每逢秋季，为顺利过冬，北美几十亿鸟类向南迁徙。但是，至少四分之一的鸟类无法在春季回迁到北部繁殖地，因为它们变成了食肉动物、糟糕天气或油坑和手机信号塔等人为危害的受害者。

许多鸟儿在夜晚迁徙，这使得鸟类观察者和鸟类学家们很难观察它们并跟踪它们的长期行踪。但监测鸟类种群数量又是一件十分重要的事。

最新研究估计，在过去50年中，由于受到气候变化、栖息地丧失、狩猎和杀虫剂的影响，北美鸟类的数量减少了30亿只。在过去十年中，春季回迁的候鸟数量减少了14％。

为更好地了解鸟类种群随着时间变化的方式和原因，马萨诸塞州大学阿默斯特分校（University ofMassachusetts, Amherst）的研究人员正在通过AI分析来自国家气象雷达网二十多年的数据。这些分析结果还可以改善对未来鸟类迁移情况的预测，并有助于保护鸟类。

巨大的数据宝库

90年代中期伊始，由100多个气象雷达组成的网络已在美国上线，它可以昼夜扫描大气层，大约每10分钟向云中的公共数据档案库添加一次新的测量值。

虽然雷达网络的最初目的是为气象学家提供信息，但这些仪器也会捕捉到飞行中的鸟群(甚至是昆虫)，为鸟类学家创造了一个巨大的数据宝库。

传统鸟类监测方法包括在野外进行鸟类观察、计数、称重和测量，或通过识别号、GPS跟踪器标记它们。

另一方面，雷达提供了整个大陆范围内迁徙趋势的详细视图，使鸟类学家可以逐年追踪数千英里的鸟类种群迁徙情况。 但其中的一个难点是很难把有用的信号和噪音区分开来。

当雷达图像捕捉到一群飞过天空的鸟类时，未经训练的观察者可能将其同降雨或降雪模式混淆。虽然人类和AI都可以学会区分雷达图像中鸟类和降水的区别，但使用深度学习方法可以加速分析不断增长的2亿多幅图像数据集。

转向人工智能

马萨诸塞州立大学阿姆赫斯特分校(UMass Amherst)的研究人员在计算机科学副教授Daniel Sheldon的带领下，利用传输学习和美国国家气象局(National Weather Service) 20万张雷达图像的数据集，开发了一个能够区分候鸟和降水的神经网络。

论文的第一作者博士生Tsung-Yu Lin和助理教授Subhransu Maji在康奈尔大学鸟类学实验室的支持下开发了这个模型。

该团队使用四个NVIDIA GPU的集群来训练深度学习模型，该模型估算了给定雷达图像中的生物数量。根据该数据，鸟类学家可以估算出迁徙的鸟类数量。研究人员发现，名为MistNet的工具可以正确识别出雷达图像测试集中至少96％的鸟类。

MistNet可以在公共档案馆的每一张雷达图像上运行，以总结在不同海拔高度有多少鸟类迁徙，以及它们的方向和飞行速度。一些额外的数据来源，比如鸟类观察者的观察或雷达图像的地理坐标，可以用来确定不同鸟类所对应的雷达数据轨迹。

地平线上的洞察力

到目前为止，研究人员已经分析了大约2800万次扫描，发现大部分的迁移发生在一个非常集中的时间跨度内。去年春天，仅仅一个晚上的迁徙就占了休斯顿人口迁移的10%。

通过观察过去20年的数据可以帮助科学家追踪鸟类迁徙模式是如何随着气候变化而变化的。研究小组发现，随着早春时节食物更早出现，鸟类迁徙的时间也提前了，尤其是那些在更北的繁殖地定居的鸟类。

由于雷达数据每隔几分钟就会更新一次，所以这项工作也可以用于预测近期的鸟类迁徙。Sheldon与康奈尔大学鸟类学实验室、马萨诸塞州立大学阿默斯特分校和俄勒冈州立大学合作的BirdCast公司合作，该公司利用雷达数据提供实时鸟类迁徙地图，以及三天的天气预报。

他说:“这些预测十分令人兴奋，因为它们会让鸟类观察者看到了将要发生的事情，并对重大的迁徙事件充满期待。并且，它在保护鸟类方面也有重要用途。”

例如，为了帮助鸟类在夜间飞行，城市可以在预测到大迁徙时关闭分散注意力的光源。因为，摩天大楼或无线电发射塔发出的人造光会分散候鸟的注意力，使它们迷失方向，从而影响它们的方向感判断。