Het onderzoek is een samenwerking tussen ecologen van het Institute for Biodiversity and Ecosystem Dynamics (IBED) en informatici van het AI4ScienceLab. Eerste auteur Fiona Lippert is voor haar promotie-onderzoek in de Artificial Intelligence verbonden aan beide instituten. 'Tijdens de trek reizen vogels door verschillende landschappen, waarvan er veel door mensen zijn gedomineerd en gevormd', vertelt Lippert. 'Dat leidt onvermijdelijk tot conflicten - denk aan botsingen met vliegtuigen, gebouwen, elektriciteitsleidingen of windturbines - en de overdracht van besmettelijke ziekten op mensen of vee.'

Afweging tussen effect en kosten

Om die conflicten effectief te kunnen voorkomen, moeten belanghebbenden een paar dagen van tevoren weten wanneer en waar vogels zullen vliegen. Lippert: 'Windmolens kunnen bijvoorbeeld tijdelijk worden stilgezet tijdens de piek van de vogeltrek om het aantal slachtoffers te beperken. Of gebouwen kunnen ’s nachts hun verlichting uitschakelen om te voorkomen dat nachtelijke trekvogels gedesoriënteerd raken.' Maar al deze maatregelen hebben een zekere prijs, zoals het verlies aan windenergie. Het belang is groot dat zo’n stillegging zo kort mogelijk duurt. “Daarom zijn betrouwbare korte-termijn voorspellingsmodellen nodig om een optimale afweging te maken tussen een maximaal ecologisch effect en minimale financiële kosten.'

Gegevens van weerstations combineren

Lippert en haar collega’s maken gebruik van gegevens van Europese weerradars, die neerslag meten maar ook groepen vogels kunnen registeren. De onderzoekers gingen na hoe de spaarzaam beschikbare datapunten van weerradars te combineren zijn om, zowel in ruimte als tijd, nauwkeurige voorspellingen van de vogeltrek te doen. Ze baseren hun aanpak op een wiskundig model dat beschrijft hoe het aantal vogels rond elk weerradarstation in de tijd verandert wanneer vogels opstijgen, zich verplaatsen tussen naburige radars, en weer landen om te rusten en voedsel te zoeken.

Processen en patronen

Lippert: 'Het model leert over de specifieke relaties tussen bijvoorbeeld weer, landschapselementen, vroegere omstandigheden en de verschillende fasen van de migratie.' Zo kunnen ze een aantal onbekende componenten van het wiskundige model vervangen door de output van neurale netwerken, zelflerende computermodellen. 'Die worden getraind om de mismatch tussen de voorspellingen van de vogeldichtheid en de schattingen van de weerradars te minimaliseren.' Dat resulteert in FluxRGNN, een hybride model dat de sterke punten combineert van proces-gestuurd modelleren en machine learning, zoals enerzijds begrijpen welke processen bijdroegen aan de voorspelling en anderzijds het vinden van patronen in data.

Wetenschappelijke publicatie

Het originele wetenschappelijke artikel kan hier (British Ecological Society) gelezen worden.