Population-level migration modeling of North America's birds through data integration with BirdFlow

Deze studie introduceert een generaliseerbaar raamwerk dat BirdFlow-modellen voor 153 Noord-Amerikaanse trekvogelsoorten schaalbaar maakt door eBird-verdelingsdata te integreren met diverse individuele trackingbronnen, waardoor nauwkeurige, populatieniveau-migratievoorspellingen mogelijk worden voor soorten met en zonder specifieke trackinggegevens.

De kern

De Grote Vogelreis: Hoe we nu de geheime routes van 153 vogelsoorten kunnen voorspellen

Stel je voor dat je een gigantische, onzichtbare stroom van vogels ziet die elk jaar over Noord-Amerika vliegen. Ze vertrekken in de winter, vliegen duizenden kilometers naar het noorden om te broeden, en keren dan weer terug. Maar hier is het probleem: we weten niet precies wie waar naartoe gaat. We weten dat er vogels zijn, maar we weten niet welke groep uit Canada komt en welke uit Florida, of welke route ze precies nemen. Het is alsof je een enorme menigte mensen ziet door een stad lopen, maar je weet niet wie bij elkaar hoort of waar ze naartoe gaan.

Vroeger was het alleen mogelijk om dit te weten door GPS-zenders op individuele vogels te plakken. Maar dat is duur, zwaar voor de vogel, en werkt alleen voor de grootste soorten. Voor de meeste kleine zangvogels hadden we geen idee.

De oplossing: BirdFlow (De "Waze" voor vogels)

De auteurs van dit paper hebben een slim computerprogramma genaamd BirdFlow ontwikkeld. Je kunt dit zien als een super-geavanceerde navigatie-app (zoals Waze of Google Maps), maar dan voor vogels.

Hoe werkt het?

1. De Basiskaart (eBird): Het programma kijkt eerst naar een enorme database van eBird. Dit is een project waarbij miljoenen mensen over de hele wereld vogels tellen en melden. Het programma weet dus precies waar en wanneer er veel vogels van een bepaalde soort zijn.
2. De Stroom: Het programma berekent dan: "Als er nu veel vogels op plek A zijn, en over een week veel op plek B, dan moeten ze wel van A naar B gevlogen zijn." Het tekent een waarschijnlijke route.

Het probleem met de oude versie
De oude versie van BirdFlow was slim, maar niet perfect. Het kon de routes van de vogels niet helemaal goed voorspellen omdat het niet wist hoe snel ze vlogen, waar ze stopten om te eten, of hoe recht ze vlogen. Het was alsof je een navigatie-app gebruikt die alleen weet waar de wegen zijn, maar niet weet hoe snel de auto's rijden of waar ze tanken.

De nieuwe doorbraak: Een mix van bewijs
In dit nieuwe onderzoek hebben de wetenschappers BirdFlow een "make-over" gegeven. Ze hebben het programma getraind met drie soorten bewijsmateriaal, net als een detective die verschillende aanwijzingen verzamelt:

• De "Ringers" (Banding): Net als mensen een paspoort hebben, krijgen vogels een ring om hun poot. Als een vogel ergens wordt gevangen en later weer wordt gevonden, weten we dat hij van A naar B is gevlogen. Dit is vaak oude data, maar heel waardevol.
• De "Motus" (Radiotransmitters): Dit zijn kleine zenders die werken met een netwerk van antennes. Als een vogel met zo'n zender langs een antenne vliegt, weet het systeem waar hij is. Dit werkt goed voor kleine vogels.
• De "GPS" (De zware jongens): Voor de grote vogels hebben ze nog steeds GPS-data.

Het slimme trucje: "Leren van de familie"
Het grootste probleem was: wat als we voor een bepaalde vogelsoort geen van deze gegevens hebben?
De wetenschappers ontdekten iets fascinerends: vogels die verwant zijn (bijvoorbeeld verschillende soorten zangers uit dezelfde familie), vliegen vaak op een vergelijkbare manier.

• Analogie: Als je niet weet hoe een specifieke familie van buren naar het werk rijdt, kun je het waarschijnlijk wel goed voorspellen door te kijken hoe hun neven en nichten rijden. Ze hebben dezelfde gewoontes.

Dus, als ze geen data hebben voor de "Roodborst", keken ze naar de data van de "Koolmees" (een verwante soort) om de instellingen voor de Roodborst te verbeteren. Dit noemen ze hyperparameter-overdracht.

Wat hebben ze ontdekt?

