使用机器学习方法识别鸟类与鸟歌记录的鸟类
Yi Tang1,2, Chenshu Liu3, Xiang Yuan4
1School of Emergency Management, Institute of Disaster Prevention, Sanhe, China.
PloS one
|February 23, 2024
概括
这项研究使用声学指数和机器学习来识别树鸟类物种. 极端梯度增强 (XGBoost) 模型实现了最高的精度,为鸟类生物声学监测提供了一种新的方法.
科学领域:
- 生物声学是一种生物声学.
- 野生动物保护 野生动物保护
- 机器学习 机器学习
背景情况:
- 准确的鸟类物种识别对于野生动物保护和生物多样性监测至关重要.
- 分析鸟类的声音提供了一种非侵入性的生态评估方法.
- 识别不同的声学特征可以区分密切相关的物种.
研究的目的:
- 根据声学特征评估机器学习模型在识别三种树爬虫 (Certhia americana,C. brachydactyla,C. familiaris) 的有效性.
- 为了比较随机森林,支持向量机和极端梯度增强模型在鸟类物种识别中的性能.
- 建立一种使用声音数据和声学指数识别鸟类的新方法.
主要方法:
- 声学指数的计算:声学复杂度指数 (ACI),声学多样性指数 (ADI),声学均度指数 (AEI),生物声学指数 (BI),振幅的中位数 (MA) 和规范差异音景指数 (NDSI).
- 开发和比较三个机器学习模型:随机森林 (RF),支持矢量机 (SVM) 和极端梯度增强 (XGBoost).
- 使用准确度和曲线下的面积 (AUC) 度量来评估模型性能.
主要成果:
- 极端梯度增强 (XGBoost) 模型在与射频和SVM相比显示出更高的性能.
- 在测试模型中,XGBoost获得了最高的精度 (0.8365) 和AUC (0.8871).
- 该研究证实了XGBoost在根据计算的声学指数来区分鸟类的有效性.
结论:
- 机器学习,特别是XGBoost,提供了一种有效的工具,用于使用声学数据识别鸟类.
- 这项研究引入了一种有希望的,基于声音的方法论,用于鸟类生物声学监测和保护工作.
- 这些发现突出了利用声学特征用于自动化生物多样性评估的潜力.
