Monday, November 16, 2026

Bird Migration & Flight Pattern Analysis (Part-3)

အရင် K-Means Clustering မော်ဒယ်က ခွဲခြားပေးလိုက်တဲ့ အပြုအမူ အုပ်စု (၃) စုကို ပထဝီဝင် ကိုဩဒိနိတ်များ (Latitude နှင့် Longitude) ပေါ်မှာ ထပ်ဆင့်ပုံဖော်ခြင်းဖြင့် Eric ဟာ မည်သည့်ဒေသမှာ အခြေချအစာရှာပြီး မည်သည့်လမ်းကြောင်းအတိုင်း ခရီးဝေးရွှေ့ပြောင်းပျံသန်းသည်ကို တိကျစွာ မြင်တွေ့နိုင်မှာဖြစ်ပါတယ်။

ဒီပရိုဂရမ်ဟာ ပြင်ပမြေပုံ Library အပိုများ ထပ်သွင်းဖို့မလိုဘဲ လက်ရှိ Spyder 6 (Python 3.12) Environment မှာ တိုက်ရိုက် Run နိုင်ပြီး၊ လမ်းကြောင်းတစ်ခုလုံး (Overall Migration Corridor) နဲ့ အစာရှာရာ ဒေသတွင်းမြင်ကွင်း (Local Foraging Zone) ဆိုပြီး နှိုင်းယှဉ်ဂရပ် (၂) ခုကို တစ်ပြိုင်နက် ထုတ်ပေးမှာဖြစ်ပါတယ်။

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 အချိန်အစဉ်လိုက် စီစဉ်ခြင်း
birddata = pd.read_csv("bird_tracking.csv")
eric_data = birddata[birddata['bird_name'] == 'Eric'].copy()

# ပျံသန်းမှုလမ်းကြောင်း မျဉ်းဆွဲရာတွင် ရှုပ်ထွေးမှုမရှိစေရန် အချိန်အလိုက် စီပါသည်
eric_data['date_time'] = pd.to_datetime(eric_data['date_time'], format='mixed')
eric_data = eric_data.sort_values('date_time')

# ၂။ မရှိမဖြစ် လိုအပ်သော ကော်လံ ၄ ခုလုံးမှ NaN တန်ဖိုးများကို ဖယ်ရှားခြင်း
eric_data = eric_data.dropna(subset=['speed_2d', 'altitude', 'latitude', 'longitude']).reset_index(drop=True)

# ၃။ K-Means Clustering ဖြင့် အပြုအမူ ၃ မျိုး ခွဲခြားခြင်း
X = eric_data[['speed_2d', 'altitude']]
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

kmeans = KMeans(n_clusters=3, random_state=42, n_init='auto')
raw_clusters = kmeans.fit_predict(X_scaled)

# အမြန်နှုန်း အနည်းအများအလိုက် Cluster နံပါတ်များကို 0, 1, 2 အစဉ်လိုက် ပြန်စီခြင်း
centers = scaler.inverse_transform(kmeans.cluster_centers_)
sorted_idx = np.argsort(centers[:, 0])
label_map = {old_idx: new_idx for new_idx, old_idx in enumerate(sorted_idx)}
eric_data['behavior_cluster'] = [label_map[c] for c in raw_clusters]

# ၄။ ပထဝီဝင် တည်နေရာအလိုက် အုပ်စုတစ်ခုချင်းစီ၏ ကိန်းဂဏန်းများ တွက်ထုတ်ခြင်း
geo_summary = eric_data.groupby('behavior_cluster').agg(
    Count=('latitude', 'count'),
    Min_Lat=('latitude', 'min'),
    Max_Lat=('latitude', 'max'),
    Mean_Lat=('latitude', 'mean'),
    Mean_Lon=('longitude', 'mean'),
    Mean_Speed=('speed_2d', 'mean'),
    Mean_Alt=('altitude', 'mean')
)
print("--- ပထဝီဝင် တည်နေရာနှင့် အပြုအမူ နှိုင်းယှဉ်ချက် ---")
print(geo_summary.round(2))

# ၅။ မြေပုံကိုဩဒိနိတ် (Longitude vs Latitude) ပေါ်တွင် ဂရပ် (၂) ခုယှဉ်၍ ပုံဖော်ခြင်း
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 7))

colors = ['#1f77b4', '#2ca02c', '#d62728'] # အပြာ (နားနေ)၊ အစိမ်း (အစာရှာ)၊ အနီ (ခရီးဝေးရွှေ့ပြောင်း)
labels = [
    'Cluster 0: Resting (အနားယူချိန်)',
    'Cluster 1: Foraging (အစာရှာချိန်)',
    'Cluster 2: Migration (ခရီးဝေးရွှေ့ပြောင်းချိန်)'
]

# --- ဘယ်ဘက်ဂရပ် (ax1): ခရီးစဉ်တစ်ခုလုံး၏ ပထဝီဝင် လမ်းကြောင်း ---
# နောက်ခံပျံသန်းမှု လမ်းကြောင်းမျဉ်းကြောင်း (Trajectory Line)
ax1.plot(eric_data['longitude'], eric_data['latitude'], color='lightgray', linewidth=0.8, zorder=1, label='Flight Path')

