在春季和秋季迁徙的许多夜晚，数以千万计的鸟类在日落时飞行并经过我们的头顶，在夜空中看不见。尽管这些飞行已被国家气象局不断扫描天气雷达的网络记录了数十年，但直到最近这些数据对于鸟类研究人员来说几乎是遥不可及的。

马萨诸塞州阿默斯特大学的人工智能(AI)研究员Dan Sheldon表示，这是因为信息的巨大程度和缺乏分析工具的工具只能进行有限的研究。

他补充说，具有分析个别雷达图像的时间和专业知识的鸟类学家和生态学家可以清楚地看到能够区分降水与鸟类和研究迁移的模式。但是大量的信息 - 超过2亿张图像和数百TB的数据 - 显着限制了他们足够的夜晚，足够多的时间以及在足够的位置上有用的特征，更不用说追踪季节性，大陆范围内的迁移的能力。他解释道。

显然，需要一个机器学习系统，Sheldon指出，“要除去雨水并保留鸟类。”

现在，来自康奈尔鸟类学实验室和其他人的同事，资深作者Sheldon和Subhransu Maji以及麻省大学信息与计算机科学学院的主要作者Tsung-Yu Lin公布了他们的新工具“MistNet”。用谢尔顿的话来说，它是“最新和最好的机器学习”，从雷达记录中提取鸟类数据，并在数十年的雷达数据档案中利用鸟类迁徙信息的宝库。该工具的名称是指鸟类学家用来捕捉迁徙鸣禽的精细，几乎看不见的“雾网”。

Sheldon说，MistNet可以“自动处理大规模数据集，该数据集已经测量了美国大陆的鸟类迁徙超过20年。”“这是一个非常重要的进步。与手工工作的人相比，我们的成绩非常出色。它使我们能够从有限的20世纪见解转向21世纪的知识和保护行动。”他和合着者指出，“深度学习已经彻底改变了计算机模仿人类解决图像，视频和音频类似识别任务的能力。”

对于这项工作，部分由美国国家科学基金会资助Sheldon设计和测试此类应用的新数学方法和算法，该团队使用两个评估数据集对MistNet和竞争方法进行了大规模验证。他们的新论文还介绍了几个案例研究，以说明MistNet的优势和灵活性。细节出现在最新一期的“生态学与进化方法”中。

作者指出，MistNet基于图像的神经网络，包括为雷达数据的独特特征量身定制的几种架构组件。他们补充说，雷达鸟类学正在迅速发展，并导致有关大陆尺度鸟类运动模式的重大发现。

该小组制作了过去24年移民发生地点和时间的地图，并对这些地图进行了动画制作，例如，“美国大陆最密集的移民区”，Sheldon解释说 - 大致沿着密西西比河以西的走廊河。MistNet还允许研究人员估计迁徙鸟类的飞行速度和流量。

作者指出，MistNet旨在解决“雷达航空生态学中长期存在的挑战”之一，及时帮助科学家更好地利用现有的气象雷达数据，以及大型新数据集的“爆炸性” Sheldon及其同事说，这些项目由eBird，动物追踪设备和地球观测仪器等公民科学项目产生。