Segmentation and profile-based classification of movement strategies from animal tracking data

تخيل أنك تحاول فهم قصة بمجرد النظر إلى لقطة واحدة ضبابية. قد ترى شخصاً واقفاً ساكناً، لكن ليس لديك أدنى فكرة عما إذا كان ينتظر حافلة، أو يختبئ من عاصفة، أو ببساطة تائه. الآن، تخيل أن هذا الشخص هو حيوان بري، وبدلاً من لقطة واحدة، لدينا مسار طويل ومتعرج من نقاط نظام تحديد المواقع العالمي (GPS) التي تركها خلفه على مدار أسابيع أو أشهر. هذا هو عالم "إيكولوجيا الحركة" (movement ecology)، وهو مجال يعمل فيه العلماء كالمحققين، محاولين قراءة القصص الخفية لحياة الحيوانات من مسارات سفرها. السؤال الكبير بسيط ولكنه شائك: هل هذا الحيوان باقٍ في موطنه ضمن منطقته، أم يتجول بلا هدف بحثاً عن مكان جديد، أم يحزم أمتعته للانتقال إلى جزء مختلف تماماً من العالم؟

لحل هذه المعضلة، غالباً ما ينظر العلماء إلى ما يسمى بـ "إزاحة المربع الصافي" (Net Squared Displacement - NSD). فكر في الـ NSD كدرجة "البعد عن المنزل" التي تزداد أو تنقص مع حركة الحيوان. إذا ظلت الدرجة منخفضة وتتذبذب قلياً، فمن المرجح أن الحيوان يقضي وقته في حيه. أما إذا ارتفعت الدرجة في خط مستقيم، فمن المرجح أن الحيوان في رحلة جادة. ولكن هنا تكمن المشكلة: الحياة الواقعية للحيوانات فوضوية. فأحياناً يقوم "المحب للاستقرار" بجولة طويلة تبدو وكأنها رحلة، وأحياناً أخرى يقوم "المتجول" بالتوقف في مكان واحد لفترة من الوقت. الطرق التقليدية لتصنيف هذه السلوكيات غالباً ما تتطلب كميات هائلة من البيانات المصنفة مسبقاً (مثل مكتبة ضخمة من الأمثلة المعروفة) أو تعتمد على تخمينات رياضية جامدة تنهار عندما يفعل الحيوان شيئاً غير متوقع.

وهنا يأتي دور دراسة جديدة أجراها إيفو كادليك وفريقه. لم يكتفوا ببناء خريطة أفضل فحسب؛ بل بنوا طريقة أذكى لقراءة الخريطة دون الحاجة إلى مكتبة ضخمة من الأمثلة أولاً. لقد ابتكروا نظاماً يعمل مثل ماسح "بصمة السلوك". فبدلاً من إجبار مسار الحيوان على قالب رياضي صارم، يتعلم النظام كيف تبدو السلوكيات المختلفة من خلال دراسة عدد صغير من الأمثلة الواضحة التي يقدمها الخبراء. ثم يقوم بمقارنة المسارات الجديدة وغير المعروفة بهذه البصمات، معطياً درجة احتمالية و"تقييم ثقة" يخبرنا بمدى تأكده. وقد اختبروا ذلك على نوعين مختلفين تماماً من الحيوانات: الذئاب الرمادية، التي تجوب غابات وسط أوروبا، وطيور "الزقزاق الدوري" (northern lapwings)، وهي نوع من الطيور التي تهاجر بين أوروبا وفرنسا. والنتيجة؟ أداة يمكنها إخبارنا ما إذا كان الذئب يستقر، أو يحزم أمتعته، أو يتجول فحسب، وما إذا كان الطائر يعشش، أو يتوقف لتناول وجبة خفيفة، أو يطير جنوباً، كل ذلك مع الاعتراف عندما لا تكون متأكداً بنسبة 100%.

حقيبة أدوات المحقق الجديدة

إذاً، كيف يعمل هذا "التصنيف القائم على الملفات التعريفية" (profile-based classification) في الواقع؟ تخيل أنك تحاول تخمين ما يفعله صديق لك بمجرد النظر إلى عدد خطواته في ساعة ذكية. إذا كانت خطواته منخفضة ومستقرة، فمن المرجح أنه في المنزل. وإذا كانت عالية ومستقرة، فهو يمشي إلى مكان ما. ولكن ماذا لو كان يخطو بخطوات مضطربة؟ هذا هو الجزء الصعب.

