Neuroscience News logo for mobile.

Sommaire: Un nouvel algorithme d’intelligence artificielle formé à l’aide des paysages sonores des récifs sains et dégradés peut déterminer la santé des récifs 92 % du temps.

La source: UCL

Les récifs coralliens ont un paysage sonore complexe – et même les experts doivent effectuer des analyses minutieuses pour mesurer la santé des récifs sur la base d’enregistrements sonores.

Dans la nouvelle étude publiée dans Indicateurs écologiques, les scientifiques ont formé un algorithme informatique en utilisant plusieurs enregistrements de récifs sains et dégradés, permettant à la machine d’apprendre la différence.

L’ordinateur a ensuite analysé une multitude de nouveaux enregistrements et identifié avec succès la santé des récifs 92% du temps.

L’équipe l’a utilisé pour suivre l’avancement des projets de restauration des récifs.

L’auteur principal, le candidat au doctorat Ben Williams (Centre de recherche sur la biodiversité et l’environnement de l’UCL), qui a commencé l’étude alors qu’il était à l’Université d’Exeter, a déclaré : « Les récifs coralliens sont confrontés à de multiples menaces, notamment le changement climatique, afin de surveiller leur santé et le succès des projets de conservation. c’est essentiel.

« Une difficulté majeure est que les relevés visuels et acoustiques des récifs reposent généralement sur des méthodes à forte intensité de main-d’œuvre.

“Les relevés visuels sont également limités par le fait que de nombreuses créatures des récifs se cachent ou sont actives la nuit, tandis que la complexité des sons des récifs a rendu difficile l’identification de la santé des récifs à l’aide d’enregistrements individuels.

“Notre approche à ce problème consistait à utiliser l’apprentissage automatique – pour voir si un ordinateur pouvait apprendre le chant du récif.

« Nos découvertes montrent qu’un ordinateur peut capter des motifs indétectables par l’oreille humaine. Il peut nous dire plus rapidement et plus précisément comment se porte le récif.

Les poissons et autres créatures vivant sur les récifs coralliens émettent une vaste gamme de sons.

Les poissons et autres créatures vivant sur les récifs coralliens émettent une vaste gamme de sons. Crédit : Tim Lamont

La signification de bon nombre de ces appels reste inconnue, mais la nouvelle méthode d’IA peut faire la distinction entre les sons généraux des récifs sains et malsains.

Les enregistrements utilisés dans l’étude ont été réalisés dans le cadre du projet de restauration des récifs coralliens de Mars, qui restaure des récifs fortement endommagés en Indonésie.

Le co-auteur, le Dr Tim Lamont, de l’Université de Lancaster, a déclaré que la méthode d’IA crée des opportunités majeures pour améliorer la surveillance des récifs coralliens.

“C’est un développement vraiment excitant. Les enregistreurs de son et l’IA pourraient être utilisés dans le monde entier pour surveiller la santé des récifs et découvrir si les tentatives de protection et de restauration fonctionnent », a déclaré le Dr Lamont.

“Dans de nombreux cas, il est plus facile et moins cher de déployer un hydrophone sous-marin sur un récif et de le laisser là que d’avoir des plongeurs experts visitant le récif à plusieurs reprises pour l’étudier – en particulier dans des endroits éloignés.”

Financement: L’étude a été financée par le Conseil de recherche sur l’environnement naturel et le Fonds national suisse de la recherche scientifique.

À propos de cette actualité sur la recherche en intelligence artificielle

Auteur: Henri Killworth
La source: UCL
Contact: Henry Killworth – UCL
Image: L’image est créditée à Tim Lamont

Recherche originale : Libre accès.
“Amélioration de l’analyse automatisée des paysages sonores marins à l’aide d’indices écoacoustiques et de l’apprentissage automatique” par Ben Williams et al. Indicateurs écologiques


Résumé

Améliorer l’analyse automatisée des paysages sonores marins à l’aide d’indices écoacoustiques et de l’apprentissage automatique

Voir également

Cela montre un cerveau en forme de coeur

Historiquement, la surveillance écologique des habitats marins reposait principalement sur des méthodes d’enquête non automatisées et à forte intensité de main-d’œuvre. Le domaine de la surveillance acoustique passive (PAM) a démontré le potentiel de cette pratique pour automatiser les levés dans les habitats marins. Cela s’est principalement fait grâce à l’utilisation d’« indices écoacoustiques » pour quantifier les attributs des paysages sonores naturels.

Cependant, les enquêtes utilisant des indices individuels ont eu un succès mitigé.

À l’aide d’enregistrements PAM collectés dans l’un des plus grands programmes de restauration de récifs coralliens au monde, nous appliquons plutôt une approche d’apprentissage automatique à travers une suite d’indices écoacoustiques pour améliorer le pouvoir prédictif de la santé des écosystèmes. Des sites de récifs sains et dégradés ont été identifiés grâce à des enquêtes sur la couverture de corail vivant, avec une couverture de 90 à 95 % et de 0 à 20 % respectivement.

Une bibliothèque d’enregistrements d’une minute a été extraite de chacun. Douze indices écoacoustiques ont été calculés pour chaque enregistrement, dans jusqu’à trois bandes passantes de fréquences différentes (faible : 0,05-0,8 kHz, moyenne : 2-7 kHz et large : 0,05-20 kHz). Douze de ces 33 combinaisons indice-fréquence différaient significativement entre les habitats sains et dégradés.

Cependant, l’index unique le plus performant ne pouvait classer correctement que 47 % des enregistrements, ce qui nécessitait un échantillonnage approfondi de chaque site pour être utile.

Nous avons donc formé un algorithme d’apprentissage automatique d’analyse discriminante régularisée pour discriminer les sites sains et dégradés en utilisant une combinaison optimisée d’indices écoacoustiques.

Cette approche multi-indices distinguait ces deux classes d’habitats avec une précision améliorée par rapport à n’importe quel indice isolé. Le taux de classification regroupé de 1 000 itérations du modèle à validation croisée avait un taux de réussite de 91,7 % (0,8, ET moyen) pour classer correctement les enregistrements individuels.

Le modèle a ensuite été utilisé pour classer les enregistrements de deux sites activement restaurés, établis > 24 mois avant les enregistrements, avec des valeurs de couverture corallienne de 79,1 % (± 3,9) et 66,5 % (± 3,8). Parmi ces enregistrements, 37/38 et 33/39 ont reçu respectivement une classification en bonne santé.

Le modèle a également été utilisé pour classer les enregistrements d’un site nouvellement restauré établi < 12 mois auparavant avec une couverture corallienne de 25,6 % (± 2,6), dont 27/33 enregistrements ont été classés comme dégradés.

Cette enquête met en évidence la valeur de la combinaison des enregistrements PAM avec l’analyse d’apprentissage automatique pour la surveillance écologique et démontre le potentiel de PAM pour surveiller la récupération des récifs au fil du temps, réduisant ainsi la dépendance à l’égard des enquêtes dans l’eau à forte intensité de main-d’œuvre par des experts.

Alors que l’accès aux enregistreurs PAM continue de progresser rapidement, une analyse automatisée efficace sera nécessaire pour suivre le rythme de ces ensembles de données acoustiques en expansion.