GPS ခြေရာခံဒေတာများကို အသုံးပြု၍ ငှက်များ၏ ပျံသန်းမှုပုံစံကို ခွဲခြမ်းစိတ်ဖြာခြင်း (Bird Migration & Flight Pattern Analysis)
၁။ နောက်ခံအကြောင်းအရာနှင့် ရည်ရွယ်ချက် (Background & Objective)
bird_tracking.csv ဖိုင်အဖြစ် သိမ်းဆည်းထားသည်။pandas၊ numpy နှင့် matplotlib library များကို အသုံးပြု၍ ငှက်တစ်ကောင်ချင်းစီ၏ ပျမ်းမျှပျံသန်းနှုန်း၊ ပျံသန်းသည့်အမြင့်ပေနှင့် အချိန်ကာလအလိုက် ရွှေ့ပြောင်းပျံသန်းမှု အပြောင်းအလဲများကို ခွဲခြမ်းစိတ်ဖြာပြီး ဂရပ် (Visualizations) များဖြင့် ပုံဖော်တင်ပြရန် ဖြစ်သည်။၂။ Dataset ဖော်ပြချက် (Dataset Overview)
bird_tracking.csv ဖိုင်တွင် အဓိကပါဝင်သော ကော်လံ (Columns) များမှာ အောက်ပါအတိုင်း ဖြစ်သည်-bird_name - ငှက်၏ အမည် (String)date_time - GPS အချက်အလက် မှတ်တမ်းတင်သည့် နေ့စွဲနှင့် အချိန် (String format)speed_2d - မြေပြင်နှင့်အပြိုင် တိုင်းတာထားသော ငှက်၏ ပျံသန်းမှုအမြန်နှုန်း (m/s) (မှတ်ချက်- အချို့နေရာများတွင် ဒေတာပျောက်ဆုံးမှု NaN များ ပါဝင်နိုင်သည်)altitude - ပင်လယ်ရေမျက်နှာပြင်အထက် ပျံသန်းသည့် အမြင့်ပေ (m)
နမူနာ ဒေတာက အောက်ပါအတိုင်းဖြစ်ပါတယ်။
၃။ လုပ်ဆောင်ရမည့် အဆင့်များ (Tasks & Requirements)
အပိုင်း (က) - ဒေတာဖတ်ရှုခြင်းနှင့် အခြေခံစာရင်းအင်း တွက်ချက်ခြင်း
- ဒေတာဖတ်ရှုခြင်း:
bird_tracking.csvဖိုင်ကို Pandas DataFrame အဖြစ် ဖတ်ရှုပြီးbirddataဟူသော variable တွင် သိမ်းဆည်းပါ။ - ငှက်အမည်အလိုက် အုပ်စုဖွဲ့တွက်ချက်ခြင်း:
birddataကိုbird_nameအလိုက် group ဖွဲ့၍ ငှက်တစ်ကောင်ချင်းစီ၏ ပျမ်းမျှအမြန်နှုန်း (mean_speed) နှင့် ပျမ်းမျှအမြင့် (mean_altitude) တို့ကို တွက်ချက်ပါ။
အပိုင်း (ခ) - နေ့စွဲနှင့် အချိန်ဒေတာများ ပြုပြင်ပြောင်းလဲခြင်း
- Datetime ပြောင်းလဲခြင်း:
date_timeကော်လံရှိ စာသား (string) များကို Pandas datetime object အဖြစ်သို့ ပြောင်းလဲပါ (ပုံစံမတူညီသော timestamp များ အဆင်ပြေစေရန်format='mixed'ကို အသုံးပြုပါ)။ ထို့နောက် ၎င်းမှ နေ့စွဲသီးသန့်ကို ထုတ်ယူပြီးdateဟူသော ကော်လံအသစ်တစ်ခု ဖန်တီးပါ။ - နေ့ရက်အလိုက် ပျမ်းမျှအမြန်နှုန်း တွက်ချက်ခြင်း:
- ဒေတာများကို
dateအလိုက် group ဖွဲ့၍grouped_bydatesတွင် သိမ်းပါ။ - ထို့ပြင်
bird_nameနှင့်dateနှစ်ခုလုံးအပေါ် အခြေခံ၍ group ဖွဲ့ပြီး (grouped_birdday) ငှက်တစ်ကောင်ချင်းစီ၏ နေ့စဉ်ပျမ်းမျှအမြန်နှုန်း (mean_speed_perday) ကို တွက်ချက်ပါ။
