Simple Science

La science de pointe expliquée simplement

# Biologie# Biologie du développement

Protéger le phoque de Saimaa : Une nouvelle approche

De nouvelles méthodes visent à surveiller la population de phoques annelés du Saimaa grâce à l'analyse sonore.

― 6 min lire


Nouvelle méthode pourNouvelle méthode pourprotéger les phoquessurveiller le phoque annelé de Saimaa.L'analyse sonore automatisée aide à
Table des matières

Le phoque annelé de Saimaa est un animal marin unique qu'on trouve dans le lac Saimaa en Finlande. Pendant des décennies, leur nombre a été faible, commençant avec presque 100 individus en 1984 et atteignant un peu plus de 400 aujourd'hui. Même si la population commence à augmenter, cette croissance pourrait ne pas suffire à les protéger des menaces soudaines, surtout celles causées par les actions humaines et le changement climatique. Du coup, c'est super important de surveiller ces phoques de près.

Pour protéger les phoques annelés de Saimaa, plusieurs efforts en recherche et en conservation ont été faits. Les scientifiques utilisent souvent des méthodes comme l'identification par photo et les comptages de tanières sous la neige pour estimer combien de phoques il y a et déterminer leur succès reproductif. Cependant, ces méthodes dépendent souvent beaucoup de l'effort humain et peuvent coûter cher. Bien qu'il existe de nouveaux systèmes automatiques pouvant identifier les phoques à partir d'images, les systèmes Acoustiques automatisés n'ont pas encore été utilisés pour ce type de phoque. Des études passées montrent que les systèmes automatisés fonctionnent pour d'autres espèces de phoques, grâce aux avancées récentes en Apprentissage automatique, mais des technologies similaires ne sont pas encore disponibles pour les phoques annelés de Saimaa.

Cette étude propose une nouvelle méthode pour détecter automatiquement les sons des phoques. Les chercheurs se sont concentrés sur l'identification des Vocalisations que font les phoques, en particulier un son connu sous le nom de "coups de frappe". L'étude visait à découvrir si les enregistrements audio contenaient ces appels, qui sont communs parmi les phoques annulés. Les chercheurs ont utilisé une approche de classification pour identifier quand ces sons de coups se produisaient dans les enregistrements audio. Les vocalisations de coups consistent généralement en des sons courts répétés, et la recherche a examiné les caractéristiques de ces sons.

Collecte de données

Les données initiales pour l'étude proviennent d'enregistrements sonores pris dans le lac Saimaa. Les enregistrements ont été collectés et étiquetés par une université locale pendant 23 semaines, résultant en plus de 3 600 heures d'audio. Les chercheurs ont identifié un total d'environ 10 000 événements audio significatifs, la plupart étant des appels de coups. D'autres sons incluaient des phoques grattant la glace et divers bruits créés par l'homme.

Les enregistrements ont été réalisés à une qualité élevée mais ont ensuite été ajustés pour réduire la charge de travail globale pour l'analyse. Le volume des sons de coups variait considérablement, les sons plus forts étant plus faciles à analyser. En moyenne, les sons de coups duraient environ 1,78 seconde.

Estimation des fréquences sonores

Les chercheurs visaient à identifier les principales fréquences de ces sons de coups. Pour cela, ils ont appliqué plusieurs techniques bien connues pour estimer la fréquence sonore. Les méthodes consistaient à analyser des segments audio pour trouver des motifs répétitifs dans les sons. Ils ont également utilisé des techniques spéciales pour filtrer le bruit de fond et améliorer la clarté des sons de coups.

D'après des études passées, ils savaient que les sons de coups tombaient principalement dans une certaine plage de fréquence. Pour cette étude, les algorithmes ont été configurés pour trouver des fréquences dans des plages légèrement plus larges, puis restreintes pour trouver les estimations les plus précises. Ce processus a aidé à identifier la fréquence fondamentale des appels de coups, qui s'est révélée être principalement entre 12 Hz et 20 Hz.