# အနီရောင် (Migration) အစက်များ အပေါ်ဆုံးမှ ထင်ရှားစေရန် zorder ကို မြှင့်ထားပါသည်
for i in range(3):
    subset = eric_data[eric_data['behavior_cluster'] == i]
    ax1.scatter(
        subset['longitude'], subset['latitude'],
        c=colors[i], label=labels[i], s=14, alpha=0.65, zorder=i+2
    )

# အဓိက ပထဝီဝင် ဒေသအမည်များကို ဂရပ်ပေါ်တွင် ညွှန်ပြခြင်း
ax1.annotate('Breeding / Summer Zone\n(North Sea / Belgium Coast)', xy=(3.2, 51.3), xytext=(-6, 50),
             arrowprops=dict(arrowstyle='->', color='black', lw=1), fontsize=9, fontweight='bold')
ax1.annotate('Atlantic Migration Corridor\n(Spain & Portugal Coast)', xy=(-8.5, 40.0), xytext=(-16, 42),
             arrowprops=dict(arrowstyle='->', color='black', lw=1), fontsize=9, fontweight='bold')
ax1.annotate('Wintering Grounds\n(West Africa / Mauritania)', xy=(-16.0, 21.0), xytext=(-14, 16),
             arrowprops=dict(arrowstyle='->', color='black', lw=1), fontsize=9, fontweight='bold')

ax1.set_title("Eric's Full Migration Map (Longitude vs Latitude)", fontsize=12, fontweight='bold')
ax1.set_xlabel("Longitude (Degrees East / West)")
ax1.set_ylabel("Latitude (Degrees North)")
ax1.legend(loc='lower right')
ax1.grid(True, linestyle='--', alpha=0.5)

# --- ညာဘက်ဂရပ် (ax2): မြောက်ပိုင်း အခြေချရာဒေသ (Lat 50.5° - 52.5°N) ကို အနီးကပ်ချဲ့ကြည့်ခြင်း ---
north_zone = eric_data[(eric_data['latitude'] >= 50.5) & (eric_data['latitude'] <= 52.5) &
                       (eric_data['longitude'] >= 2.0) & (eric_data['longitude'] <= 5.0)]

ax2.plot(north_zone['longitude'], north_zone['latitude'], color='lightgray', linewidth=0.6, zorder=1)
for i in range(3):
    subset = north_zone[north_zone['behavior_cluster'] == i]
    ax2.scatter(
        subset['longitude'], subset['latitude'],
        c=colors[i], label=labels[i], s=18, alpha=0.6, zorder=i+2
    )

ax2.set_title("Zoomed-In: Northern Foraging & Resting Grounds", fontsize=12, fontweight='bold')
ax2.set_xlabel("Longitude (2.0°E to 5.0°E)")
ax2.set_ylabel("Latitude (50.5°N to 52.5°N)")
ax2.legend(loc='upper left')
ax2.grid(True, linestyle='--', alpha=0.5)

plt.tight_layout()
plt.show()




ပထဝီဝင်ဆိုင်ရာ တွေ့ရှိချက်များနှင့် အပြုအမူ ခွဲခြမ်းစိတ်ဖြာမှု


မြေပုံဂရပ် (၂) ခုနှင့် geo_summary ဇယားမှ ထွက်ပေါ်လာသော အချက်အလက်များကို အောက်ပါအတိုင်း နှိုင်းယှဉ်နားလည်နိုင်ပါတယ်။

အပြုအမူ အုပ်စု (Cluster)အဓိက တွေ့ရှိရသည့် ပထဝီဝင်ဒေသLatitude & Longitude လက္ခဏာဂေဟဗေဒဆိုင်ရာ အဓိပ္ပာယ် (Ecological Meaning)
Cluster 0 (အနားယူချိန် - အပြာ)ဘယ်လ်ဂျီယံ/နယ်သာလန် ကမ်းရိုးတန်းနှင့် အာဖရိက အနောက်ဘက်ကမ်းခြေLat 51.3°N ဝန်းကျင်နှင့် Lat 15°N–34°N ကြားတွင် အစုလိုက် စုစည်းနေသည်အသိုက်အမြုံနေရာ (Colony) နှင့် ကမ်းခြေသောင်ပြင်များတွင် ငြိမ်သက်စွာ အနားယူနေချိန် ဖြစ်သည်။
Cluster 1 (အစာရှာချိန် - အစိမ်း)မြောက်ပင်လယ် (North Sea) ကမ်းလွန်နှင့် ဆောင်းခိုရာ ကမ်းရိုးတန်းတစ်လျှောက်အနားယူရာ နေရာများ၏ ပတ်လည် အချင်းဝက် ကီလိုမီတာ အနည်းငယ်အတွင်း ဖြန့်ကျက်နေသည်ကုန်းတွင်းနှင့် ပင်လယ်ပြင်ကြား အနိမ့်ပျံသန်း၍ ငါးနှင့် အစာရှာဖွေနေသော နေ့စဉ်လှုပ်ရှားမှု ဖြစ်သည်။
Cluster 2 (ခရီးဝေးရွှေ့ပြောင်းချိန် - အနီ)ပြင်သစ်၊ စပိန်၊ ပေါ်တူဂီ အတ္တလန္တိတ် ကမ်းရိုးတန်းနှင့် ဂျီဘရော်လ်တာ ရေလက်ကြားLat 35°N မှ 50°N ကြားတွင် အစက်များ မစုဝေးဘဲ မျဉ်းတန်းရှည်ပုံစံ ဖြတ်သန်းသွားသည်ရာသီအကူးအပြောင်းတွင် ကြားစခန်းများ၌ ကြာရှည်မနားဘဲ အမြင့်ပေများစွာမှ အရှိန်ပြင်းပြင်းဖြင့် ဖြတ်ကျော်ပျံသန်းခြင်း ဖြစ်သည်။