အပိုင်း (ဂ) - ပျံသန်းမှုအမြန်နှုန်း ဖြန့်ကြက်မှုကို Histogram ဖြင့် ပုံဖော်ခြင်း
- Eric ၏ အမြန်နှုန်း Histogram (Matplotlib အသုံးပြုရန်):
birddataထဲမှ'Eric'အမည်ရှိ ငှက်တစ်ကောင်တည်း၏speed_2dဒေတာများကို စစ်ထုတ်ပါ။- ဒေတာထဲတွင် ပါဝင်နေသော
NaNတန်ဖိုးများကို စစ်ဆေးဖယ်ရှားပါ။ matplotlib.pyplotကို အသုံးပြု၍ အမြန်နှုန်း 0 မှ 30m/s အတွင်း အပိုင်း (bins) ၂၀ ခွဲကာ Normalized Histogram (density=True) တစ်ခု ရေးဆွဲပါ။ X-axis တွင်"Speed 2D (m/s)"၊ Y-axis တွင်"Frequency"နှင့် သင့်လျော်သော ခေါင်းစဉ်တပ်ပါ။
- ငှက်အားလုံး၏ အမြန်နှုန်း Histogram (Pandas Plot အသုံးပြုရန်):
- ငှက်အားလုံး၏
speed_2dဒေတာများအတွက် အမြန်နှုန်း 0 မှ 30m/s အတွင်းရှိ ဖြန့်ကြက်မှုကို Pandas ၏ built-in.plot(kind='hist')function ကို အသုံးပြု၍ နောက်ထပ် Histogram တစ်ခု ရေးဆွဲပါ။
အပိုင်း (ဃ) - အချိန်ကာလအလိုက် နေ့စဉ်ပျမ်းမျှအမြန်နှုန်း ပြောင်းလဲမှုကို ခြေရာခံခြင်း
- စတင်ပျံသန်းချိန်မှ ကုန်လွန်သွားသော ရက်အရေအတွက် (Elapsed Days) တွက်ချက်ခြင်း:
'Eric'၏ ဒေတာသီးသန့်ကို ကူးယူ (copy()) ပြီး DataFrame ၏ index များကို0မှ ပြန်စီပါ (reset_index(drop=True))။- ပထမဆုံး မှတ်တမ်းတင်ခဲ့သည့် အချိန် (
times[0]) မှစ၍ မှတ်တမ်းတစ်ခုချင်းစီအထိ ကုန်လွန်သွားသော အချိန်ကွာဟချက် (elapsed_time) ကို ရှာပါ။ - ထိုအချိန်ကွာဟချက်များကို စုစုပေါင်းစက္ကန့် (
.total_seconds()) မှတစ်ဆင့် ရက်အရေအတွက် (elapsed_days) အဖြစ်သို့ ပြောင်းလဲပါ။
- ၂၄ နာရီစီ ပိုင်းခြား၍ နေ့စဉ်ပျမ်းမျှအမြန်နှုန်း တွက်ချက်ခြင်းနှင့် ဂရပ်ဆွဲခြင်း:
elapsed_daysကို အသုံးပြု၍ ၁ ရက်စာ (၂၄ နာရီ) ကာလအပိုင်းအခြားတစ်ခုစီအတွင်း ကျရောက်သော အမြန်နှုန်းများ၏ ပျမ်းမျှတန်ဖိုးကို loop ပတ်၍ တွက်ချက်ပြီးdaily_mean_speedစာရင်း (list) ထဲတွင် စုစည်းပါ။- ရရှိလာသော
daily_mean_speedကို Line Plot ဖြင့် ရေးဆွဲပါ (X-axis:"Day", Y-axis:"Mean Speed (m/s)", Title:"Eric's Daily Mean Speed")။
၄။ မျှော်မှန်းရလဒ်များ (Expected Deliverables)
- Eric ၏ ပျံသန်းနှုန်းပြ Normalized Histogram ဂရပ်
- ငှက်အားလုံး၏ ပျံသန်းနှုန်းပြ Frequency Histogram ဂရပ်
- Eric ၏ နေ့စဉ်ပျမ်းမျှအမြန်နှုန်း အတက်အကျပြ Line ဂရပ် (ရာသီအလိုက် ရွှေ့ပြောင်းပျံသန်းချိန်များတွင် အမြန်နှုန်း ရုတ်တရက် မြင့်တက်လာမှုကို မြင်တွေ့နိုင်ရမည်)
