大陆规模鸟类迁徙的可解释混合模型

混合模型旨在通过机器学习组件来增强传统理论驱动模型，这些组件从数据中学习未知参数、子模型或校正项。在本工作中，我们基于 FluxRGNN 开发了大规模鸟类迁徙的混合模型，将受流体力学启发的运动模型与捕捉鸟类复杂决策过程的循环神经网络相结合。虽然 FluxRGNN 已被证明成功预测关键迁徙模式，但其空间分辨率受限于通常稀疏的气象雷达观测。此外，其可训练组件缺乏对起飞和着陆事件的明确预测激励。这两个限制都限制了我们对模型结果进行生态学解释的能力。为此，我们提出了两个主要修改，允许在任意所需网格上进行更详细的预测，并提供对模型组件可解释性的控制。在气象雷达网络上的实验中，增强模型有效地利用了底层运动模型，实现了对未观察位置的强 extrapolation 能力。