Predicting population trends of birds worldwide with big data and machine learning
Notice bibliographique
Résumé
Birds are crucial for the functioning of Earth’s ecosystems but bird population declines have been documented worldwide in recent decades. A global assessment of potential causes of population declines is needed. Our goal here was to combine the power of big data and machine learning to identify predictors correlated with bird population declines and to predict population declines for species with unknown population trends on the IUCN Red List. From existing online databases, we gathered detailed species‐level data for 10 964 extant bird species around the world, featuring life history, ecology, distribution, taxonomy and categorical population trend information (i.e. decreasing or not decreasing). For the 10 163 species with known population trends, we split the data into a 75% training set to tune and train a machine‐learning model (Light Gradient Boosting Machine – ‘LightGBM’) and a 25% test set to evaluate the trained model. Our model predicted (i) bird population declines with an ROC AUC score of 0.828, F1 score of 0.748 and average accuracy of 0.747, and (ii) that 47% ( n = 801) of bird species with currently unknown population trends are declining. Correlation analyses suggested that, globally, the top predictor associated with bird population declines was a severely fragmented population, with non‐migratory birds in South American and Southeast Asian tropical and subtropical forests being particularly vulnerable. Despite the lack of long‐term quantitative population trend data for all species worldwide, our study presents big data and machine learning as a useful tool for informing conservation priorities, lending insight, albeit imperfect, into bird population declines on the global scale for the first time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».