ဂရပ် (၂) ခုမှ မြင်တွေ့ရသော အဓိက အချက်များ

  • ဘယ်ဘက်ဂရပ် (Full Migration Map) Eric သည် ဥရောပမြောက်ပိုင်း (North Sea အနီး၊ Latitude 51°N ခန့်) ရှိ နွေရာသီ သားပေါက်ရာဒေသနှင့် အာဖရိကအနောက်ပိုင်း (မော်ရီတေးနီးယား/ဆီနီဂေါ ကမ်းရိုးတန်း၊ Latitude 15°N–25°N ခန့်) ရှိ ဆောင်းခိုရာဒေသတို့အကြား ကီလိုမီတာ ထောင်ပေါင်းများစွာကို အတ္တလန္တိတ် ကမ်းရိုးတန်းတစ်လျှောက် လမ်းကြောင်းမှန်မှန် ဖြတ်သန်းပျံသန်းကြောင်း အနီရောင်အစက်တန်းများက သက်သေပြနေသည်။

  • ညာဘက်ဂရပ် (Zoomed-In Northern Grounds) မြောက်ပိုင်းအခြေချရာ ဒေသကို အနီးကပ်ချဲ့ကြည့်လိုက်သည့်အခါ ကုန်းမြေကမ်းရိုးတန်း တစ်နေရာတည်းတွင် အပြာရောင်အစက်များ (Cluster 0) သိပ်သည်းစွာ စုစည်းနေပြီး၊ ၎င်းမှ ပင်လယ်ဘက် (အနောက်မြောက်ဘက်) သို့ အစိမ်းရောင်အစက်များ (Cluster 1) ဖြာထွက်နေသည်ကို တွေ့ရသည်။ ၎င်းသည် Eric က ကမ်းခြေတွင် အခြေစိုက်နားနေပြီး ပင်လယ်ပြင်ထဲသို့ ထွက်၍ အစာရှာလေ့ရှိပုံကို အတိအကျ ပုံဖော်ပေးခြင်းဖြစ်သည်။

Geospatial AI နှင့် Data Science နယ်ပယ်မှ အသုံးချမှုများ

ဤကဲ့သို့ GPS ကိုဩဒိနိတ်များနှင့် Machine Learning Clustering ကို ပေါင်းစပ်အသုံးပြုခြင်းကို Spatio-Temporal Data Mining ဟုခေါ်ပြီး လက်တွေ့လုပ်ငန်းခွင်များတွင် ကျယ်ပြန့်စွာ အသုံးချလျက်ရှိပါတယ်။

  • တောရိုင်းတိရစ္ဆာန် ထိန်းသိမ်းရေး (Wildlife Conservation) ရှားပါးငှက်နှင့် တိရစ္ဆာန်များ၏ အစာရှာရာ နေရာများ (Foraging Hotspots) နှင့် ရွှေ့ပြောင်းလမ်းကြောင်းများ (Migration Corridors) ကို ရှာဖွေဖော်ထုတ်ပြီး လေအားလျှပ်စစ် တာဘိုင်များ တည်ဆောက်ခြင်းမှ ရှောင်ရှားရန်နှင့် ဘေးမဲ့တော နယ်နိမိတ်များ သတ်မှတ်ရန် အသုံးပြုသည်။

  • သယ်ယူပို့ဆောင်ရေးနှင့် ထောက်ပံ့ပို့ဆောင်ရေး (Logistics & Fleet Tracking) ကုန်တင်ယာဉ်များနှင့် သင်္ဘောများ၏ GPS ဒေတာများမှတစ်ဆင့် ယာဉ်ရပ်နားချိန်၊ ကုန်တင်ကုန်ချပြုလုပ်ချိန်နှင့် အမြန်လမ်းမပေါ် မောင်းနှင်ချိန်များကို အလိုအလျောက် ခွဲခြားစစ်ဆေးရာတွင် အလားတူ Clustering နည်းစနစ်ကို အသုံးပြုသည်။

No comments:

Post a Comment

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