مطالعه جمعیت و مهاجرت پرندگان از طریق تحلیل آواز آن‌ها با استفاده از هوش مصنوعی

پژوهشگران از هوش مصنوعی برای مطالعه آواز پرندگان استفاده می‌کنند، تا از جمعیت آن‌ها، الگوهای مهاجرت و حتی لهجه‌های محلی آن‌ها، اطلاعاتی به دست آورند.

مثال‌هایی از کاربرد هوش مصنوعی در مطالعه آواز پرندگان

از طریق مطالعه‌ای که بر روی آواز پرندگانِ رشته‌کوه‌های سیرا نوادا در کالیفرنیا انجام شد، یک میلیون ساعت فایل صوتی به دست آمد. درحال‌حاضر، محققان هوش مصنوعی در تلاش هستند که این صوت‌ها را رمزگشایی کنند، تا از نحوه واکنش پرندگان به آتش‌سوزی‌های طبیعی منطقه، اطلاعاتی به دست آورند و بفهمند که چه راه‌هایی به بازگشت سریع‌تر پرندگان کمک کرد.

همچنین بر اساس گزارشی که اخیراً در مجله Scientific American منتشر شده است، دانشمندان با استفاده از این داده‌های صوتی می‌توانند تغییرات زمان مهاجرت و اندازه جمعیت‌ها را دنبال کنند. علاوه بر این، از دیگر تحقیقات و پروژه‌های مبتنی بر صوتی که برای شمارش حشرات و مطالعه تأثیرات آلودگی نوری و صوتی بر جوامع پرندگان در حال انجام هستند نیز، داده‌های صوتی بیشتری به دست می‌آیند.

کانر وود، بوم‌شناس و پژوهشگر پسادکتری دانشگاه Cornell  که سرپرستی پروژه سیرا نوادا را بر عهده دارد، بیان کرد: «داده‌های صوتی، گنجینه‌هایی حقیقی و حاوی اطلاعات زیادی هستند. فقط لازم است که به‌صورت خلاقانه، درباره نحوه اشتراک‌گذاری و دستیابی به این اطلاعات، بیندیشیم. جدیدترین نسل سیستم‌های هوش مصنوعیِ یادگیری ماشین که می‌توانند گونه‌های جانوری را از روی صدای آن‌ها شناسایی و هزاران ساعت داده را در کمتر از یک روز پردازش کنند، به ما کمک می‌کنند.»

لورل سایمز، دستار مدیر آزمایشگاه پرنده‌شناسیCornell  در حال بررسی ارتباط صوتی جانوران از جمله جیرجیرک‌ها، قورباغه‌ها، خفاش‌ها و پرندگان است. او چندین ماه، صدای نوعی ملخ شاخک‌بلند آوازخوان به نام katydid را که بخش مهمی از زنجیره غذایی هستند، در جنگل‌های بارانی پانامای مرکزی، ضبط کرده است. الگوی فعالیت‌های تولیدمثلی و تغییرات فصلی جمعیت، در این صداها نهفته است، اما تجزیه و تحلیل آن بسیار زمان‌بر است. سایمس به مجله Scientific American گفت: «یادگیری ماشین، تغییر بزرگی برای ما ایجاد کرد.»

برای اینکه سایمز و سه نفر از همکاران او بتوانند گونه‌های مختلف katydid را از روی تنها ۱۰ ساعت از صداهای ضبط‌شده، طبقه‌بندی کنند، ۶۰۰ ساعت زمان صرف شد؛ اما به گفته سایمز، الگوریتم یادگیری ماشینیِ KatydID که گروه او در حال توسعه آن هستند، همین کار را در فاصله زمانی‌ای انجام می‌دهد که سازندگان انسانی آن «برای خوردن قهوه بیرون می‌روند.»