تبدأ طريقة المؤلفين بتفكيك رحلة الحيوان الطويلة إلى أجزاء أصغر، أو "مقاطع"، باستخدام خوارزمية ذكية تجد اللحظات الدقيقة التي يتغير فيها سلوك الحيوان. الأمر يشبه تقطيع فيلم طويل إلى مشاهد: مشهد هو "النوم في المنزل"، والمشهد التالي هو "الجري إلى منزل جديد"، والمشهد الذي يليه هو "التجول في الحي".

بمجرد تقسيم الرحلة، يقيس النظام "مقاييس" محددة لكل جزء. فكر في هذه المقاييس كإحصائيات سلوكية للحيوان:

• الميل (Slope): ما مدى سرعة ابتعاد الحيوان عن نقطة بدايته؟ الميل الحاد يعني رحلة جادة؛ والميل المسطح يعني البقاء في المكان.
• التقلب (Volatility): هل الحركة سلسة ومستقرة، أم مهتزة وغير منتظمة؟
• معدل الانعكاس (Reversal Rate): هل يتحرك الحيوان في اتجاه واحد، أم يتذبذب ذهاباً وإياباً؟

تحدث المعجزة عندما يقارن النظام هذه الإحصائيات بـ "ملف تعريفي" مبني من مجموعة تدريب صغيرة. فقد طلب الباحثون من الخبراء النظر في بعض الأمثلة المعروفة للذئاب والطيور وتصنيفها (على سبيل المثال: "هذا بالتأكيد ذئب يبقى في منطقته"). يتعلم النظام متوسط الإحصائيات لـ "الإقامة في المنطقة"، و"التجول"، و"الهجرة". وعندما يأتي مقطع جديد غير معروف، يحسب النظام مدى قرب إحصائياته من تلك الملفات التعريفية. هو لا يكتفي بالقول "هذه هجرة"؛ بل يقول: "هناك احتمال بنسبة 98% أن تكون هذه هجرة، مع فاصل ثقة بنسبة 95% يتراوح بين 89% إلى 100%".

والأهم من ذلك، أن النظام يعطي أيضاً "تقييم مصداقية". فإذا كانت إحصائيات "البقاء في المنزل" و"التجول" متشابهة جداً، يعترف النظام: "أنا لست متأكداً، هذا تخمين ذو مصداقية منخفضة". وهذا أمر جوهري لأن هذا يمنع العلماء من اختلاق قصص عن سلوك الحيوان عندما تكون البيانات في الواقع غامضة.

الذئب والزقزاق: حكاية مسافرين

لإثبات نجاح طريقتهم، وضع الفريق منهجهم قيد الاختبار على نوعين مختلفين تماماً.

أولاً، نظروا في حالة 44 ذئباً رمادياً عبر وسط أوروبا. للذئاب ثلاثة أنماط رئيسية: الإقامة (البقاء في منطقة القطيع)، والطفو/التسكع (التجول بدون موطن، غالباً للبحث عن شريك أو قطيع جديد)، والانتشار (ترك الموطن لبدء حياة جديدة في مكان آخر). تم تدريب النظام على 23 مقطعاً فقط من 13 ذئباً. وعندما اختبروه على الـ 31 ذئباً المتبقية، عمل النظام بشكل رائع. فقد حدد بشكل صحيح أن 83% من المقاطع كانت حالات واضحة (مصداقية عالية أو متوسطة). على سبيل المثال، تتبعوا ذئباً يحمل الرقم 103216 قضى 180 يوماً في منطقة نفوذه، ثم انطلق فجأة لمدة 39 يوماً (انتشار)، وأخيراً استقر في مرحلة تجول لمدة 136 يوماً. وقد رصد النظام كل تغيير بدقة تامة.

