Monday, November 16, 2026

Bird Migration & Flight Pattern Analysis (Part-1)

GPS ခြေရာခံဒေတာများကို အသုံးပြု၍ ငှက်များ၏ ပျံသန်းမှုပုံစံကို ခွဲခြမ်းစိတ်ဖြာခြင်း (Bird Migration & Flight Pattern Analysis)



၁။ နောက်ခံအကြောင်းအရာနှင့် ရည်ရွယ်ချက် (Background & Objective)


သုတေသနပညာရှင်များသည် ရာသီအလိုက် ရွှေ့ပြောင်းပျံသန်းတတ်သော ငှက်များ (ဥပမာ - Eric, Nico, Sanne) ၏ ခရီးစဉ်နှင့် အပြုအမူများကို လေ့လာရန်အတွက် ငှက်များတွင် GPS ခြေရာခံကိရိယာများ တပ်ဆင်၍ အချက်အလက်များ ကောက်ယူထားပါသည်။ ထိုအချက်အလက်များကို bird_tracking.csv ဖိုင်အဖြစ် သိမ်းဆည်းထားသည်။

သင်၏တာဝန်မှာ Python ၏ 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

  1. ဒေတာဖတ်ရှုခြင်း: bird_tracking.csv ဖိုင်ကို Pandas DataFrame အဖြစ် ဖတ်ရှုပြီး birddata ဟူသော variable တွင် သိမ်းဆည်းပါ။

  2. ငှက်အမည်အလိုက် အုပ်စုဖွဲ့တွက်ချက်ခြင်း: birddata ကို bird_name အလိုက် group ဖွဲ့၍ ငှက်တစ်ကောင်ချင်းစီ၏ ပျမ်းမျှအမြန်နှုန်း (mean_speed) နှင့် ပျမ်းမျှအမြင့် (mean_altitude) တို့ကို တွက်ချက်ပါ။

အပိုင်း (ခ) - နေ့စွဲနှင့် အချိန်ဒေတာများ ပြုပြင်ပြောင်းလဲခြင်း

  1. Datetime ပြောင်းလဲခြင်း: date_time ကော်လံရှိ စာသား (string) များကို Pandas datetime object အဖြစ်သို့ ပြောင်းလဲပါ (ပုံစံမတူညီသော timestamp များ အဆင်ပြေစေရန် format='mixed' ကို အသုံးပြုပါ)။ ထို့နောက် ၎င်းမှ နေ့စွဲသီးသန့်ကို ထုတ်ယူပြီး date ဟူသော ကော်လံအသစ်တစ်ခု ဖန်တီးပါ။

  2. နေ့ရက်အလိုက် ပျမ်းမျှအမြန်နှုန်း တွက်ချက်ခြင်း:

    • ဒေတာများကို date အလိုက် group ဖွဲ့၍ grouped_bydates တွင် သိမ်းပါ။

    • ထို့ပြင် bird_name နှင့် date နှစ်ခုလုံးအပေါ် အခြေခံ၍ group ဖွဲ့ပြီး (grouped_birdday) ငှက်တစ်ကောင်ချင်းစီ၏ နေ့စဉ်ပျမ်းမျှအမြန်နှုန်း (mean_speed_perday) ကို တွက်ချက်ပါ။

အပိုင်း (ဂ) - ပျံသန်းမှုအမြန်နှုန်း ဖြန့်ကြက်မှုကို Histogram ဖြင့် ပုံဖော်ခြင်း

  1. Eric ၏ အမြန်နှုန်း Histogram (Matplotlib အသုံးပြုရန်):

    • birddata ထဲမှ 'Eric' အမည်ရှိ ငှက်တစ်ကောင်တည်း၏ speed_2d ဒေတာများကို စစ်ထုတ်ပါ။

    • ဒေတာထဲတွင် ပါဝင်နေသော NaN တန်ဖိုးများကို စစ်ဆေးဖယ်ရှားပါ။

    • matplotlib.pyplot ကို 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။

  2. ငှက်အားလုံး၏ အမြန်နှုန်း Histogram (Pandas Plot အသုံးပြုရန်):

    • ငှက်အားလုံး၏ speed_2d ဒေတာများအတွက် 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

