Monday, November 16, 2026

Bird Migration & Flight Pattern Analysis (Part-5)

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) 
                 ဟာ ဒေတာအမှတ်များ သိပ်သည်းစွာ စုဝေးနေမှု (Density) အပေါ် အခြေခံ၍ အုပ်စုဖွဲ့ပေးသော Unsupervised Machine Learning Algorithm တစ်ခု ဖြစ်ပါတယ်။ ငှက်များရဲ့ GPS ခြေရာခံဒေတာများမှ အဓိက ကျက်စားရာဒေသများ (Foraging & Stopover Hotspots) ကို ရှာဖွေရာမှာ ယခင်အသုံးပြုခဲ့တဲ့ K-Means ထက် များစွာပိုမိုသင့်လျော်ပါတယ်။

၁။ နောက်ခံသဘောတရားများ (Core Concepts)

(က) ဘာကြောင့် ပထဝီဝင်ဒေတာများတွင် K-Means အစား DBSCAN ကို သုံးသင့်သနည်း။

နှိုင်းယှဉ်ချက်K-Means ClusteringDBSCAN
အုပ်စုအရေအတွက် ($k$)ငှက်နားခိုသည့် နေရာမည်မျှရှိကြောင်း ကြိုတင်သတ်မှတ်ပေးရသည်။ကြိုတင်သတ်မှတ်ရန် မလိုဘဲ ဒေတာသိပ်သည်းမှုအလိုက် အလိုအလျောက် ရှာဖွေပေးသည်။
နယ်မြေပုံသဏ္ဌာန်စက်ဝိုင်းပုံသဏ္ဌာန် (Spherical) အုပ်စုများကိုသာ ခွဲပေးနိုင်သည်။ကမ်းရိုးတန်းတစ်လျှောက် ရှည်မျောမျော သို့မဟုတ် ပုံသဏ္ဌာန်မမှန်သော နယ်မြေများကိုပါ တိကျစွာ ဖမ်းယူနိုင်သည်။
ခရီးသွားလမ်းကြောင်း (Noise)ခရီးဝေး ဖြတ်သန်းပျံသန်းနေသည့် အစက်များကိုပါ အနီးဆုံးအုပ်စုထဲ အတင်းဆွဲသွင်းသဖြင့် ဗဟိုချက် လွဲချော်စေသည်။ခရီးဝေး ဖြတ်သန်းသွားသော ကျဲပါးသည့် အစက်များကို Noise (-1) အဖြစ် အလိုအလျောက် ခွဲထုတ်ပေးသည်။

(ခ) DBSCAN ၏ အဓိက Parameter နှစ်ခုနှင့် အမှတ်အမျိုးအစား (၃) မျိုး

DBSCAN အလုပ်လုပ်ရန် Parameter နှစ်ခုသာ လိုအပ်ပါသည်-

  1. eps (    Epsilon): အမှတ်တစ်ခု၏ ပတ်ဝန်းကျင်အဖြစ် သတ်မှတ်မည့် အများဆုံး အချင်းဝက်အကွာအဝေး (Radius)။
  2. min_samples: ထို eps အချင်းဝက်အတွင်း အနည်းဆုံး ရှိရမည့် ဒေတာအမှတ် အရေအတွက်။

၎င်း Parameter နှစ်ခုပေါ် မူတည်၍ ဒေတာအမှတ်တိုင်းကို (၃) မျိုး ခွဲခြားပါသည်-

  • Core Point (ဗဟိုအမှတ်): ၎င်း၏ eps အချင်းဝက်အတွင်း အခြားအမှတ်ပေါင်း min_samples နှင့်အထက် ရှိနေသော အမှတ် (ငှက် အချိန်အတော်ကြာ အခြေချအစာရှာရာ နေရာ)။

  • Border Point (အစွန်အဖျားအမှတ်): ၎င်းကိုယ်တိုင် min_samples မပြည့်သော်လည်း Core Point တစ်ခု၏ eps အကွာအဝေးအတွင်း ကျရောက်နေသော အမှတ် (ကျက်စားရာနယ်မြေ၏ အစပ်)။

