设计一个BirdNET分类器,用于在被动声学记录中检测强风,以支持野生动物监测

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:

• 被动声学监测 (PAM) 对于生态研究至关重要,但容易受到风噪声的影响,这是由于气候变化而引起的日益关注.
• 阿德利企是南极的关键指标,适合PAM,但风噪阻碍了种群评估.
• 在生物声学数据中有效管理风噪对于可靠的生态监测至关重要.

研究的目的:

• 开发和评估一种方法,用于自动识别和减轻阿德利企生物声学记录中的风噪声.
• 适应BirdNET卷积神经网络以检测生态音频数据中的非目标声音 (风).
• 建立一个工作流程,用于创建,验证和应用自定义的BirdNET模型来清理生物声学数据.

主要方法:

• 自定义的BirdNET模型被训练成将风力条件 (低,中,高) 分类为目标类,以阿德丽企的发声作为背景噪音.
• 模型性能使用F-score,准确性,精度和回忆指标进行评估.
• 开发了一个六步工作流程,用于创建定制模型,绩效评估和值确定.

主要成果:

• 性能最好的BirdNET模型获得了0.43的整体F评分和0.53.3的准确性.
• 该模型在识别强风条件方面表现出很高的性能,精度为0.76和回忆率为0.94.
• 该研究提出了一个实用的工作流程,用于在生物声学数据集中自动检测不需要的声音.

结论:

• 使用定制的BirdNET模型自动检测风噪声显著简化了生物声学数据清理.
• 这种方法使研究人员能够有效地隔离受影响的记录,节省时间和资源.
• 开发的方法提高了PAM在生态研究中的可靠性,特别是在具有挑战性的南极环境中.