bird_tracking ပရိုဂရမ်ဟာ Machine Learning (ML) မော်ဒယ်တစ်ခုကို တိုက်ရိုက်တည်ဆောက် (Train) ထားခြင်း မဟုတ်ပေမဲ့၊ AI နဲ့ Machine Learning ပရောဂျက်တိုင်းမှာ မရှိမဖြစ် လုပ်ဆောင်ရတဲ့ ကနဦး ဒေတာပြင်ဆင်မှုနှင့် ခွဲခြမ်းစိတ်ဖြာမှု အဆင့်များ (Data Pipeline Foundations) နဲ့ တိုက်ရိုက်သက်ဆိုင်နေပါတယ်။mean_speed) တွက်ခြင်း၊ Histogram ဖြင့် အမြန်နှုန်းဖြန့်ကျက်မှု (Distribution) ကို ကြည့်ခြင်းနှင့် Line graph ဖြင့် အချိန်အလိုက် ပြောင်းလဲမှုပုံစံ (Trends) ကို ရှာဖွေခြင်းတို့ဟာ EDA ရဲ့ အဓိက လုပ်ငန်းစဉ်များ ဖြစ်တယ်။- ကုဒ်ထဲတွင် တန်ဖိုးမဲ့ (
NaN) ဖြစ်နေသော အမြန်နှုန်းဒေတာများကို စစ်ထုတ်ဖယ်ရှားခြင်း (~np.isnan(speed)) သည် Missing Value Handling - စာသား (
String) ဖြစ်နေသော အချိန်ဒေတာများကို ကွန်ပျူတာက သင်္ချာနည်းအရ တွက်ချက်နိုင်သည့်datetimeobject သို့ ပြောင်းလဲခြင်းသည် Data Type Conversion ဖြစ်သည်။ မသန့်စင်ထားသော ဒေတာ (Raw/Dirty Data) ကို ML မော်ဒယ်ထဲ တိုက်ရိုက်ထည့်ပါက ရလဒ်မှားယွင်းနိုင်သောကြောင့် ဤအဆင့်သည် မရှိမဖြစ် အရေးကြီးသည်။
date_time မှ date သီးသန့်ခွဲထုတ်ခြင်း၊ စတင်ပျံသန်းချိန်မှ ကွာခြားရက် (elapsed_days) ကို တွက်ချက်ခြင်းနှင့် စက္ကန့်ပိုင်းအလိုက် ဒေတာများကို စုစည်း၍ နေ့စဉ်ပျမ်းမျှအမြန်နှုန်း (daily_mean_speed) ဖန်တီးခြင်းတို့သည် Feature Engineering လုပ်ဆောင်ချက်များ ဖြစ်ကြသည်။- Clustering (Unsupervised Learning) K-Means ကဲ့သို့ Algorithm များသုံး၍ ငှက်၏ အပြုအမူများကို အုပ်စုခွဲခြင်း (ဥပမာ - အနားယူနေချိန်၊ အစာရှာနေချိန်၊ ခရီးဝေး ရွှေ့ပြောင်းနေချိန်)။
- Classification (Supervised Learning) အမြန်နှုန်း (
speed_2d) နှင့် ပျံသန်းအမြင့် (altitude) တို့ကို ကြည့်၍ မည်သည့်ငှက် (Eric,Nico, သို့မဟုတ်Sanne) ဖြစ်ကြောင်း ခန့်မှန်းခြင်း။ - Trajectory & Speed Forecasting Deep Learning (LSTM/RNN) သို့မဟုတ် Time-Series မော်ဒယ်များသုံး၍ နောက်လာမည့် ရက်များတွင် ငှက်သွားမည့် လမ်းကြောင်းနှင့် အမြန်နှုန်းကို ကြိုတင်ခန့်မှန်းခြင်း။
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# ၁။ Data ဖတ်ခြင်း
birddata = pd.read_csv("bird_tracking.csv")
# ၂။ ငှက်အမည်အလိုက် Group ဖွဲ့ပြီး ပျမ်းမျှ အမြန်နှုန်းနှင့် အမြင့်ကို တွက်ခြင်း
grouped_birds = birddata.groupby("bird_name")
mean_speed = grouped_birds.speed_2d.mean()
mean_altitude = grouped_birds.altitude.mean()
