雷达发射出称为脉冲的无线电波，从大气中的物体上反弹。雷达根据回波的速度和功率计算物体的形状和距离。事实证明，雷达能够探测海因克尔、梅塞施米特和天气锋。但其他在大气中移动的物体却无法归类。英国军方的雷达操作员称这些神秘物体为天使，德国人称它们为“假回声”。不管它们是什么，它们一直在给每个人制造混乱，派人去战斗站，追逐幽灵飞机。为英国战争工作的鸟类学家猜测这些物体是鸟类，但很少有人相信它们不会在夜间飞行。
在第二次世界大战后的几年里，罗达鸟类学的领域的一个先驱者是新奥尔良的孩子。Sidney GauthReaux的家乡是北美最繁忙的迁移走廊之一的途径。从加勒比地区，南美洲和中美洲从冬季场地返回的物种最直接的途径是墨西哥湾，他们在一次旅行中交叉-400到600英里 - 达到登陆。作为一个孩子，GauthReaux在夜间醒来，听着卧室外的黑暗中的飞行电话。“我的职业生涯已经致力于了解晚上在大气中发生的事情，因为我们看不到它，”今天说。
当Gauthreaux在20世纪50年代读高中时，第一个现代天气雷达系统安装在墨西哥湾沿岸，这是一个名为WSR-57的由50个台站组成的国家网络的一部分。Gauthreaux认为，如果气象站足够灵敏，能够探测到雨滴，那么它们不应该在夜间听到的鸟类尸体上采集水分吗？他得到了雷达图像，可以看到大量的积雪，他知道一定是鸟类。这一发现激发了Gauthreaux对鸟类迁徙的热情，在20世纪70年代末，他建立了第一个用于鸟类研究的移动雷达实验室。
1990年，Gauthreaux在克莱姆森大学(Clemson University)建立了雷达鸟类学实验室(Radar Ornithology Laboratory)，大约在同一时期，国家天气系统进行了升级。天气系统由159个发射微波能量捕捉目标密度的站点组成，并使用多普勒记录径向速度(目标接近或离开雷达波的速度)和方向。来自这个名为WSR-88D的网络的雷达数据，让鸟类学家不仅可以估计有多少只鸟在飞行，还可以估计它们的飞行速度和方向。
预测迁移的问题是，它可能涉及到数十亿鸟作出有关是否要飞，当晚去哪里的个人决定。
1999年，法恩斯沃斯是戈特罗的一名研究生，他的硕士论文主要研究夜间飞行信号与雷达记录的鸟类密度之间的关系。这项工作需要大量的时间和精力。法恩斯沃斯必须听数小时的飞行呼叫记录，并在区分天气、昆虫、蝙蝠和鸟类之后手动对每个雷达图像进行分类——这是一项需要大量练习的专业技能。在他的论文中，法恩斯沃斯分析了58个夜晚556个小时内鸟类密度和鸣叫声的变化。他花了八个月的时间。
2000年，在环境保护署的资助下，BirdCast的前身在克莱姆森的雷达鸟类学实验室、康奈尔的鸟类学实验室和国家奥杜邦学会的合作下诞生了。目标是根据雷达扫描和天气预报，以及公民科学家收集的目击数据，预测大西洋中部走廊的鸟类迁徙。这个项目需要大量的人力和财力，两年后就结束了。法恩斯沃斯说:“这个想法还没有实现，世界的连接还没有实现。”“那是在大数据出现之前，公民科学的整个理念还没有爆发。”
到2011年，语境发生了变化。如果原始BirdCast不能因为人的约束生长，科学家决定采取人跳出循环。面临的挑战是人工智能模型可能获得的专业知识是否需要分析雷达图像，不仅是天气，昆虫和鸟类之间进行区分，但推断速度和在不同高度候鸟的方向。如果可能，历史PB数据将成为可供研究，以及在区域和国家层面的近实时快速，高效地跟踪候鸟的可能性。从美国国家科学基金会，新生BirdCast团队，由丹尼尔·谢尔登，助理教授计算机科学在美国马萨诸塞州阿姆赫斯特大学加入了资金，开始认真工作和腹股沟淋巴结炎孵出。
