Ny algoritme genkender tydelige delfinklik i undervandsoptagelser

Forskere har udviklet en ny algoritme, der kan identificere forskellige delfinklikmønstre blandt millioner af klik ved optagelser af vilde delfiner. Denne tilgang, præsenteret i PLOS Computational Biology af Kaitlin Frasier fra Scripps Institution of Oceanography, Californien, og kolleger, kan potentielt hjælpe med at skelne mellem delfinarter i naturen.

Frasier og hendes kolleger bygger autonome undervandsakustiske sensorer, der kan registrere delfiners ekkolokationsklik i naturen i over et år ad gangen. Disse instrumenter fungerer som ikke-invasive værktøjer til at studere mange aspekter af delfinbestande, herunder hvordan de påvirkes af Deepwater Horizon -olieudslippet, udvikling af naturressourcer, og klimaforandringer.

Fordi sensorerne registrerer millioner af klik, det er svært for et menneske at genkende nogen artsspecifikke mønstre i optagelserne. Så, forskerne brugte fremskridt inden for maskinlæring til at udvikle en algoritme, der kan afdække konsistente klikmønstre i meget store datasæt. Algoritmen er "uden opsyn, "hvilket betyder, at den søger mønstre og definerer forskellige kliktyper alene, i stedet for at blive "lært" at genkende mønstre, der allerede er kendte.

Den nye algoritme var i stand til at identificere konsistente mønstre i et datasæt med over 50 millioner ekkolokaliseringsklik registreret i Den Mexicanske Golf over en to-årig periode. Disse kliktyper var konsistente på tværs af overvågningssteder i forskellige regioner i Golfen, og en af ​​de kliktyper, der opstod, er forbundet med en kendt delfinart.

Forskergruppen antager, at nogle af de konsistente kliktyper, som algoritmen afslører, kan matches med andre delfinarter og derfor kan være nyttige til fjernovervågning af vilde delfiner. Dette ville forbedre de fleste aktuelle overvågningsmetoder, som er afhængige af at mennesker foretager visuelle observationer fra store skibe eller fly og kun er mulige i dagslys og godt vejr.

Næste, teamet planlægger at integrere dette arbejde med dybe læringsmetoder for at forbedre deres evne til at identificere kliktyper i nye datasæt, der er registreret forskellige regioner. De vil også udføre feltarbejde for at kontrollere, hvilken art der matcher nogle af de nye kliktyper, der er afsløret af algoritmen.

"Det er sjovt at tænke over, hvordan maskinlæringsalgoritmerne, der bruges til at foreslå musik eller venner på sociale medier, kan genfortolkes for at hjælpe med økologiske forskningsudfordringer, "Frasier siger." Innovationer inden for sensorteknologier har åbnet sluserne med hensyn til data om den naturlige verden, og der er meget plads til kreativitet lige nu i økologisk dataanalyse. "