  • Noise Point (-1 - ပြင်ပအမှတ်): Core Point လည်း မဟုတ်၊ Border Point လည်း မဟုတ်သော သီးခြားအမှတ်များ (စခန်းချနားခိုခြင်း မရှိဘဲ အရှိန်ဖြင့် ဖြတ်သန်းပျံသန်းသွားသော လမ်းကြောင်းမှတ်တမ်းများ)။

(ဂ) ကမ္ဘာလုံးမျက်နှာပြင် အကွာအဝေးတွက်နည်း (Haversine Metric)

latitude နှင့် longitude သည် ပြင်ညီမျက်နှာပြင်ပေါ်ရှိ မီတာယူနစ်များ မဟုတ်ဘဲ စက်လုံးပုံသဏ္ဌာန် ကမ္ဘာမြေကြီးပေါ်ရှိ ဒီဂရီ (Degrees) များ ဖြစ်ကြသည်။ သာမန် Euclidean distance ဖြင့် တွက်ချက်ပါက အီကွေတာနှင့် ဝေးကွာလာသည်နှင့်အမျှ အကွာအဝေး မှားယွင်းသွားပါမည်။ ထို့ကြောင့်-

  1. latitude နှင့် longitude ဒီဂရီများကို np.radians() ဖြင့် Radian သို့ ပြောင်းရပါမည်။

  2. DBSCAN တွင် metric='haversine' နှင့် algorithm='ball_tree' ကို အသုံးပြုရပါမည် (ball_tree သည် ဒေတာသောင်းချီရှိသည့်တိုင် RAM အများကြီးမစားဘဲ အလွန်လျင်မြန်စွာ တွက်ချက်ပေးနိုင်ပါသည်)။

  3. လိုချင်သော ကီလိုမီတာ အချင်းဝက်ကို ကမ္ဘာ့အချင်းဝက် ($R \approx 6371.0088\text{ km}$) ဖြင့် စား၍ eps တန်ဖိုး သတ်မှတ်ရပါမည်-

၂။ Python Code Implementation

အောက်ပါပရိုဂရမ်သည် Eric ၏ GPS ကိုဩဒိနိတ်များကိုသာ အသုံးပြု၍ (အမြန်နှုန်းနှင့် အမြင့်ဒေတာ လုံးဝမပါဘဲ) ကီလိုမီတာ ၂၅ အချင်းဝက်အတွင်း အနည်းဆုံး မှတ်တမ်း ၅၀ နှင့်အထက် စုဝေးနေသော အဓိကကျက်စားရာ နယ်မြေများကို အလိုအလျောက် ရှာဖွေပေးမည် ဖြစ်ပါသည်။

Python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import DBSCAN

# ၁။ ဒေတာဖတ်ရှုခြင်းနှင့် Eric ၏ ဒေတာကို သီးသန့်ခွဲထုတ်ခြင်း
birddata = pd.read_csv("bird_tracking.csv")
eric_data = birddata[birddata['bird_name'] == 'Eric'].copy()

# တန်ဖိုးမဲ့ NaN များကို ဖယ်ရှားပြီး Index အသစ်ပြန်စီခြင်း
eric_data = eric_data.dropna(subset=['latitude', 'longitude', 'speed_2d', 'altitude']).reset_index(drop=True)

# ၂။ Latitude နှင့် Longitude ဒီဂရီများကို Radian သို့ ပြောင်းလဲခြင်း (Haversine အတွက် မဖြစ်မနေလိုအပ်)
coords_rad = np.radians(eric_data[['latitude', 'longitude']].to_numpy())

# ၃။ DBSCAN Parameter များ သတ်မှတ်ခြင်း
# ကီလိုမီတာ ၂၅ (25 km) အချင်းဝက်အတွင်း အနည်းဆုံး မှတ်တမ်း ၅၀ ခု စုဝေးနေမှသာ ကျက်စားရာဒေသအဖြစ် သတ်မှတ်မည်
kms_per_radian = 6371.0088
epsilon_km = 25.0
eps_rad = epsilon_km / kms_per_radian