گروه پژوهشی Wood برای تحلیل ضبط‌های سیرا نوادا، از BirdNET که یک سیستم محبوب تشخیص صدای پرندگان است، استفاده می‌کنند. استفان کال، متخصص یادگیری ماشین از مرکز حفظ بیوآکوستیکCornell  و دانشگاه فناوری Chemnitz BirdNET را ساخته است. پژوهشگران دیگری در فرانسه، از BirdNET برای مستندسازی تأثیر آلودگی‌های نوری و صوتی بر آواز پرندگانِ پارک طبیعی منطقه‌ای Brière  در هنگام طلوع آفتاب استفاده می‌کنند.

آواز پرندگان پیچیده و گوناگون است. کال بیان کرد: «برای شناسایی گونه‌ها از روی آواز آن‌ها، به متغیرهایی بیش از یک نشانه خاص، نیاز داریم. بسیاری از پرندگان بیشتر از یک نوع آواز دارند و اغلب آن‌ها دارای «گویش‌های» هستند؛ به‌عنوان مثال، گنجشک تاج سفید ایالت واشنگتن می‌تواند آواز بسیار متفاوتی از خویشان کالیفرنیایی خود داشته باشد. سیستم‌های یادگیری ماشین می‌توانند این تفاوت‌ها را تشخیص دهند. فرض کنید که آهنگ جدیدی از گروه موسیقی مشهور «بیتلز» همین امروز منتشر شود. با اینکه قبلاً هرگز ملودی یا متن آهنگ را نشنیده‌اید، اما از روی سبک و صدای آن‌ها، می‌توانید بفهمید که آهنگ متعلق به گروه بتلز است. این برنامه‌ها هم یاد می‌گیرند که چنین کاری انجام دهند.»

BirdVox مطالعه آواز پرندگان و موسیقی را ترکیب می‌کند

امروزه با طرح‌هایی مانند BirdVox که حاصل همکاری آزمایشگاه پرنده‌شناسی Cornell با آزمایشگاه تحقیقات موسیقی و صوت دانشگاه نیویورک است، پژوهش در زمینه تشخیص موسیقی تبدیل به مطالعه آواز پرندگان شده‌ است. بر اساس مطلبی که در وبلاگ دانشگاه نیویورک منتشر شده است، روش‌های گوش‌ دادن ماشین به‌منظور تشخیص و رده‌بندی خودکار گونه‌های پرندگان آزاد از روی آواز آن‌ها، در پروژه BirdVox بررسی می‌شوند.

پژوهشگران BirdVox امیدوارند که شبکه‌ای از دستگاه‌های حسگر صوتی را برای رصد آنیِ الگوهای مهاجرت پرندگان، به‌ویژه تعیین زمان دقیق عبور هر گونه، بسازند.

ابزارهای کنونی رصد مهاجرت پرندگان متکی بر رادارهای آب و هوایی هستند که اطلاعاتی راجع به تراکم، جهت و سرعت حرکت پرندگان فراهم می‌کنند، اما درباره نوع گونه‌های مهاجر، اطلاعی به دست نمی‌دهند. پژوهشگران نشان دادند که مشاهدات انسانی جمع‌سپاری‌شده (از طریق گروه‌های انسانی) منحصراً در طی روز انجام می‌شوند و این روش برای مطالعه پروازهای مهاجرتی شبانه، محدودیت دارد.

روش تجزیه و تحلیل بیوآکوستیک خودکار که مقیاس‌پذیر و دارای قابلیت تولید اطلاعات منحصر به گونه است، مکمل روش قبلی است. پژوهشگران مشاهده کردند که چنین روش‌هایی، اثرات بوم‌شناختی گسترده‌ای بر درک تنوع زیستی و رصد گونه‌های مهاجر در مناطق دارای ساختمان، هواپیما، دکل‌های مخابراتی و توربین‌های بادی دارند.

استفاده پژوهشگران دانشگاه Duke از پهپادها برای رصد دسته‌های مرغان دریایی

گروه پژوهشی دیگری از دانشگاه دوک و انجمن حفاظت از حیات‌وحش (WCS) از پهپادها و یک الگوریتم یادگیری عمیق برای رصد دسته‌های بزرگ مرغان دریایی، استفاده می‌کند. بنا بر گزارشی که دانشگاه دوک منتشر کرده است، این گروه پژوهشی در حال تجزیه و تحلیل بیش از ۱۰ هزار تصاویر پهپادی از دسته‌های مخلوط مرغان دریایی در مجمع‌الجزایر فالکلند است.