1. Het werkt echt goed: De nieuwe BirdFlow-modellen zijn veel beter dan een gok. Ze kunnen de route van een vogel voorspellen die duizenden kilometers verderop zit, met een nauwkeurigheid die veel beter is dan willekeurig raden.
2. Het is biologisch logisch: De routes die de computer tekent, lijken op de echte routes van vogels die we met GPS hebben gevolgd. Ze maken net zo veel stops, vliegen even snel en houden even rechte lijnen aan.
3. Kleine steekproeven zijn genoeg: Je hoeft niet duizenden vogels te ringen om een goed model te maken. Soms is data van slechts een paar tientallen vogels al genoeg om het hele systeem te "kalibreren".
4. 153 soorten: Ze hebben dit succesvol toegepast op 153 verschillende vogelsoorten in Noord-Amerika. Dat is een enorme stap van "een paar soorten" naar "een heel continent".

Waarom is dit belangrijk?

Stel je voor dat je wilt weten waarom een vogelsoort in aantal afneemt.

• Met de oude methoden wisten we niet of ze doodgingen tijdens de vlucht, in de winter of tijdens het broeden.
• Met BirdFlow kunnen we nu zien: "Ah, de vogels uit het oosten sterven vaak door lichtvervuiling in de stad, terwijl de vogels uit het westen last hebben van droogte in de woestijn."

Dit helpt bij:

• Bescherming: We kunnen precies weten waar we beschermde gebieden moeten aanleggen.
• Ziekten: We kunnen zien hoe vogelgriep zich verspreidt.
• Vliegtuigen: We kunnen beter voorspellen waar vogels vliegen om botsingen te voorkomen.

Kortom:
Deze wetenschappers hebben een manier gevonden om de geheime levens van vogels te ontrafelen door slimme wiskunde te combineren met data van duizenden vrijwilligers en een paar slimme ringen. Ze hebben een "levende kaart" gemaakt van de vogelwereld, zodat we ze beter kunnen beschermen in een veranderende wereld. Het is alsof we eindelijk de sleutel hebben gevonden om de taal van de vogelstroom te lezen.

Technische samenvatting

Probleemstelling

Accurate informatie over populatie-niveau verplaatsingen van trekvogels is essentieel voor het begrijpen van migratiepatronen en het ontwerpen van effectieve conservatiestrategieën. Echter, deze informatie ontbreekt voor de meeste trekvogelsoorten omdat het verzamelen van data over hun volledige verspreidingsgebied te duur en arbeidsintensief is. Bestaande modellen, zoals de oorspronkelijke versie van BirdFlow, kunnen populatiebewegingen afleiden uit weekelijkse verspreidingskaarten (gegenereerd door het burgerwetenschapsproject eBird), maar deze modellen zijn tot nu toe slechts getuned voor een handvol soorten met behulp van hoogwaardige individuele trackingdata (zoals GPS). Voor de meeste soorten is dergelijke individuele data niet beschikbaar, wat de schaalbaarheid van deze modellen beperkt.

Methodologie

De auteurs introduceren een algemeen raamwerk voor het afstemmen (tuning) en valideren van BirdFlow-modellen, waarmee voor het eerst een grote schaal-integratie van verspreidingsdata en individuele bewegingsdata mogelijk is.

1. Data-integratie:

   • Verspreidingsdata: Weekelijkse relatieve abundantiekaarten van het eBird Status & Trends (S&T) project dienen als basisinput.
   • Individuele bewegingsdata (Mark-resight): Het model wordt getuned met behulp van een combinatie van drie databronnen: GPS-tracking, beringing-terugvindingen (USGS Bird Banding Program) en radiotelemetrie via het Motus Wildlife Tracking System.
   • Selectie: Er zijn 153 trekvogelsoorten in Noord-Amerika geselecteerd (14 orden, 39 families) met voldoende data (minimaal 20 overgangen/transities per soort).

2. Het BirdFlow-model:

   • BirdFlow is een probabilistisch Markoviaans grafisch model dat toestanden (locatie en tijd) projecteert naar de volgende staat met een bepaalde overgangswaarschijnlijkheid.
   • Het model wordt getraind door een objectief functie te optimaliseren die bestaat uit drie termen, gereguleerd door hyperparameters ($\alpha$, $\beta$, $\epsilon$):
     • Observatieterm: Minimaliseert het verschil tussen het gemodelleerde probabilistische oppervlak en de eBird S&T abundantiekaarten.
     • Afstandsterm: Straft langere bewegingen af (energiekosten), gereguleerd door een gewicht ($\alpha$) en een exponent ($\epsilon$).
     • Shannon-entropie-term: Regelt de stochastische variatie van de routes, gereguleerd door $\beta$.

