Optimizing automatic detection of wolf howls in long-term passive recordings

Yulia Ustyuzhanina, M.Sc.

Diplomová práce

Abstract:

Vlci jsou vrcholoví predátoři a hrají tak důležitou roli v ekosystému. Zároveň se jedná o druh, který se může dostávat do konfliktů s člověkem. Pro detailní a efektivní znalost výskytu a populačních změn tohoto kryptického druhu je potřeba kombinovat různé monitorovací přístupy. Akustický monitoring se zvažuje jako jeden ze slibných způsobů monitoringu vlka. Dlouhodobý pasivní akustický monitoring ale také představuje výzvu pro analýzu nahrávek. Manuální analýza tisíců hodin nahrávek je pracná a časově náročná a tradiční algoritmy automatické detekce zvuků zvířat si často nedokáží poradit s hlukem v pozadí nahrávek nebo podobnými zvuky v nahrávkách. Metody automatické detekce založené na konvolučních neuronových sítích a hlubokém učení (Deep Learning) by mohly být slibným nástrojem pro optimalizaci automatické detekce zvuků zvířat v dlouhodobých nahrávkách, protože má potenciál uvedené limity dřívějších metod překonat. V této práci byla hluboká neuronová síť (DNN) vyvinutá Berglerem et al. (2022) - ANIMAL-SPOT - upravena pro automatickou detekci vlčího vytí. Vlčí vytí bylo v dlouhodobých nahrávkách získaných během pilotní studie akustického monitoringu vlků v České republice nejprve manuálně anotováno. Na základě těchto manuálních anotací byly vytvořeny datasety, které byly použity k trénování a evaluaci DNN. Bylo vytvořeno několik modelů DNN, jejichž výsledky byly následně porovnány za účelem výběru potenciálně nejlepšího modelu a nejlepšího prahu detekce. Výsledky automatické detekce vlčího vytí byly rovněž porovnány s výsledky anotací od dalších dobrovolníků. V situaci, kdy byly záznamníky poblíž vyjících vlků a vlčí vytí bylo na nahrávkách kvalitně zaznamenané, byly výsledky DNN srovnatelné s lidskými. V nahrávkách, kde byli vlci od záznamníku daleko a vytí bylo na spektrogramech sotva viditelné, ale automatická detekce za lidskými výsledky výrazně zaostávala.

Keywords

akustický monitoring, Canis lupus, hluboká neuronová síť, hluboké učení

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 8. 4. 2023

Obhajoba závěrečné práce

• Obhajoba proběhla 17. 5. 2023
• Vedoucí: Ing. Aleš Vorel, Ph.D.
• Oponent: Irena Schneiderová, Ph.D.

Česká zemědělská univerzita v Praze

Fakulta životního prostředí

Magisterský studijní program / obor:
Inženýrská ekologie / Nature Conservation