在城市公园中使用机器学习技术定义声音景观排名指数 (SRI).

科学领域:

• 生态生态学 生态生态学
• 生物声学是一种生物声学.
• 机器学习 机器学习

背景情况:

• 评估息地声质对于生态监测至关重要.
• 现有的方法可能无法完全捕捉声音源的复杂相互作用.
• 为了有效评估环境音景,需要一个定量指数.

研究的目的:

• 开发和验证一个音景排名指数 (SRI) 准确的声质评估.
• 使用机器学习算法优化SRI权重.
• 评估生物声和人类声对整体声景的贡献.

主要方法:

• 在标记的声音录音上训练了四个机器学习算法 (决策树,随机森林,AdaBoost,SVM).
• 提取的光谱特征包括生态声学指数和Mel频率切斯特拉系数 (MFCC).
• 专注于标签识别来自米兰北方公园 (Parco Nord) 的16个地点的声音录音中的生物声和人类声.

主要成果:

• 决策树和AdaBoost模型取得了良好的分类性能 (F1分数 = 0.70,0.71).
• 这些模型成功地为自然 (生物声) 和人为声音分配了差异重量.
• 优化的权重提供了可靠的估计跨站点的平均SRI值.

结论:

• 机器学习有效地优化了Soundscape排名指数 (SRI) 的权重.
• 该SRI作为一个有价值的生态工具,用于复杂息地的声质评估.
• 这种方法支持快速的现场和远程生态调查.