# ၄။ DBSCAN မော်ဒယ် တည်ဆောက်၍ အုပ်စုခွဲခြင်း (BallTree + Haversine)
dbscan = DBSCAN(eps=eps_rad, min_samples=50, metric='haversine', algorithm='ball_tree')
eric_data['spatial_cluster'] = dbscan.fit_predict(coords_rad)

# ၅။ ရှာဖွေတွေ့ရှိသော ကျက်စားရာဒေသ (Hotspots) အရေအတွက်နှင့် ကိန်းဂဏန်းများ စစ်ဆေးခြင်း
unique_clusters = sorted(eric_data['spatial_cluster'].unique())
num_hotspots = len([c for c in unique_clusters if c != -1])
noise_count = np.sum(eric_data['spatial_cluster'] == -1)

print(f"=== DBSCAN ပထဝီဝင် ကျက်စားရာဒေသ ခွဲခြမ်းစိတ်ဖြာမှု ရလဒ် ===")
print(f"ရှာဖွေတွေ့ရှိသော အဓိက စခန်းချ/ကျက်စားရာ နယ်မြေ စုစုပေါင်း : {num_hotspots} ခု")
print(f"ခရီးဝေး ဖြတ်သန်းပျံသန်းမှု မှတ်တမ်း (Noise / Cluster -1) : {noise_count} ခု\n")

# နယ်မြေတစ်ခုချင်းစီ၏ ဗဟိုကိုဩဒိနိတ်နှင့် ပျမ်းမျှပျံသန်းနှုန်း နှိုင်းယှဉ်ဇယား
hotspot_summary = eric_data.groupby('spatial_cluster').agg(
    Records=('latitude', 'count'),
    Center_Lat=('latitude', 'mean'),
    Center_Lon=('longitude', 'mean'),
    Mean_Speed_ms=('speed_2d', 'mean'),
    Mean_Altitude_m=('altitude', 'mean')
)
print(hotspot_summary.round(2))

# ၆။ ရလဒ်များကို ဂရပ် (၂) ခုဖြင့် ပုံဖော်ခြင်း
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 7))

# --- ဘယ်ဘက်ဂရပ် (ax1): တွေ့ရှိရသော ကျက်စားရာဒေသများနှင့် ခရီးသွားလမ်းကြောင်း မြေပုံ ---
# Noise (-1) ဖြစ်သော ခရီးသွားလမ်းကြောင်း အစက်များကို မီးခိုးရောင်ဖြင့် အရင်ဆွဲပါမည်
noise_data = eric_data[eric_data['spatial_cluster'] == -1]
ax1.scatter(
    noise_data['longitude'], noise_data['latitude'],
    c='gray', s=8, alpha=0.35, label='Cluster -1: Migration Transit (Noise)'
)

# ရှာဖွေတွေ့ရှိသော Hotspot Cluster တစ်ခုချင်းစီကို အရောင်ခွဲ၍ ပြသခြင်း
cmap = plt.get_cmap('tab10')
for idx, cluster_id in enumerate([c for c in unique_clusters if c != -1]):
    cluster_subset = eric_data[eric_data['spatial_cluster'] == cluster_id]
    center_lon = cluster_subset['longitude'].mean()
    center_lat = cluster_subset['latitude'].mean()
    
    ax1.scatter(
        cluster_subset['longitude'], cluster_subset['latitude'],
        color=cmap(idx % 10), s=25, alpha=0.8,
        label=f'Hotspot {cluster_id} ({len(cluster_subset)} pts)'
    )
    # မြေပုံပေါ်တွင် Hotspot နံပါတ် တပ်ဆင်ခြင်း
    ax1.annotate(
        f'Zone {cluster_id}', xy=(center_lon, center_lat),
        xytext=(center_lon + 1.2, center_lat),
        fontweight='bold', fontsize=9,
        arrowprops=dict(arrowstyle='->', lw=0.8, color='black')
    )

ax1.set_title(f"DBSCAN Discovered Foraging & Stopover Hotspots (eps={epsilon_km} km)", fontsize=12, fontweight='bold')
ax1.set_xlabel("Longitude (Degrees East / West)")
ax1.set_ylabel("Latitude (Degrees North)")
ax1.legend(loc='lower right', fontsize=8.5)
ax1.grid(True, linestyle='--', alpha=0.5)

