Monday, November 16, 2026

Bird Migration & Flight Pattern Analysis (Part-2)

ယခင်ဂရပ်မှာ တွေ့ရှိခဲ့ရတဲ့ Eric ရဲ့ ပုံမှန်အချိန်နဲ့ ရွှေ့ပြောင်းပျံသန်းချိန် (Migration) အပြုအမူတွေကို စက်က အလိုအလျောက် ခွဲခြားသိမြင်နိုင်စေဖို့ Unsupervised Machine Learning အမျိုးအစားဖြစ်တဲ့ K-Means Clustering မော်ဒယ်ကို တည်ဆောက်ပြပါမယ်။

ဒီပရိုဂရမ်ဟာ ငှက်ရဲ့ ပျံသန်းမှုအမြန်နှုန်း (speed_2d) နဲ့ ပျံသန်းတဲ့အမြင့် (altitude) နှစ်ခုကို အခြေခံပြီး Eric ရဲ့ အပြုအမူတွေကို အုပ်စု (၃) စုအဖြစ် ပိုင်းခြားပေးမှာဖြစ်ပါတယ်။

  • Cluster 0: အနားယူနေချိန် (Resting / Stationary)

  • Cluster 1: အနီးဝန်းကျင်တွင် အစာရှာဖွေပျံသန်းနေချိန် (Local Foraging)

  • Cluster 2: အမြင့်ပေများစွာမှ အရှိန်ပြင်းပြင်းဖြင့် ခရီးဝေး ရွှေ့ပြောင်းပျံသန်းနေချိန် (Long-Distance Migration)


Python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

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

# ၂။ Data Cleaning (တန်ဖိုးမဲ့ NaN များကို ဖယ်ရှားခြင်း)
# မှတ်ချက် - Pandas version အသစ်များတွင် Warning မတက်စေရန် inplace=True မသုံးဘဲ ပြန်လည်သတ်မှတ်ထားပါသည်။
eric_data = eric_data.dropna(subset=['speed_2d', 'altitude']).reset_index(drop=True)

# ၃။ မော်ဒယ်အတွက် အသုံးပြုမည့် Features များ ရွေးချယ်ခြင်း (2D Array ပုံစံ)
X = eric_data[['speed_2d', 'altitude']]

# ၄။ Feature Scaling ပြုလုပ်ခြင်း (အလွန်အရေးကြီးသော အဆင့်)
# speed_2d သည် (0 မှ 30) အတွင်းသာရှိပြီး altitude သည် မီတာရာထောင်ချီ ရှိနိုင်ပါသည်။
# စကေး (Scale) မညီပါက K-Means သည် altitude တစ်ခုတည်းကိုသာ ဦးစားပေးတွက်ချက်သွားမည် ဖြစ်သောကြောင့်
# Feature နှစ်ခုလုံးကို ပျမ်းမျှ 0 နှင့် စံသွေဖည်ကိန်း 1 ရှိသော စံနှုန်းတစ်ခုတည်းသို့ ညှိယူရပါသည်။
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# ၅။ K-Means Clustering မော်ဒယ် တည်ဆောက်ခြင်းနှင့် Train လုပ်ခြင်း
# အပြုအမူ ၃ မျိုးခွဲရန် n_clusters=3 ဟု သတ်မှတ်ထားပါသည်။
kmeans = KMeans(n_clusters=3, random_state=42, n_init='auto')
raw_clusters = kmeans.fit_predict(X_scaled)

# ၆။ အုပ်စုနံပါတ်များကို အမြန်နှုန်း အနည်းအများအလိုက် အစဉ်တကျ ပြန်စီခြင်း
# Scale ညှိထားသော ဗဟိုမှတ် (Centroids) များကို မူလယူနစ် (m/s နှင့် meter) သို့ ပြန်ပြောင်းပါသည်။
centers = scaler.inverse_transform(kmeans.cluster_centers_)

# အမြန်နှုန်း (Column 0) အနည်းဆုံးမှ အများဆုံးသို့ အစဉ်လိုက်စီရန် Index ရှာခြင်း
sorted_idx = np.argsort(centers[:, 0])
label_map = {old_idx: new_idx for new_idx, old_idx in enumerate(sorted_idx)}