3. Hyperparameter-tuning:

   • Voor elke soort werden 225 modelcombinaties getraind.
   • De beste hyperparameters werden geselecteerd op basis van twee criteria:
     1. Een hoge correlatie (>0,98) tussen het gemodelleerde oppervlak en de eBird abundantiekaarten.
     2. De maximale verbetering in log-waarschijnlijkheid ($\Delta LL$) bij het voorspellen van de werkelijke terugvindlocaties van de overgangen, vergeleken met een willekeurige steekproef uit de abundantiekaart.

4. Validatie en Transfer:

   • Validatiemetrics: Naast log-waarschijnlijkheid werd een nieuwe metriek, "distance gain" ($\Delta D$), geïntroduceerd. Deze meet hoe dicht de voorspelling bij de werkelijke terugvindlocatie ligt ten opzichte van een willekeurige steekproef.
   • Biologische validatie: Vergelijking van gesimuleerde routes met GPS-data voor 7 soorten op basis van migratiesnelheid, rechte lijn (straightness) en aantal stopovers.
   • Cross-species transfer: Er werd een "leave-one-out" (LOO) analyse uitgevoerd om te testen of hyperparameters van verwante soorten (op familieniveau of ordenniveau) kunnen worden overgedragen om modellen te bouwen voor soorten zonder individuele trackingdata.

Belangrijkste Resultaten

• Verbeterde Voorspellingskracht: De getunde BirdFlow-modellen presteerden aanzienlijk beter dan een null-model (willekeurige steekproef uit de abundantiekaart). Gemiddeld waren de modellen 27 keer nauwkeuriger in het voorspellen van exacte terugvindlocaties en 1058 km dichter bij de werkelijke locatie dan het null-model.
• Voorspellingshorizon: De modellen behielden hun voorspellende kracht over grote afstanden en tijdsperiodes. De gemiddelde maximale functionele afstand was 2449 km, en de prestaties bleven beter dan het null-model tot na 270 dagen.
• Biologische Plausibiliteit: De gesimuleerde routes vertoonden biologisch realistische kenmerken. Voor de 7 soorten met GPS-data vielen de waarnemingen voor snelheid, rechte lijn en stopovers grotendeels binnen de 95% betrouwbaarheidsintervallen van de simulaties.
• Data-Transfer: Zelfs met beperkte data (slechts 20 transities) kon een model worden getuned dat beter presteerde dan het basisniveau. Wanneer soort-specifieke data ontbrak, leverde het overdragen van hyperparameters van taxonomisch verwante soorten (familie-niveau) betere resultaten op dan het gebruik van data van willekeurige andere soorten.
• Invloed van Eigenschappen: Er werd een correlatie gevonden tussen hyperparameters en morfologische eigenschappen (zoals lichaamsgewicht) en verspreidingskenmerken. Kleine zangvogels vertoonden bijvoorbeeld een andere configuratie (hoge afstandskosten, frequente stops) dan grote watervogels (lage kosten, lange sprongen).

Bijdragen en Betekenis

• Schaling naar honderden soorten: Dit onderzoek levert de eerste collectie van continentale schaal populatie-bewegingsmodellen voor 153 Noord-Amerikaanse trekvogelsoorten. Dit vult een cruciale lacune in de ecologische research op, aangezien populatieverschillen vaak groter zijn dan soortverschillen.
• Onafhankelijkheid van één data-bron: Door het combineren van beringing, Motus en GPS-data, is het mogelijk om modellen te bouwen voor soorten waarvoor geen enkel type trackingdata dominant is. Dit maakt het model toepasbaar voor soorten die moeilijk te volgen zijn met GPS (zoals kleine zangvogels).
• Toepassingsmogelijkheden: De modellen bieden een kwantitatieve basis voor:
  • Conservatie: Het identificeren van kritieke gebieden en risico's (zoals lichtvervuiling of habitatverlies) langs specifieke migratieroutes.
  • Disease Surveillance: Het voorspellen van de verspreiding van door vogels overgedragen ziekten.
  • Aviatie: Het beoordelen van risico's voor de luchtvaart door vogelzwermen.
  • Evolutionaire Biologie: Het bestuderen van convergentie en divergentie in migratiestrategieën.
• Open Science: De auteurs hebben de code, data en de getuned modellen openbaar gemaakt, wat een fundament legt voor toekomstig onderzoek en beleidsvorming op het gebied van vogelmigratie.

Samenvattend biedt deze studie een robuust, schaalbaar raamwerk om de complexe, populatie-specifieke migratiepatronen van vogels te modelleren door verschillende databronnen te integreren, waardoor een nieuwe standaard wordt neergezet voor bewegingsecologie en natuurbescherming.