# --- ညာဘက်ဂရပ် (ax2): နယ်မြေအလိုက် ပျမ်းမျှပျံသန်းနှုန်း နှိုင်းယှဉ်ချက် ---
# GPS ကိုဩဒိနိတ် သက်သက်ဖြင့် ခွဲထုတ်လိုက်သော်လည်း Cluster -1 (Noise) သည်
# အမြန်နှုန်း အမြင့်ဆုံး (ခရီးဝေးပျံသန်းချိန်) ဖြစ်နေကြောင်း သက်သေပြသည့် ဂရပ်
cluster_labels = [f'Noise (-1)\n[Transit]' if c == -1 else f'Zone {c}' for c in hotspot_summary.index]
bar_colors = ['gray' if c == -1 else cmap(i % 10) for i, c in enumerate(hotspot_summary.index)]

bars = ax2.bar(cluster_labels, hotspot_summary['Mean_Speed_ms'], color=bar_colors, edgecolor='black', alpha=0.85)
ax2.set_title("Mean Flight Speed by Spatial Cluster (Proof of Behavior Separation)", fontsize=12, fontweight='bold')
ax2.set_xlabel("Discovered Spatial Zones")
ax2.set_ylabel("Mean Flight Speed (m/s)")
ax2.grid(True, axis='y', linestyle='--', alpha=0.5)

# Bar တစ်ခုချင်းစီ၏ အပေါ်တွင် အမြန်နှုန်း ကိန်းဂဏန်း ရေးထိုးခြင်း
for bar in bars:
    yval = bar.get_height()
    ax2.text(bar.get_x() + bar.get_width()/2.0, yval + 0.15, f'{yval:.2f}', ha='center', va='bottom', fontsize=9, fontweight='bold')

plt.tight_layout()
plt.show()


၃။ ရလဒ်များကို အဓိပ္ပာယ်ဖွင့်ဆိုခြင်း (Interpreting the Results)

ဤပရိုဂရမ်ကို Run လိုက်သည့်အခါ အလွန်စိတ်ဝင်စားဖွယ်ကောင်းသော ရလဒ်နှစ်ခုကို မြင်တွေ့ရပါမည်-

  1. ပထဝီဝင် စခန်းချရာဇုန်များ အလိုအလျောက် ပေါ်ထွက်လာခြင်း (ဘယ်ဘက်ဂရပ်)

    • Zone 0 သည် ဥရောပမြောက်ပိုင်း ဘယ်လ်ဂျီယံ/နယ်သာလန် ကမ်းရိုးတန်း (Lat ~51.3°N) ရှိ နွေရာသီ သားပေါက်အစာရှာရာ ဌာနေဖြစ်သည်။

    • အလယ်ပိုင်းရှိ Zone များသည် စပိန်နှင့် ပေါ်တူဂီ ကမ်းရိုးတန်းတစ်လျှောက် ရက်အနည်းငယ် ခေတ္တရပ်နား အားဖြည့်ရာ ကြားစခန်းများ (Stopover Sites) ဖြစ်သည်။

    • တောင်ဘက်ဆုံးရှိ Zone များသည် အာဖရိကအနောက်ပိုင်း မော်ရီတေးနီးယားနှင့် ဆီနီဂေါ ကမ်းရိုးတန်း (Lat ~14°N - 21°N) ရှိ ဆောင်းခိုရာ ကျက်စားနယ်မြေများ ဖြစ်သည်။

  2. အမြန်နှုန်းဒေတာ မပါဘဲ ခရီးသွားအပြုအမူကို ခွဲထုတ်နိုင်ခြင်း (ညာဘက်ဂရပ်)

