用人工智能解锁珊瑚礁的声音景观:预训练的网络和无监督的学习获胜

科学领域:

• 海洋生物学 海洋生物学
• 生物声学是一种生物声学.
• 机器学习应用程序 机器学习应用程序

背景情况:

• 被动声学监测提供了对珊瑚礁生态系统的成本效益高,长期洞察力.
• 与详细的生物声学事件分析相比,分析整个声音景观提供了快速,广泛的生态理解.
• 对整个音景数据的自动化分析对于推进音景生态学至关重要.

研究的目的:

• 展示机器学习 (ML) 应用程序,以从珊瑚礁声景中提取更深入的见解.
• 评估监督学习和无监督聚类,以确定生态类和地点.
• 在音景分析中对ML算法进行特征提取方法进行比较.

主要方法:

• 利用了三个独立的数据集与生态类 (鱼类,珊瑚覆盖,深度区域).
• 将监督学习和无监督集群算法应用于整个音景数据.
• 对比声学指数,预训练的卷积神经网络 (P-CNN) 和特定任务的CNN (T-CNN) 来进行特征提取.

主要成果:

• 监督学习成功地从声音景观中识别了生态类和地点.
• 无监督的聚类提供了详细的生态和地点分组.
• P-CNNs的性能与T-CNNs的性能相当,使用的计算资源少得多,性能优于声学指数.

结论:

• ML,特别是无监督集群和P-CNNs,显著推进了海洋声景的分析.
• P-CNNs为音景生态提供了一个高效和有效的工具,需要更少的计算.
• 这些发现对不同息地的音景生态有着广泛的影响.