بعد ذلك، جربوا الطريقة على 15 طائراً من نوع الزقزاق الدوري، وهي طيور تهاجر بين التشيك ومناطق التشتية في إسبانيا وفرنسا. تتحرك الطيور بسرعة أكبر وعلى نطاق مختلف عن الذئاب. هنا، كان التحدي هو التمييز بين الإقامة (التعشيش وتربية الصغار) والطفو (التوقف أثناء الهجرة أو التجول بعد التكاثر). هذان السلوكان يصعب التمييز بينهما بشكل ملحوظ لأن كلاهما يتضمن البقاء في مكان واحد لفترة من الوقت. تم تدريب النظام على 46 مقطعاً من أربعة طيور فقط. وقد نجح في تحديد مراحل الهجرة بيقين شبه تام (غالباً 100%). ومع ذلك، كما هو متوقع، واجه صعوبة في الفصل التام بين الإقامة والطفو. ولكن هنا تكمن العبقرية: لم يفرض النظام إجابة خاطئة؛ بل أشار إلى أن هذه المقاطع ذات احتمالات متداخلة، وعندما راجع الباحثون الأمر مع خبراء الطيور، وافق الخبراء: "نعم، من الصب فعلاً التمييز بين هذين السلوكين". لم تفشل الأداة، بل أبلغت بصدق عن حالة الارتباك.

ماذا تقول الأرقام؟

لم يكتف الفريق بالاعتماد على رؤيتهم؛ بل أجروا آلاف المحاكاة الحاسوبية لمعرفة كيفية أداء الأداة تحت ظروف خاضعة للسيطرة. قاموا بمحاكاة 1,796 رحلة مختلفة ذات "حقائق" معروفة وأجروا عليها النظام.

• الدقة: أصاب النظام الهدف بنسبة 91.1% إجمالاً.
• حجم التدريب: وجدوا أنك لست بحاجة إلى مكتبة ضخمة من البيانات. فـ 5 إلى 10 أمثلة واضحة لكل نوع من أنواع السلوك كانت كافية للحصول على نتائج موثوقة.
• الوقت مهم: لتمييز الفرق بين ذئب باقٍ في منزله وآخر يتجول، كنت بحاجة لمراقبته لمدة 30 إلى 60 يوماً. الفترات الأقصر كانت مربكة للغاية.
• فخ "الطفو": أظهرت عمليات المحاكاة انحيازاً طريفاً: أحياناً يخطئ النظام في اعتبار "المحب للاستقرار" "متجولاً" (بنسبة 17.7% من الوقت)، لكنه نادراً ما يفعل العكس. وهذا منطقي لأن "المحب للاستقرار" قد يقوم برحلة صيد طويلة تبدو وكأنها تجول، لكن "المتجول" نادراً ما يحاكي نمط "العودة للمنزل" المستقر الخاص بالمقيمين.

لماذا يغير هذا قواعد اللعبة؟

قبل هذه الورقة البحثية، إذا أراد عالم دراسة حيوان نادر أو سلوك جديد، فغالباً ما كان عليه الانتظار لسنوات لجمع بيانات كافية لنماذج التعلم الآلي المعقدة، أو كان عليه التخمين باستخدام معادلات رياضية جامدة لا تناسب الواقع. هذا النهج الجديد، المسمى moveprofile، يشبه مساعداً مرناً وصادقاً. فهو يعمل مع مجموعات البيانات الصغيرة، ويشرح لما لماذا قدم تخميناً معيناً، ويخبرك عندما لا يكون متأكداً.

يؤكد المؤلفون أن هذا ليس عصا سحرية تحل كل الألغاز. فهو يعتمد على جودة بيانات التدريب الأولية؛ فإذا قام الخبراء بتصنيف الأمثلة التدريبية بشكل خاطئ، فسوف يتعلم النظام أشياء خاطئة. كما أنه لا يأخذ في الاعتبار كل مصدر محتمل للخطأ، مثل إشارات الـ GPS الضعيفة. ولكن بالنسبة للغالبية العظمى من دراسات الحركة، فإنه يوفر وسيلة لتحويل مسار من النقاط الفوضوية إلى قصة واضحة حول وجهة الحيوان وما يفعله، دون الحاجة إلى الحصول على دكتوراه في الإحصاء للقيام بذلك.

في النهاية، سواء كان ذئباً يقرر مغادرة قطيعه أو طائراً يقرر الطيران جنوباً، تساعدنا هذه الأداة على الاستماع إلى قصصهم بوضوح أكبر، وبصدق شديد تجاه ما لا نزال نجهله.