    • မော်ဒယ်ထဲသို့ latitude နှင့် longitude နှစ်ခုတည်းသာ ထည့်သွင်းခဲ့သော်လည်း၊ ညာဘက် Bar Chart တွင် Noise (-1) အဖြစ် ခွဲထုတ်ခံရသော အမှတ်များ၏ ပျမ်းမျှအမြန်နှုန်း (Mean_Speed_ms) သည် အခြား Zone အားလုံးထက် သိသိသာသာ အမြင့်ဆုံး ဖြစ်နေသည်ကို တွေ့ရပါမည်။ အကြောင်းမှာ ငှက်သည် ခရီးဝေး ပျံသန်းနေချိန်တွင် တစ်နေရာတည်း၌ အစက်များ စုဝေးကျန်ရစ်ခြင်း မရှိသောကြောင့် ဖြစ်သည်။


ဒီပုံဟာ DBSCAN Algorithm နဲ့ Eric ရဲ့ ပထဝီဝင် GPS ကိုဩဒိနိတ်များ (Longitude နှင့် Latitude) တစ်ခုတည်းကိုသာ အသုံးပြု၍ ခွဲခြမ်းစိတ်ဖြာရာမှ ထွက်ပေါ်လာသော လက်တွေ့ရလဒ်ဂရပ် (၂) ခု ဖြစ်ပါတယ်။

၁။ ဘယ်ဘက်ဂရပ် - ရှာဖွေတွေ့ရှိသော ကျက်စားရာဇုန်များနှင့် ခရီးသွားလမ်းကြောင်း (DBSCAN Discovered Foraging & Stopover Hotspots)

ကီလိုမီတာ ၂၅ (eps=25.0 km) အချင်းဝက်အတွင်း အနည်းဆုံး မှတ်တမ်း ၅၀ ခု စုဝေးမှုဖြင့် စစ်ထုတ်လိုက်ရာ Eric ၏ ခရီးစဉ်တစ်ခုလုံးကို အဓိက စခန်းချ/ကျက်စားရာ ဇုန်ပေါင်း ၇ ခု (Zone 0 မှ Zone 6) နှင့် ခရီးဝေး ဖြတ်သန်းပျံသန်းမှု လမ်းကြောင်း (Cluster -1: Noise) ဟူ၍ အလိုအလျောက် ခွဲထုတ်ပေးနိုင်ခဲ့သည်။

  • အဓိက အခြေချနေထိုင်ရာ ဌာနေကြီး (၂) ခု (Primary Habitats)

    • Zone 5 (အညိုရောင် - 10,317 pts) တောင်ဘက်စွန်း မော်ရိုကိုနိုင်ငံ ကမ်းရိုးတန်း (Latitude ~30.5°N, Longitude ~-9.8°W ဝန်းကျင် - Agadir ဒေသအနီး) တွင် မှတ်တမ်းပေါင်း တစ်သောင်းကျော်ဖြင့် အများဆုံး စုစည်းနေပြီး Eric ၏ အဓိက ဆောင်းခိုရာ ဌာနေ (Wintering Ground) ဖြစ်သည်။

    • Zone 0 (အပြာရောင် - 8,131 pts) မြောက်ဘက်စွန်း ဘယ်လ်ဂျီယံနှင့် ပြင်သစ်မြောက်ပိုင်း ကမ်းရိုးတန်း (Latitude 49°N–51.5°N, Longitude 1°E–3.5°E ဝန်းကျင်) တွင် မှတ်တမ်းပေါင်း ရှစ်ထောင်ကျော် စုစည်းနေပြီး နွေရာသီ အခြေချအစာရှာရာ ဌာနေ (Summer / Breeding Ground) ဖြစ်သည်။

  • ခရီးတစ်ထောက် နားခိုရာ ကြားစခန်းများ (Stopover Sites - Zone 1, 2, 3, 4, 6)

    • Zone 1 (လိမ္မော်ရောင် - 97 pts) နှင့် Zone 6 (ပန်းရောင် - 79 pts) စပိန်နိုင်ငံ မြောက်ဘက်ကမ်းရိုးတန်း (Lat ~43.5°N) နှင့် တောင်ဘက်ကမ်းရိုးတန်း (Lat ~37.1°N) တို့တွင် ခရီးသွားရင်း ခေတ္တဝင်ရောက် အားဖြည့်နားခိုခဲ့သော နေရာများ ဖြစ်သည်။

