Spatio-Temporal Shifts in Citizen Science Data: Detecting Disruptions in Bird Sightings with Change Point Analysis

Abstract

Spezies, einschließlich Vögel, können Verschiebungen in ihrer Verbreitung und Häufigkeit erfahren, was sich auf Ökosysteme und die Biodiversität auswirken kann. Change-Point-Detection (CPD)-Methoden sind wertvolle Werkzeuge zur Identifikation solcher Veränderungen. Citizen Science bietet hierfür großflächige Datensätze, bringt jedoch auch beobachterbedingte Verzerrungen mit sich. Dies wirft Fragen zur Verlässlichkeit etablierter CPD-Algorithmen bei der Anwendung auf solche Daten sowie zu ihrer Akzeptanz unter Fachexperten auf. Diese Arbeit greift diese Problematik auf, indem sie einen CPD-Ansatz unter Verwendung des "Bayesian Estimation of Abrupt Change, Seasonality, and Trend" (BEAST)- Algorithmus auf einen Citizen-Science-Vogeldatensatz anwendet. Vor der BEASTAnalyse wird eine Preprocessing-Pipeline entwickelt, um Beobachterverzerrungen zu reduzieren. Die Evaluation untersucht die Genauigkeit von BEAST sowie dessen ökologische Relevanz im Kontext von Citizen Science. Detektierte Veränderungspunkte wurden quantitativ mit dokumentierten ökologischen Ereignissen validiert, während Ornithologen die ökologische Plausibilität und praktische Relevanz qualitativ bewerteten. Die Ergebnisse zeigen, dass BEAST ökologisch bedeutsame Veränderungspunkte zuverlässig erkennt, wobei seine Sensitivität von der Datenaggregation und den gewählten Preprocessing-Strategien abhängt. Obwohl CPD manuelle Bewertungen nicht ersetzt, wird es als wertvolle Ergänzung angesehen, um subtile oder unerwartete Veränderungen aufzudecken, die Echtzeit-Überwachung ökologischer Prozesse zu unterstützen und das Retraining von Machine-Learning-Modellen zu informieren. Trotz des spezifischen Anwendungsfalls, unterstreicht diese Studie das breitere Potenzial von CPD in der Citizen Science, indem sie zeigt, dass mit robustem Preprocessing und Expertenvalidierung zeitnahe ökologische Erkenntnisse gewonnen werden können.

Species, including birds, can undergo sudden shifts in distribution and abundance due to environmental changes, human activities, or natural variability, which can impact ecosystems and biodiversity. Change Point Detection (CPD) methods are valuable for identifying these shifts. For this, citizen science offers large-scale datasets, but also introduces observer-related biases, raising questions about the reliability of established CPD algorithms when applied to such data, and their trustworthiness among domain experts. This thesis addresses this concern by implementing a CPD approach using the Bayesian Estimation of Abrupt Change, Seasonality, and Trend (BEAST) algorithm on a citizen science bird dataset. Prior to BEAST analysis, a tailored preprocessing pipeline is developed to mitigate user bias. Evaluation examines BEAST’s accuracy and ecological relevance in citizen science contexts. Detected change points were quantitatively validated against documented ecological events, while ornithologists qualitatively assessed ecological plausibility and practical relevance. Findings indicate that BEAST reliably detects ecologically meaningful change points, though its sensitivity depends on data aggregation and preprocessing strategies. While not replacing manual assessments, CPD is seen as a valuable complement to uncover subtle or unexpected changes, supporting real-time ecological monitoring, and informing machine learning model retraining. Though case-specific, this study underscores CPD’s broader potential in citizen science, enabling timely ecological insights when paired with robust preprocessing and expert validation.