Shark Voyager AI: Прогнозування Динамічного Середовища Існування Білої Акули

Статус: Завершено

Анотація. Цей проєкт, Shark Voyager AI, представляє комплексний обчислювальний підхід до моделювання динамічного середовища існування білої акули (Carcharodon carcharias). Інтегруючи дані з дев'яти міжнародних джерел, ми розробили та валідували моделі машинного навчання (XGBoost) для прогнозування присутності виду. Ключовим методологічним досягненням стало розроблення протоколу для усунення просторово-часового витоку даних, що дозволило перейти від помилкових показників $AUC \approx 1.0$ до науково достовірних значень в діапазоні $AUC \in [0.79, 0.87]$. Результати виявили кардинальну різницю в екологічних стратегіях залежно від статі: поведінка самок визначається прив'язкою до місць розмноження, тоді як поведінка самців керується динамікою океану та ефективністю полювання. Кінцевим продуктом проєкту є набір динамічних карт, що візуалізують зони найвищої ймовірності присутності акул.


завантаження (3).jfif

РОЗДІЛ 1: ВСТУП ТА МЕТА ПРОЄКТУ

1.1. Огляд Проєкту

Як пише морський біолог Девід Шиффман у своїй книзі "Why Sharks Matter": "Акули — це не бездушні машини для вбивства... вони є життєво важливими частинами морської екосистеми, і океани були б набагато гіршим місцем без них." Наш проєкт, Shark Voyager AI, є відповіддю на заклик до захисту цих ключових хижаків через глибоке розуміння їхнього середовища існування.

Shark Voyager AI — це високопродуктивний обчислювальний проєкт, розроблений для вирішення одного з найфундаментальніших завдань сучасної морської екології: прогнозування динамічного середовища існування вищих хижаків на прикладі білої акули (Carcharodon carcharias).

Проєкт реалізує повний, наскрізний pipeline: від автоматизованого збору гігабайтів супутникових та біологічних даних з дев'яти міжнародних джерел (включаючи NASA, Copernicus та GBIF) до створення та валідації моделей машинного навчання.

Ключове досягнення: Проєкт включає розробку та застосування протоколу для усунення просторово-часового витоку даних (Data Leakage). Ця методологічна суворість дозволила перейти від неправдивих $AUC \approx 1.0$ до науково достовірних показників $AUC \in [0.79, 0.87]$, що вперше відображають справжню прогностичну силу екологічних факторів.

Кінцевим продуктом є набір динамічних карт, що показують "гарячі точки" — зони з найвищою ймовірністю присутності акул в океані.

1.2. Наукова Проблема та Центральна Гіпотеза

Наукова Проблема

Прогнозування розподілу великих, рухливих пелагічних видів, як-от біла акула, є надзвичайно складним завданням. Їхнє середовище існування динамічно змінюється в просторі та часі під впливом безлічі океанографічних та біологічних факторів. Традиційні методи спостереження є дорогими та мають обмежене покриття. Таким чином, існує гостра потреба в розробці моделей, здатних інтегрувати різнорідні дані дистанційного зондування для створення надійних прогнозів у масштабах цілих океанічних басейнів.

Центральна Гіпотеза

Ми висуваємо гіпотезу, що просторовий розподіл білих акул не є випадковим, а підпорядковується ієрархії екологічних факторів. Вибір середовища існування є результатом компромісу між максимізацією доступу до ресурсів та мінімізацією ризиків.

$P(\text{shark}) = f(\text{Здобич, Ризики, Фізика океану, Геоморфологія, Антропогенний тиск})$

Наша модель базується на припущенні, що ймовірність присутності акули, $P(\text{shark})$, може бути виражена як функція від наступних груп змінних:

https://www.canva.com/design/DAG0-MmRMWk/gqRysf6kqT5Ugv0Mlog3eQ/edit?utm_content=DAG0-MmRMWk&utm_campaign=designshare&utm_medium=link2&utm_source=sharebutton