    • Zone 2 (အစိမ်း - 401 pts), Zone 3 (အနီ - 112 pts), နှင့် Zone 4 (ခရမ်း - 65 pts) မော်ရိုကို ကမ်းရိုးတန်းတစ်လျှောက် (Lat 32°N မှ 34°N ကြား) ဆောင်းခိုရာ Zone 5 သို့ မရောက်မီနှင့် အပြန်ခရီးတို့တွင် အဆင့်ဆင့် ရပ်နားအစာရှာခဲ့သော ကမ်းရိုးတန်း ကြားစခန်းများ ဖြစ်သည်။

  • ခရီးဝေး ဖြတ်သန်းလမ်းကြောင်း (Cluster -1: Migration Transit / Noise - မီးခိုးရောင်အစက်များ)

    • အထက်ပါ ဇုန် ၇ ခုကြားရှိ စပိန်ကုန်းတွင်းပိုင်းနှင့် ပင်လယ်ကမ်းရိုးတန်း တစ်လျှောက်တွင် အစက်များ စုဝေးကျန်ရစ်ခြင်း မရှိဘဲ မျဉ်းတန်းရှည်ပုံစံ ဖြတ်သန်းသွားသော အမှတ်များကို DBSCAN က Noise (-1) အဖြစ် တိကျစွာ ခွဲထုတ်ပေးထားသည်။

၂။ ညာဘက်ဂရပ် - ဇုန်အလိုက် ပျမ်းမျှပျံသန်းနှုန်း နှိုင်းယှဉ်ချက် (Mean Flight Speed by Spatial Cluster)

မော်ဒယ်ထဲသို့ အမြန်နှုန်း (speed_2d) ဒေတာ လုံးဝမထည့်ဘဲ GPS ကိုဩဒိနိတ် သက်သက်ဖြင့် ခွဲထုတ်လိုက်သည့်တိုင် အပြုအမူများ မှန်ကန်စွာ ကွဲပြားသွားကြောင်း ဤ Bar Chart က သက်သေပြနေသည်။

  • Noise (-1) [Transit] ၏ ပျမ်းမျှအမြန်နှုန်း (8.35 m/s) ခရီးဝေး ဖြတ်သန်းပျံသန်းနေချိန် ဖြစ်သောကြောင့် အခြားဇုန်အားလုံးထက် အမြန်နှုန်း နှစ်ဆမှ လေးဆခန့်အထိ သိသိသာသာ အမြင့်ဆုံး ဖြစ်နေသည်။

  • အဓိက ဌာနေကြီး နှစ်ခု (Zone 0 နှင့် Zone 5) မှတ်တမ်းအများဆုံး စုဝေးနေသော Zone 0 တွင် ပျမ်းမျှအမြန်နှုန်း 2.20 m/s နှင့် Zone 5 တွင် 2.03 m/s သာ ရှိပြီး အနိမ့်ဆုံး ဖြစ်နေသည်။ ၎င်းနေရာများတွင် အချိန်ကြာမြင့်စွာ အနားယူခြင်းနှင့် အနီးဝန်းကျင်၌သာ အစာရှာခြင်းတို့ကြောင့် ပျမ်းမျှအမြန်နှုန်း နိမ့်ကျနေခြင်း ဖြစ်သည်။

  • ကြားစခန်းဇုန်များ (Zone 1, 2, 3, 4, 6) ပျမ်းမျှအမြန်နှုန်း 2.56 m/s မှ 4.35 m/s ကြားတွင် ရှိနေပြီး အစာရှာဖွေခြင်းနှင့် နောက်တစ်နေရာသို့ ဆက်လက်ထွက်ခွာရန် ရွှေ့ပြောင်းခြင်းတို့ ရောနှောနေသည့် ကြားစခန်း လက္ခဏာကို ပြသနေသည်။