Classification des sons de coups

Pour déterminer si les segments audio contenaient des sons de coups ou juste du bruit, l'équipe a créé un ensemble de données pour l'analyse. Ils ont divisé l'audio en cadres et étiqueté les sons de coups par rapport au bruit. L'ensemble de données final se composait de plus de 53 000 cadres de sons de coups et de plus de 50 000 cadres de bruit. Les chercheurs ont ensuite extrait à la fois les caractéristiques sonores liées à la fréquence et d'autres caractéristiques de l'audio.

Diverses techniques d'apprentissage automatique, y compris les réseaux de neurones et les machines à vecteurs de support, ont été utilisées pour classer ces sons. Ils ont expérimenté différents modèles pour déterminer lequel performait le mieux. L'accent était principalement mis sur l'évitement des Classifications incorrectes, en particulier les faux négatifs, où les sons de coups pourraient être incorrectement identifiés comme du bruit.

Résultats de la recherche

Les résultats ont montré que les sons de coups étaient clairement différents du bruit de fond. Les chercheurs ont noté que même les sons de coups moins puissants pouvaient encore fournir des informations utiles en fonction de leurs niveaux d'énergie. Globalement, le système de classification qu'ils ont développé était efficace, atteignant des taux de précision élevés.

L'équipe a découvert que les sons produits par les phoques annelés de Saimaa partageaient plusieurs caractéristiques qui les rendaient identifiables. En utilisant à la fois des informations temporelles et fréquentielles, ils ont pu distinguer avec succès ces vocalisations des sons non liés.

Recommandations futures

Bien que l'étude ait fourni un moyen fiable de détecter automatiquement les sons de coups, il y a encore des opportunités pour des recherches supplémentaires. Une suggestion est de développer de nouveaux systèmes qui peuvent directement trouver le début et la fin de ces sons sans nécessiter d'étape de classification. Une autre idée est d'utiliser différents types de modèles d'apprentissage automatique qui pourraient analyser l'audio avec plus de contexte, améliorant ainsi les taux de détection.

De plus, appliquer ces méthodes à d'autres types de phoques avec des vocalisations similaires pourrait aider à élargir les résultats. Étendre l'analyse pour inclure des sons comme le grattage pourrait aussi fournir des informations précieuses sur les comportements et l'environnement des phoques.

Conclusion

La population de phoques annelés de Saimaa fait face à des défis depuis des décennies, mais avec des recherches continues et des avancées technologiques, il y a de l'espoir pour une meilleure surveillance et protection de ces animaux uniques. En utilisant des systèmes automatisés pour analyser les vocalisations de ces phoques, on peut obtenir des informations cruciales sur leur dynamique de population et leur santé globale.

Grâce à une analyse sonore efficace, les chercheurs peuvent aider à garantir que les phoques annelés de Saimaa sont protégés contre les menaces auxquelles ils sont confrontés. En adaptant et en affinant continuellement nos méthodes, on peut contribuer aux efforts de conservation en cours pour préserver cette espèce remarquable pour l'avenir.

Source originale

Titre: Automatic parameter estimation and detection of Saimaa ringed seal knocking vocalizations

Résumé: The Saimaa ringed seal (Pusa hispida saimensis) is an endangered subspecies of ringed seal that inhabits Finlands Lake Saimaa. Many efforts have been put into studying their ecology; however, these initiatives heavily rely on human intervention, making them costly. This study first analyzes an extensive dataset of acoustic recordings from Lake Saimaa with a focus on "knocking" vocalizations, the most commonly found Saimaa ringed seal call type. Then, the dataset is used to train and test a binary deep learning classification system to detect these vocalizations. Out of the 8996 annotated knocking events, the model is trained and tuned with 8096 samples and tested with the remaining 900 events. The system achieves a 97% F1-Score in the test set, demonstrating its capacity to identify knocking segments from noise and other events.

Auteurs: Adrià Solana, L. Houegnigan, C. Nadeu, M. Young, M. Kunnasranta

Dernière mise à jour: 2024-05-08 00:00:00

Langue: English

Source URL: https://www.biorxiv.org/content/10.1101/2024.05.06.592639

Source PDF: https://www.biorxiv.org/content/10.1101/2024.05.06.592639.full.pdf

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à biorxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires