Ученые автоматизировали метод распознавания криков рыб под водой
Автоматизированный метод, который позволяет точно идентифицировать крики семейства рыб под водой, разработали исследователи из Университета штата Орегон, 6 января сообщает Phys.org.
Метод использует данные, собранные подводными микрофонами, известными как гидрофоны, и обеспечивает эффективный и недорогой способ понимания изменений в морской среде из-за изменения климата и других воздействий, заявили ученые.
Гидрофоны всё чаще используются в мировом океане. Они обладают преимуществами по сравнению с другими типами мониторинга, поскольку работают ночью, в условиях плохой видимости и в течение длительных периодов времени. Но методы эффективного анализа данных с гидрофонов недостаточно развиты.
Это новое исследование должно изменить ситуацию. Всё началось, когда Джилл Мангер из Университета Орегона предложила изучить акустические данные, собранные за 39 месяцев в районе тропических рифов в Национальном парке Американского Самоа, длительностью 18 000 часов.
В процессе изучения Мангер решила сосредоточиться на криках рыб-ласточек, — отчасти потому, что они отличаются друг от друга. Они скрежещут зубами, издавая хлопки, щелчки и щебет, связанные с агрессивным поведением и защитой гнезда. Однако ей быстро стало очевидно, что самостоятельное прослушивание записей потребует огромного количества времени.
Данное затруднение породило у ученых идею использования машинного обучения для автоматизации анализа данных. Методы машинного обучения ранее использовались для автоматизации обработки больших объемов данных с устройств пассивного акустического мониторинга, которые собирали звуковые данные от птиц, летучих мышей и морских млекопитающих.
В этом случае выборка для машинного обучения, или обучающие данные, составляла от 400 до 500 криков рыб-ласточек, идентифицированных Мангер путем самостоятельного прослушивания записей гидрофона. С этого момента ученые построили модель машинного обучения, которая точно идентифицировала 94% криков данного вида рыб.
«Мы построили модель машинного обучения на относительно небольшом наборе обучающих данных, а затем применили ее к огромному набору данных, — сказала Мангер. — Последствия для мониторинга окружающей среды огромны».