جزایر فالکلند که با نام جزایر مالویناس هم شناخته می‌شوند، محل زندگی بزرگ‌ترین دسته آلباتروس‌های ابروسیاه (Thalassarche melanophris) و دومین دسته بزرگ پنگوئن‌های صخره‌پر جنوبی (Eudyptes c. chrysocome) هستند. صدها هزار پرنده در این جزایر، در گروه‌های متراکم تولید مثل می‌کنند.

پیش از اینکه روش جدید بررسی‌های پهپادی و یادگیری عمیق در دسترس باشد، برای رصد دسته‌هایی که در دو جزیره صخره‌ای و خالی از سکنه هستند، گروه‌هایی از دانشمندان تعداد هر گونه‌ای را که در بخشی از جزیره مشاهده می‌کردند، می‌شمردند و از روی اعداد به‌دست‌آمده، تعداد کل دسته را تخمین می‌زدند. برای اینکه دقت شمارش‌ها بیشتر شود، اغلب این کار تکرار می‌شد که فرایندی پرزحمت بود. همچنین حضور دانشمندان اثرات بالقوه مخربی بر روی رفتار تولید مثل و جفت‌گیری پرندگان داشت.

مدلاین سی.هیز، تحلیلگر سنجش از راه دور در آزمایشگاه دریایی دانشگاه دوک و سرپرست پژوهش بیان کرد: «استفاده از بررسی‌های پهپادی و یادگیری عمیق، جایگزینی بسیار دقیق، با تأثیرات مخرب کمتر و بسیار راحت‌تر است. یک فرد یا گروهی کوچک می‌تواند این کار را انجام دهد و تجهیزات موردنیاز آن پرهزینه یا پیچیده نیستند.»

دانشمندان WCS از یک پهپاد ساده برای گردآوری بیش از ۱۰ هزار تصویر مجزا استفاده کردند. هیز، این تصاویر را با استفاده از یک نرم‌افزار پردازش تصویر به یک تصویر ترکیبی بزرگ، تبدیل کرد. سپس با استفاده از یک شبکه عصبی پیچشی (CNN) این تصویر را تحلیل کرد. این شبکه عصبی، نوعی هوش مصنوعی است که از الگوریتم‌ یادگیری عمیق برای تحلیل تصویر و تشخیص و شمارش اجسامی که درون تصویر «می‌بیند» استفاده می‌کند. در این مورد خاص، اجسام درون تصویر دو گونه پرنده پنگوئن و آلباتروس بودند. با استفاده از داده به‌دست‌آمده، تعداد کل پرندگان یافت‌شده در دسته‌ها، به‌صورت جامع، تخمین زده شد.

به گزارش این گروه پژوهشی، الگوریتم یادگیری عمیق، جمعیت آلباتروس‌ها را با صحت ۹۷ درصد و جمعیت پنگوئن‌ها را با صحت ۸۷ درصد، شناسایی و سرشماری کرد.

دیوید دابلیو. جانستون، مدیر آزمایشگاه رباتیک دریایی و سنجش از راه دور دوک، گفت: «CNN مانند شبکه عصبی انسان‌ها، می‌تواند از راه تجربه‌، بیاموزد. کامپیوتر آموزش می‌بیند که به الگوهای تصویری متفاوتی مانند آلباتروس‌های ابروسیاه یا پنگوئن‌های صخره‌پر جنوبی در تصاویر نمونه توجه کند و طی زمان یاد می‌گیرد که در تصاویر دیگر مانند تصویر ترکیبی نیز، اجسامی که همان الگو را دارند، شناسایی کند. روش نوظهور مبتنی بر پهپاد و CNN قابل‌اجرا در سطحی گسترده است و توانایی ما را برای رصد اندازه و سلامت دسته‌های مرغان دریایی سراسر جهان و سلامت زیست‌بوم‌های دریاییِ محل زندگی آن‌ها، افزایش می‌دهد.»

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید