Hoffman, Benjamin, Maddie Cusimano, Vittorio Baglione, Daniela Canestrari, Damien Chevallier, Dominic L. DeSantis, Lorène Jeantet, Monique A. Ladds, Takuya Maekawa, Vicente Mata-Silva, Víctor Moreno-González, Anthony M. Pagano, Eva Trapote, Outi Vainio, Antti Vehkaoja, Ken Yoda, Katherine Zacarian & Ari Friedlaender (2024): A benchmark for computational analysis of animal behavior, using animal-borne tags. – Movement Ecology 12(1): 78.
Ein Maßstab für die computergestützte Analyse des Verhaltens von Tieren unter Verwendung von am Tier befestigten Markierungen.
DOI: 10.1186/s40462-024-00511-8➚
Chelonia mydas,
© Hans-Jürgen Bidmon
Hintergrund: Tiergestützte Sensoren („Bio-Logger“) können eine Reihe von kinematischen Daten und Umweltdaten aufzeichnen, die zur Aufklärung der Ökophysiologie von Tieren und zur Verbesserung der Schutzbemühungen verwendet werden. Zur Interpretation der großen Datenmengen, die von Bio-Loggern aufgezeichnet werden, werden maschinelle Lerntechniken eingesetzt, aber es gibt keinen gemeinsamen Rahmen für den Vergleich der verschiedenen maschinellen Lerntechniken in diesem Bereich. Dies erschwert beispielsweise die Identifizierung von Mustern, die für die auf maschinellem Lernen basierende Analyse von Bio-Logger-Daten gut funktionieren. Es erschwert auch die Bewertung der Wirksamkeit neuartiger Methoden, die von der Community für maschinelles Lernen entwickelt wurden.
Methoden: Um dieses Problem zu lösen, stellen wir den Bio-Logger Ethogram Benchmark (BEBE) vor, eine Sammlung von Datensätzen mit Verhaltensanmerkungen sowie eine Modellierungsaufgabe mit Bewertungsmetriken. BEBE ist bis heute der größte, taxonomisch vielfältigste öffentlich verfügbare Benchmark dieser Art und umfasst 1.654 Stunden an Daten, die von 149 Individuen aus neun Taxa gesammelt wurden. Mit BEBE vergleichen wir die Leistung von Methoden des tiefen und klassischen maschinellen Lernens zur Identifizierung von Tierverhalten auf der Grundlage von Bio-Logger-Daten. Als Beispiel für die Verwendung von BEBE testen wir einen Ansatz, der auf selbstüberwachtem Lernen basiert. Um diesen Ansatz auf die Klassifizierung von Tierverhalten anzuwenden, passen wir ein tiefes neuronales Netzwerk an, das mit 700.000 Stunden Daten, die von am Handgelenk getragenen Beschleunigungsmessern von Menschen gesammelt wurden, vorab trainiert wurde.
Ergebnisse: Wir stellen fest, dass tiefe neuronale Netzwerke die klassischen maschinellen Lernmethoden, die wir in BEBE getestet haben, in allen neun Datensätzen übertreffen. Wir stellen außerdem fest, dass der auf selbstüberwachtem Lernen basierende Ansatz die von uns getesteten Alternativen übertrifft, insbesondere in Situationen, in denen nur wenige Trainingsdaten verfügbar sind.
Schlussfolgerungen: Angesichts dieser Ergebnisse können wir konkrete Vorschläge für die Gestaltung von Studien machen, die auf maschinellem Lernen basieren, um aus Bio-Logger-Daten auf das Verhalten zu schließen. Daher gehen wir davon aus, dass BEBE in Zukunft nützlich sein wird, um ähnliche Vorschläge zu machen, wenn weitere Hypothesen über maschinelle Lerntechniken getestet werden. Datensätze, Modelle und Evaluierungscode werden unter https://github.com/earthspecies/BEBE öffentlich zugänglich gemacht, um die Nutzung von BEBE durch die Community zu ermöglichen.
Kommentar von H.-J. Bidmon
Hier wird ein Modell vorgestellt, wie große biologisch relevante Datenmengen, die mittels Biologgern aufgezeichnet wurden, mittels künstlicher Intelligenz ausgewertet werden können. Insofern ist diese Arbeit durchaus relevant und vielseitig einsetzbar, solange die Biologger entsprechend gut vorbereitet und die zu beachtenden Kontrollen durchgeführt wurden (siehe Robinson et al., 2024).
Literatur
Robinson, Nathan J., Ruth Doñate-Ordóñez, Damianos Chatzievangelou, Annabelle M. L. Brooks, Jack Cuffley, Candace Y. A. Fields, Sebastian Hoefer, Theodora Pinou, Alexander Smith & Sophie Mills (2024): Short-Term Effects of Attaching Animal-Borne Devices on the Behavior of Juvenile Green Turtles. – Ecology and Evolution 14(12): e70707 oder Abstract-Archiv.
Galerien
Chelonia mydas – Grüne Meeresschildkröte