  1. စတင်ပျံသန်းချိန်မှ ကုန်လွန်သွားသော ရက်အရေအတွက် (Elapsed Days) တွက်ချက်ခြင်း:

    • 'Eric' ၏ ဒေတာသီးသန့်ကို ကူးယူ (copy()) ပြီး DataFrame ၏ index များကို 0 မှ 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။

  2. ၂၄ နာရီစီ ပိုင်းခြား၍ နေ့စဉ်ပျမ်းမျှအမြန်နှုန်း တွက်ချက်ခြင်းနှင့် ဂရပ်ဆွဲခြင်း:

    • elapsed_days ကို အသုံးပြု၍ ၁ ရက်စာ (၂၄ နာရီ) ကာလအပိုင်းအခြားတစ်ခုစီအတွင်း ကျရောက်သော အမြန်နှုန်းများ၏ ပျမ်းမျှတန်ဖိုးကို loop ပတ်၍ တွက်ချက်ပြီး daily_mean_speed စာရင်း (list) ထဲတွင် စုစည်းပါ။

    • ရရှိလာသော daily_mean_speed ကို Line Plot ဖြင့် ရေးဆွဲပါ (X-axis: "Day", Y-axis: "Mean Speed (m/s)", Title: "Eric's Daily Mean Speed")။

၄။ မျှော်မှန်းရလဒ်များ (Expected Deliverables)

ပရိုဂရမ်ကို Run လိုက်သည့်အခါ အမှားအယွင်း (Error) နှင့် သတိပေးချက် (Deprecation Warning) များ ကင်းစင်စွာဖြင့် အောက်ပါဂရပ် (၃) ခု အစဉ်လိုက် ထွက်ပေါ်လာရမည်-

  1. Eric ၏ ပျံသန်းနှုန်းပြ Normalized Histogram ဂရပ်

  2. ငှက်အားလုံး၏ ပျံသန်းနှုန်းပြ Frequency Histogram ဂရပ်

  3. Eric ၏ နေ့စဉ်ပျမ်းမျှအမြန်နှုန်း အတက်အကျပြ Line ဂရပ် (ရာသီအလိုက် ရွှေ့ပြောင်းပျံသန်းချိန်များတွင် အမြန်နှုန်း ရုတ်တရက် မြင့်တက်လာမှုကို မြင်တွေ့နိုင်ရမည်)

***********************************

အခုရေးသားမဲ့ 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။

AI/ML စနစ်တစ်ခု တည်ဆောက်ရာမှာ အချိန် ၇၀% ကနေ ၈၀% ခန့်အထိ အသုံးပြုရလေ့ရှိသော အောက်ပါ ပညာရပ်အပိုင်းများကို ဒီပြဿနာ (ရဲ့ အဖြေ ကုဒ်) ထဲမှာ လက်တွေ့အသုံးချထားပါတယ်။

၁။ Exploratory Data Analysis (EDA - ဒေတာစူးစမ်းလေ့လာခြင်း) ML မော်ဒယ်မဆောက်မီ ဒေတာ၏ ဖွဲ့စည်းပုံနှင့် သဘောသဘာဝကို နားလည်အောင် စစ်ဆေးခြင်း။ ငှက်တစ်ကောင်ချင်းစီ၏ ပျမ်းမျှအမြန်နှုန်း (mean_speed) တွက်ခြင်း၊ Histogram ဖြင့် အမြန်နှုန်းဖြန့်ကျက်မှု (Distribution) ကို ကြည့်ခြင်းနှင့် Line graph ဖြင့် အချိန်အလိုက် ပြောင်းလဲမှုပုံစံ (Trends) ကို ရှာဖွေခြင်းတို့ဟာ EDA ရဲ့ အဓိက လုပ်ငန်းစဉ်များ ဖြစ်တယ်။

၂။ Data Cleaning & Preprocessing (ဒေတာသန့်စင်ခြင်းနှင့် ပြင်ဆင်ခြင်း) လက်တွေ့ကမ္ဘာက ရရှိတဲ့ ဒေတာတွေ (Real-world datasets) မှာ၊ အမှားအယွင်းတွေနဲ့ ကွက်လပ်တွေ ပါဝင်လေ့ရှိတယ်။

