Transformer-Modelle prognostizieren Vogelkrankheiten anhand von Wanderpfaden

Eine neue Studie zeigt, dass Transformer-Architekturen die Gefahr von Vogelkrankheiten an den Endpunkten von Zugvogelpfaden präzise vorhersagen können. Durch die Kombination von GPS‑Trackingdaten aus Movebank, Ausbruchsberichten der WOAH und geographischen Kontextdaten von GADM und Natural Earth entsteht ein umfassendes Modell, das die räumlichen und zeitlichen Muster der Vogelbewegungen erfasst.

Die Rohkoordinaten werden mit dem H3‑Hierarchischen Geocoding verarbeitet, um räumliche Strukturen besser zu erkennen. Anschließend lernt das Modell die spatiotemporalen Abhängigkeiten aus den Bewegungssequenzen, um das Risiko einer Erkrankung am Zielort zu schätzen. Auf einem separaten Testdatensatz erzielt das System beeindruckende Ergebnisse: eine Genauigkeit von 0,9821, einen AUC von 0,9803, eine durchschnittliche Präzision von 0,9299 und einen F1‑Score von 0,8836.

Diese Ergebnisse unterstreichen das Potenzial von Transformer‑Modellen für Frühwarnsysteme in der Vogelkrankheitsüberwachung. Durch frühzeitige Risikoeinschätzungen können gezielte Interventionen und Präventionsstrategien schneller umgesetzt werden, was sowohl dem Naturschutz als auch der öffentlichen Gesundheit zugutekommt.