# ၃။ Date_time ကို string မှ Pandas datetime object သို့ ပြောင်းခြင်း
birddata['date_time'] = pd.to_datetime(birddata['date_time'], format='mixed')
birddata['date'] = birddata['date_time'].dt.date
# ၄။ နေ့ရက်အလိုက် Group ဖွဲ့ခြင်း
grouped_bydates = birddata.groupby('date')
grouped_birdday = birddata.groupby(['bird_name', 'date'])
mean_speed_perday = grouped_birdday.speed_2d.mean()
# ၅။ Eric ၏ Speed ကို Histogram ဆွဲခြင်း (NaN များကို ဖယ်ရှားခြင်း)
speed = birddata.speed_2d[birddata.bird_name == 'Eric']
ind = np.isnan(speed)
plt.figure(figsize=(8,6))
plt.hist(speed[~ind], bins=np.linspace(0, 30, 20), density=True)
plt.xlabel("Speed 2D (m/s)")
plt.ylabel("Frequency")
plt.title("Histogram of Eric's Flight Speed")
plt.show()
# ၆။ Pandas ၏ built-in plot ကို အသုံးပြုခြင်း
plt.figure(figsize=(8,6))
birddata.speed_2d.plot(kind='hist', range=[0,30])
plt.xlabel("Flight Speed")
plt.ylabel("Frequency")
plt.title("Histogram of All Birds' Flight Speed")
plt.show()
# ၇။ Elapsed Time နှင့် နေ့စဉ်ပျမ်းမျှအမြန်နှုန်း တွက်ချက်ခြင်း (Eric အတွက်)
data = birddata[birddata.bird_name == 'Eric'].copy()
# Warning ကို ဖြေရှင်းထားသောအပိုင်း (inplace=True အစား Reassignment ကို သုံးထားပါသည်)
data = data.reset_index(drop=True)
times = data.date_time
elapsed_time = [time - times[0] for time in times]
# Timedelta ကို တိုက်ရိုက်စားမည့်အစား စက္ကန့်စုစုပေါင်းကို ယူပြီး ရက်ဖွဲ့ခြင်း
elapsed_days = np.array([t.total_seconds() for t in elapsed_time]) / (24 * 60 * 60)
next_day = 1
inds = []
daily_mean_speed = []
for (i, t) in enumerate(elapsed_days):
if t < next_day:
inds.append(i)
else:
daily_mean_speed.append(np.mean(data.speed_2d.iloc[inds]))
next_day += 1
inds = []
# ၈။ နေ့စဉ် ပျမ်းမျှ အမြန်နှုန်းကို Plot ဆွဲခြင်း
plt.figure(figsize=(8,6))
plt.plot(daily_mean_speed)
plt.xlabel("Day")
plt.ylabel("Mean Speed (m/s)")
plt.title("Eric's Daily Mean Speed") plt.show()
ငှက်တစ်ကောင်ဖြစ်သော Eric ၏ နေ့စဉ်ပျမ်းမျှ ပျံသန်းနှုန်းပြောင်းလဲမှုကို ပြသထားသည့် Line graph ဖြစ်ပါတယ်။
ဂရပ်ရဲ့ အဓိက အစိတ်အပိုင်းများနဲ့ အချက်အလက်များကတော့-