  • ကုဒ်ထဲတွင် တန်ဖိုးမဲ့ (NaN) ဖြစ်နေသော အမြန်နှုန်းဒေတာများကို စစ်ထုတ်ဖယ်ရှားခြင်း (~np.isnan(speed)) သည် Missing Value Handling

  • စာသား (String) ဖြစ်နေသော အချိန်ဒေတာများကို ကွန်ပျူတာက သင်္ချာနည်းအရ တွက်ချက်နိုင်သည့် datetime object သို့ ပြောင်းလဲခြင်းသည် Data Type Conversion ဖြစ်သည်။ မသန့်စင်ထားသော ဒေတာ (Raw/Dirty Data) ကို ML မော်ဒယ်ထဲ တိုက်ရိုက်ထည့်ပါက ရလဒ်မှားယွင်းနိုင်သောကြောင့် ဤအဆင့်သည် မရှိမဖြစ် အရေးကြီးသည်။

၃။ Feature Engineering (အင်္ဂါရပ်အသစ်များ ဖန်တီးခြင်း) မူလဒေတာဇယားထဲတွင် တိုက်ရိုက်မပါဝင်သော်လည်း မော်ဒယ်က ပိုမိုတိကျစွာ သင်ယူနိုင်စေရန် အချက်အလက်အသစ်များ တွက်ထုတ်ဖန်တီးခြင်း ဖြစ်သည်။ ဤကုဒ်တွင် date_time မှ date သီးသန့်ခွဲထုတ်ခြင်း၊ စတင်ပျံသန်းချိန်မှ ကွာခြားရက် (elapsed_days) ကို တွက်ချက်ခြင်းနှင့် စက္ကန့်ပိုင်းအလိုက် ဒေတာများကို စုစည်း၍ နေ့စဉ်ပျမ်းမျှအမြန်နှုန်း (daily_mean_speed) ဖန်တီးခြင်းတို့သည် Feature Engineering လုပ်ဆောင်ချက်များ ဖြစ်ကြသည်။

၄။ Time-Series Analysis & Anomaly Detection (အချိန်ကာလဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု) ဤဒေတာသည် အချိန်နှင့်အမျှ အစဉ်လိုက် မှတ်တမ်းတင်ထားသော Time-Series Data အမျိုးအစား ဖြစ်သည်။ ဂရပ်တွင် ပုံမှန်အမြန်နှုန်း (၁.၅ - ၃.၅ m/s) မှ ရုတ်တရက် ၉ m/s ကျော်အထိ ထိုးတက်သွားသော နေရာများ (Migration peaks) ကို ရှာဖွေတွေ့ရှိခြင်းသည် AI နယ်ပယ်တွင် Anomaly Detection (ပုံမှန်မဟုတ်သော အပြုအမူများကို ရှာဖွေခြင်း) သို့မဟုတ် Change Point Detection (အခြေအနေ ပြောင်းလဲသွားသည့် အမှတ်ကို ရှာဖွေခြင်း) တို့၏ အခြေခံသဘောတရား ဖြစ်သည်။

၅။ ရှေ့ဆက်တည်ဆောက်နိုင်မည့် Machine Learning မော်ဒယ်များ ယခုကုဒ်ကို အခြေခံပြီး၊ သန့်စင်ပြင်ဆင်ထားသော ဒေတာများကို အသုံးပြု၍ နောက်တစ်ဆင့်တွင် အောက်ပါ AI/ML မော်ဒယ်များကို တိုက်ရိုက် ဖန်တီးတည်ဆောက်မှာဖြစ်ပါတယ်။

  • 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, သို့မဟုတ် Sanne) ဖြစ်ကြောင်း ခန့်မှန်းခြင်း။

  • Trajectory & Speed Forecasting Deep Learning (LSTM/RNN) သို့မဟုတ် Time-Series မော်ဒယ်များသုံး၍ နောက်လာမည့် ရက်များတွင် ငှက်သွားမည့် လမ်းကြောင်းနှင့် အမြန်နှုန်းကို ကြိုတင်ခန့်မှန်းခြင်း။

********************************************

Python
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.