现在，“Bubo”每天晚上都会从17个雷达站下载数据以及天气数据，这些数据将帮助它将鸟类与风和降水区分开来。Bubo的方法源自气象学家通过雷达分析风向和风速的方法，但它有一个处理“混叠”问题的新特性。之所以会出现混叠，是因为WSR-88D的雷达无法计算出超过一定速度的径向速度，这些误差会扭曲扫描结果，显示出高于一定速度的物体从雷达站向外移动，而不是向内移动，反之亦然。混叠并不新奇，但Sheldon和他的BirdCast同事们提出了一种新方法，他们开发了一个概率模型来解释径向速度值的混叠，并编写了一个推理算法来重建一个完整的速度场。2013年，这些创新为该团队赢得了人工智能进步协会(Association for the Advancement of Artificial Intelligence)颁发的最佳论文奖。Bubo的机器学习流水线可以在17秒内分析一张雷达图像，在不到一小时内分析一整晚的图像。
“我们知道鸟类在秋天飞向南方，在春天飞向北方，”特拉华大学野生动物生态学助理教授Jeffrey Buler说，他使用雷达数据来研究鸟类迁徙，尽管他不是BirdCast的成员。“现在我们有了一种直接观察这些事情并提出微妙问题的方法。他们正在做的工作的另一个好处是，他们开始挖掘雷达档案的潜力。”
Bubo自5月以来一直在运行，并不会为整个迁移期生成数据，直到此秋季。但是，Birccast团队已经开始分析历史数据，包括2010年和2011年的两次迁徙从美国东北部门的近40,000名雷达扫描。该研究表明，鸟类在大西洋迁移到大西洋休假并使用不同的路线境内的境内移民稍后。这些发现可以帮助生物学家了解气候变化如何影响移民物种，GauthReaux一直在研究克莱姆森大学。他的初步调查结果导致他相信，近距离移民近几十年来响应季节性变化，而长途物种则不会改变其时间表。“后果是，这些物种可能与食品和育种场所的生产不同步，”GauthReaux说。“最初可能导致人口相当戏剧性地下降。对于那些不太健康的物种，可能意味着灭绝：人口可能会很低，它们无法适应，物种会眨眼。“
随着Bubo收集数据，Bir语广播正在准备扩展另外两个人工智能实验。第一个使用机器学习算法来识别迁移鸟类的夜间飞行呼叫，迁移鸟类被声学设备记录。到目前为止，纽约州有10个设备，每个设备都配备了探测器，屏幕屏幕拨打。该呼叫上传到中央服务器，在那里它们由算法处理，可以识别六种不同的鸟类，精度为95％。“这是我们第一次通过它制作的声音自动检测和识别鸟类的机器的第一次之一，”Onnithology康奈尔实验室信息科学总监Steve Kelling说。
其次，Birdcast将开始测试统计模型以使用抗eird数据在发生之前将鸟迁移预测到两天。自2002年推出以来，eBird已成为公民生成数据的令人印象深刻的来源。业余鸟类观察员，许多使用eBird应用程序，每月报告数百万目的。2015年2月，在为期四天的全球鸟类伯爵中，来自100个国家的超过140,000人提交了赤裸的瞄准。但是，所有数据都提出了挑战。预测移民的问题，营养不良解释，是迁移涉及潜在数十亿的鸟类，使个人决定是关于那天晚上是否飞行。如果计算机必须考虑所有这些变量，则它将是计算的难以解决的。谢尔顿的突破是一个“集体图形模型”。而不是为鸟类人口的每个成员包含一个变量，集体图形模型避免了对个人的推理，并使用算法推断出从一个地方迁移到另一个地方的鸟类。“听起来很明显，但突破是意识到概率模型可以从个人升力到聚合，”谢尔顿说。
对于BirdCast，grail正在创建一个模型，该模型集成了来自雷达、声学和eBird三个流的数据。该模型可以检验关于影响移民的力量的假设，揭示移民与目前我们无法感知的大气之间的关系。法恩斯沃思说，这些都是很快就会出现的见解。“有一些基本的自然历史问题我们不知道答案，”他说。“当事情开始发生变化时，这意味着什么？喷射流的模式？极涡？在广阔的空间尺度上大气的变化？这些都是我们正在理解的事情。”
奥康纳先生是一位住在布鲁克林的记者，他的第一本书复活科学：保护，德灭绝和野生的东西的未来岌岌可危将于9月出版。
由理查德·巴茨、保罗·苏德斯和迈克尔·j·班尼特的照片拼贴而成。
