大數據、小鳥兒:GPUs 與深度學習技術如何協助科學家解救瀕危的鳥類族群

作者 Tonie Hansen

前往僻遠的島嶼、走遍各危崖險境尋找目標對象、架設聲音感測器以偵測鳥兒的一舉一動,鳥類學家的身體裡常藏著007詹姆士.龐德的身手。

而且鳥類學家逐漸採用科技(會讓龐德電影裡愛好各類新奇玩意兒的「Q」欣喜不已)來找出鳥兒築巢的地點、記錄鳥叫聲,以及監控鳥兒們的族群活動。

SM2 自動數位錄音機,茂宜島海鳥復育計劃(MNSRP)Jay Penniman 攝。
SM2 自動數位錄音機,茂宜島海鳥復育計劃
(MNSRP)Jay Penniman 攝。

留置在現場並24小時運作的聲音感測器和攝影機記錄下大量資料,數量多到無法以人工方式進行分析。

位於美國加州聖塔克魯茲的 Conservation Metrics 採用深度學習技術來訓練軟體,並以 NVIDIA GPU 來加快訓練速度,以消化處理大量資料,從而進行鳥類保育工作。

Conservation Metrics 負責人 Matthew McKown 說:「我們得進行繁重的探測工作,結束後還要處理海量資料。」

近期 Conservation Metrics 的成功案例包括協助南加州外海峽島國家公園,監控受到嚙齒目動物威脅的鳥類族群。

他們結合新式自動化調查和傳統研究方式,找到神出鬼沒的灰叉尾海燕,McKown說這種體積嬌小的灰色鳥類「築巢在與世隔絕之處,在地下洞穴養育幼鶵,僅在夜間出沒。」

萊桑島上的長尾水薙鳥幼鶵,美國魚類及野生動物管理局的 Abram B. Fleishman 攝。
萊桑島上的長尾水薙鳥幼鶵,美國魚類及野生
動物管理局的 Abram B. Fleishman 攝。

過去生物學家進行研究時,得在漆黑一片的夜間爬在陡峭崎嶇又濕滑的岩石四週,而如今他們只需架設好感測器,就能24小時錄製鳥叫聲,自動分析錄到的聲音,並且帶領研究人員前往安那卡帕島上首個發現的灰叉尾海燕鳥巢。

「有了 GPUs 的助力,我們的研究工作速度加快了22倍,能夠處理9萬小時的資料,過去靠人工方式來收聽得花上十年的光陰。」McKown 說 GeForce GTX TITAN X 是他的得力助手。「加上我們的演算法就能找出罕見事件、尋找罕見鳥類、測量實施保育活動前後鳥類族群的差異,以及估算鳥類的活動範圍。」

Conservation Metrics 公司人工智慧部門主管 David Klein 說:「深度學習技術是最適合這項研究方式的工具,鳥類專家們可以訓練自動化軟體,擴大他們的影響範圍。」

水薙鳥生存戰

Conservation Metrics 還協助找到過去被視為已絕跡的一種海鳥。

萊桑島上的長尾水薙鳥,美國魚類及野生動物管理局的 Abram B. Fleishman 攝。
萊桑島上的長尾水薙鳥,美國魚類及野生動物管理局的
Abram B. Fleishman 攝。

放在博物館抽屜裡的水薙鳥標本,2011年被視為一種獨立物種,命名為「Bryan’s shearwater」。

在東京南方600英哩小笠原群島的某個小島上,偶被人瞧見這種有著黑白羽色的嬌小鳥兒身影後,日本的研究人員直覺這種鳥類或許還存在。

McKown 說:「研究人員無法靠近嶙峋的環礁,他們帶著感測器游向岸邊,安裝後經過九個月再游過去取回。我們聽到令人驚喜的聲音,一直都有聽見長尾水薙鳥的叫聲,代表牠們還存活著,可能還有繁殖的行為。」

研究人員反覆進行這項實驗,2015年發現第一個鳥巢。學者們如今能將研究和保育工作集中在某處,運用自動化研究方法來深入瞭解影響鳥兒生存的威脅和復育因素,以保護這種極為活躍的鳥類。