马萨诸塞大学阿默斯特分校的计算机科学家与康奈尔鸟类学实验室的生物学家合作，最近在生态学与进化方法杂志上宣布了一种新的预测模型，该模型能够准确预测候鸟迁徙的地点接下来将进行——生物学中最困难的任务之一。该模型被称为BirdFlow，虽然它仍在完善中，但它应该在一年内可供科学家使用，并最终将向公众开放。

为了解鸟类的去向研究人员求助于公民科学和机器学习

“很长一段时间以来，人类一直在努力弄清楚鸟类迁徙的原因，”麻省大学阿姆赫斯特分校信息与计算机科学教授Dan Sheldon说，他是该论文的资深作者，也是一位热情的业余观鸟者。“但是，”该论文的主要作者、麻省大学阿姆赫斯特分校计算机科学研究生 Miguel Fuentes 补充道，“要获得关于哪些鸟类在哪里的精确、实时信息非常困难，更不用说它们要去哪里了。 ”

之前和正在进行的许多努力都在标记和跟踪个体鸟类，这些都产生了宝贵的见解。但是很难对数量足够多的鸟类进行物理标记——更不用说这项工作的费用——以形成足够完整的图像来预测鸟类的活动。“通过追踪方法很难理解整个物种如何在整个大陆移动，”谢尔顿说，“因为它们会告诉你一些在特定位置捕获的鸟类所遵循的路线，而不是在完全不同的位置的鸟类可能如何移动。”

近年来，监测和报告候鸟目击事件的公民科学家数量激增。世界各地的观鸟者通过 eBird 每年贡献超过 2 亿次鸟类目击，eBird 是一个由康奈尔鸟类学实验室和国际合作伙伴管理的项目。它是现有最大的生物多样性相关科学项目之一，拥有数十万用户，通过实验室的eBird Status & Trends 项目促进最先进的物种分布建模 。“eBird 数据非常惊人，因为它显示了给定物种的鸟类每周在其整个范围内的位置，”Sheldon 说，“但它不追踪个体，因此我们需要推断个体鸟类遵循的路线以最好地解释该物种级模式。”

BirdFlow 利用 eBird 的状态和趋势数据库及其对鸟类相对丰度的估计，然后通过概率机器学习模型运行该信息。该模型使用实时 GPS 和卫星跟踪数据进行调整，因此它可以“学习”预测个体鸟类在迁徙时下一步将移动到哪里。

研究人员在 11 种北美鸟类上测试了 BirdFlow——包括美洲山鹬、画眉和斯温森鹰——发现 BirdFlow 不仅在跟踪鸟类迁徙方面优于其他模型，而且无需实时 GPS也能准确预测迁徙流和卫星跟踪数据，这使得 BirdFlow 成为跟踪可能真正在雷达下飞行的物种的宝贵工具。

“今天的鸟类正在经历快速的环境变化，许多物种正在减少，”康奈尔鸟类学实验室的博士后研究员、该研究的合著者本杰明范多伦说。“使用 BirdFlow，我们可以联合不同的数据源，描绘出更完整的鸟类活动图景，”Van Doren 补充道，“通过激动人心的应用程序来指导保护行动。”

借助国家科学基金会提供的 827,000 美元赠款，Sheldon 和他的同事们正在改进 BirdFlow，并计划在今年晚些时候发布一个供生态学家使用的软件包，未来的开发目标是面向公众的可视化产品。