X-axis (အလျားလိုက်မျဉ်း) 'Day' ဟု သတ်မှတ်ထားပြီး ငှက်ကို ခြေရာခံလေ့လာထားသည့် ရက်အရေအတွက် (ရက်ပေါင်း ၀ မှ ၂၅၀ ကျော်အထိ) ကို ပြထားပါတယ်။
Y-axis (ဒေါင်လိုက်မျဉ်း) 'Mean Speed (m/s)' ဟု သတ်မှတ်ထားပြီး တစ်နေ့တာအတွင်း ပျံသန်းခဲ့သော ပျမ်းမျှအမြန်နှုန်း (တစ်စက္ကန့်လျှင် သွားနိုင်သော မီတာ) ကို ပြသထားတာဖြစ်ပြီး အနိမ့်ဆုံး ၁ m/s မှ အမြင့်ဆုံး ၉ m/s ကျော်အထိ ရှိတယ်။
ဂရပ်မှ တွေ့ရှိရသော အဓိကအချက်များ (Data Trends)
ပုံမှန်ပျံသန်းနှုန်း (Baseline Speed) ခြေရာခံထားသော ရက်အများစု (ဥပမာ - ရက် ၀ မှ ၈၀ ဝန်းကျင်အထိ နှင့် ရက် ၁၁၀ မှ ၂၂၀ ဝန်းကျင်အထိ) မှာ Eric ရဲ့ ပျမ်းမျှအမြန်နှုန်းက ၁.၅ m/s နှင့် ၃.၅ m/s ကြားတွင်သာ အတက်အကျရှိတာကို တွေ့ရတယ်။ ၎င်းဟာ ငှက်ရဲ့ ပုံမှန်အစာရှာဖွေခြင်း၊ နားနေခြင်း သို့မဟုတ် နေရာတစ်ခုတည်းတွင်သာ ကျက်စားနေတဲ့ အချိန်တွေကို ညွှန်ပြနေတာဖြစ်ပါတယ်။
ပထမအကြိမ် အမြန်နှုန်း အမြင့်ဆုံးသို့ ရောက်ရှိခြင်း (First Peak) ရက်ပေါင်း ၉၀ မှ ၁၀၀ ဝန်းကျင်ကြားမှာ အမြန်နှုန်းက ရုတ်တရက် ၉ m/s အထိ သိသိသာသာ ထိုးတက်သွားသည်ကို ထင်ရှားစွာ မြင်တွေ့ရမှာဖြစ်တယ်။
ဒုတိယအကြိမ် အမြန်နှုန်း အမြင့်ဆုံးသို့ ရောက်ရှိခြင်း (Second Peak) ရက်ပေါင်း ၂၂၅ မှ ၂၃၅ ဝန်းကျင်ကြားတွင်လည်း နောက်တစ်ကြိမ် အမြန်နှုန်း ရုတ်တရက် ထပ်မံမြင့်တက်သွားပြီး ယခင်အကြိမ်ထက်ပင် အနည်းငယ်ပိုမြင့်ကာ ၉ m/s ကျော်အထိ ရောက်ရှိသွားသည်ကို တွေ့ရတယ်။
ဒါကြောင့် ဒီ အချက်အလက် တွေကိုကြည့်ပြီး ကောက်ချက်ချရင်-
ဒီလို သိသာထင်ရှားသော အမြင့်ဆုံးမှတ် (Peaks) နှစ်ခု ပေါ်ထွက်လာခြင်းဟာ ငှက်များရဲ့ ရာသီအလိုက် ရွှေ့ပြောင်းသွားလာခြင်း (Migration) ကို ညွှန်ပြနေခြင်း ဖြစ်တယ်။ ငှက်တွေဟာ ဆောင်းခိုရန် ထွက်ခွာချိန်နဲ့ ၎င်းတို့ရဲ့ မူလအသိုက်အမြုံသို့ ပြန်လည်ရောက်ရှိချိန် (ဥပမာ - ဆောင်းဦးရာသီနှင့် နွေဦးရာသီ ရွှေ့ပြောင်းခြင်းများ) တွေမှာ၊ ခရီးဝေးကို လျင်မြန်စွာ ဆက်တိုက်ပျံသန်းရလေ့ရှိတဲ့အတွက်၊ အခုလို ရက်အနည်းငယ်အတွင်း ပျမ်းမျှအမြန်နှုန်းများ သိသိသာသာ မြင့်တက်သွားခြင်း ဖြစ်တယ်။ ထိုရွှေ့ပြောင်းချိန် နှစ်ခုကြားရှိ ကာလရှည်အပိုင်းက၊ ၎င်းတို့ ဆောင်းခိုရာ သို့မဟုတ် သားပေါက်ရာ ဒေသတစ်ခုခုမှာ အတည်တကျ နေထိုင်နေတဲ့ ကာလဖြစ်နိုင်ပါတယ်။
ဤ ပရိုဂရမ်အတွက် လိုအပ်သော "bird_tracking.csv" ဖိုင်ကို အောက်ပါ link တွင် ရယူနိုင်ပါသည်။


No comments:
Post a Comment
Note: Only a member of this blog may post a comment.