# စနစ်တကျ စီပြီးသား Cluster နံပါတ်များကို DataFrame ထဲသို့ ထည့်သွင်းခြင်း
eric_data['behavior_cluster'] = [label_map[c] for c in raw_clusters]
sorted_centers = centers[sorted_idx]

# ၇။ အုပ်စုတစ်ခုချင်းစီ၏ ပျမ်းမျှလက္ခဏာများကို ထုတ်ပြခြင်း
behavior_names = [
    "Cluster 0 (အနားယူနေချိန် - Resting)",
    "Cluster 1 (အစာရှာပျံသန်းချိန် - Foraging)",
    "Cluster 2 (ခရီးဝေးရွှေ့ပြောင်းချိန် - Migration)"
]

print("--- Eric ၏ ပျံသန်းမှု အပြုအမူ ခွဲခြမ်းစိတ်ဖြာမှု ရလဒ်များ ---")
for i in range(3):
    count = np.sum(eric_data['behavior_cluster'] == i)
    mean_spd = sorted_centers[i, 0]
    mean_alt = sorted_centers[i, 1]
    print(f"{behavior_names[i]}:")
    print(f"   - မှတ်တမ်းအရေအတွက် : {count} ခု")
    print(f"   - ဗဟိုပျမ်းမျှ အမြန်နှုန်း : {mean_spd:.2f} m/s")
    print(f"   - ဗဟိုပျမ်းမျှ အမြင့်     : {mean_alt:.2f} meters\n")

# ၈။ ရလဒ်များကို Scatter Plot ဖြင့် ပုံဖော်ခြင်း
plt.figure(figsize=(10, 6))
colors = ['#1f77b4', '#2ca02c', '#d62728'] # အပြာ၊ အစိမ်း၊ အနီ

for i in range(3):
    cluster_points = eric_data[eric_data['behavior_cluster'] == i]
    plt.scatter(
        cluster_points['speed_2d'], 
        cluster_points['altitude'], 
        c=colors[i], 
        label=behavior_names[i], 
        alpha=0.5, 
        s=15
    )

# အုပ်စုတစ်ခုချင်းစီ၏ ဗဟိုချက် (Centroids) များကို 'X' သင်္ကေတဖြင့် ပြသခြင်း
plt.scatter(
    sorted_centers[:, 0], 
    sorted_centers[:, 1], 
    c='black', 
    marker='X', 
    s=200, 
    label='Cluster Centroids (ဗဟိုချက်)'
)

plt.xlabel("Flight Speed 2D (m/s)")
plt.ylabel("Altitude (meters)")
plt.title("K-Means Clustering of Eric's Flight Behavior")
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)
plt.show()

ကုဒ်ထဲတွင် ပါဝင်သော အဓိက ML သဘောတရားများ

  • StandardScaler() အကွာအဝေးကို အခြေခံ၍ တွက်ချက်သော Algorithm များ (K-Means နှင့် k-NN) တွင် မတူညီသော ယူနစ်များ (ဥပမာ- အမြန်နှုန်း 0-30 m/s နှင့် အမြင့် 0-2000 m) ကို တိုက်ရိုက်ထည့်သွင်းပါက ကိန်းဂဏန်းကြီးသော altitude က ရလဒ်အပေါ် လွှမ်းမိုးသွားတတ်ပါသည်။ StandardScaler က Feature အားလုံးကို တန်းတူညီမျှသော စကေးတစ်ခုတည်းသို့ ပြောင်းလဲပေးပါသည်။

  • kmeans.fit_predict(X_scaled) အဖြေ (Label) ကြိုတင်ပေးထားခြင်း မရှိသော ဒေတာများထဲမှ အချင်းချင်း နီးစပ်တူညီသော အမှတ်များကို အလိုအလျောက် အုပ်စုဖွဲ့ပေးခြင်း ဖြစ်ပါသည်။

  • scaler.inverse_transform(...) စကေးညှိထားသော တွက်ချက်မှုရလဒ်များကို လူသားများ နားလည်နိုင်သည့် မူလယူနစ် (m/s နှင့် meters) အဖြစ် ပြန်လည်ပြောင်းလဲကြည့်ရှုခြင်း ဖြစ်ပါသည်။




No comments:

Post a Comment

Note: Only a member of this blog may post a comment.