Il direttore della Fundación Universitaria Iberoamericana (Fondazione Universitaria Iberoamericana, FUNIBER), presso la sua sede in Guatemala, il dottor Eduardo Silva Alvarado, partecipa a uno studio sulla classificazione delle specie di uccelli utilizzando immagini di spettrogrammi di melodia, con l’aiuto del deep learning.
La classificazione delle specie di uccelli è molto importante nel campo dell’ornitologia, poiché svolge un ruolo fondamentale nella valutazione e nel monitoraggio delle dinamiche ambientali, tra cui le modifiche dell’habitat, il comportamento migratorio, i livelli di inquinamento e l’insorgenza di malattie. I metodi tradizionali di classificazione, come l’identificazione visiva, sono lenti e richiedono un elevato livello di competenza. Tuttavia, la classificazione delle specie di uccelli basata sull’audio è un approccio promettente che può essere utilizzato per automatizzare l’identificazione delle specie di uccelli.
Gli uccelli sono eccellenti indicatori della qualità dell’ambiente e la loro classificazione accurata può aiutare a comprendere le tendenze della popolazione, i modelli di migrazione e la salute dell’ecosistema. È inoltre essenziale per sviluppare piani di conservazione efficaci per prevenire l’estinzione delle specie in pericolo. D’altra parte, la perdita di biodiversità, causata dalle attività umane, ha portato a una crisi globale che richiede il monitoraggio e la conservazione delle specie di uccelli. L’Africa orientale ospita numerose specie di uccelli che svolgono un ruolo vitale nell’ecosistema e nella regione in termini culturali ed economici. Tuttavia, il monitoraggio e la conservazione di queste specie rappresentano una sfida a causa della vastità della regione, del terreno accidentato e della complessità delle vocalizzazioni.
In questo contesto, lo studio a cui ha partecipato la dott.ssa Silva mirava a stabilire un sistema di classificazione delle specie basato sull’audio per 264 specie di uccelli dell’Africa orientale in base ai loro vocalizzi, utilizzando il deep learning trasferito modificato. A tal fine sono state sviluppate reti di sensori acustici wireless combinate con tecniche di deep learning. Queste reti utilizzano le registrazioni audio dei vocalizzi degli uccelli e trasformano i dati audio in immagini di spettrogramma. Queste immagini rappresentano efficacemente i modelli di frequenza e consentono di classificare le specie di uccelli.
Per la classificazione delle specie di uccelli sono stati sperimentati tre diversi modelli di reti neurali ricorrenti (RNN). Il modello iniziale, EfficientNet-B7, ha mostrato un’accuratezza moderata, identificando correttamente le specie di uccelli in circa l’81,82% dei casi; tuttavia, non ha raggiunto livelli adeguati in termini di richiamo, punteggio F1 e accuratezza media. Tuttavia, la combinazione di questo modello con il modello di memoria a tempo breve lungo (LSMT) ha migliorato significativamente le sue prestazioni complessive. Questa combinazione ha migliorato significativamente l’accuratezza dell’83,67%, il richiamo, il punteggio F1, la macroaccuratezza media e il punteggio kappa di Cohen. Questi miglioramenti hanno permesso di catturare le dipendenze temporali nei dati audio, generando migliori risultati di classificazione.
Analogamente, l’aggiunta del modello Gated Recurrent Unit (GRU) al modello EfficientNet-B7 ha migliorato le prestazioni complessive del modello, raggiungendo un’accuratezza dell’84,03%, superando leggermente il modello LSTM. Inoltre, ha mostrato miglioramenti comparabili in termini di richiamo, punteggio F1, macro-accuratezza media e punteggio kappa di Cohen.
Questa ricerca ha implicazioni significative per l’ornitologia e il monitoraggio ambientale. Automatizzando l’identificazione delle specie di uccelli, i ricercatori possono raccogliere dati in modo più efficiente e accurato, consentendo una comprensione più approfondita delle popolazioni di uccelli e delle loro interazioni con l’ambiente. Inoltre, questo approccio può contribuire allo sviluppo di strategie di conservazione e alla valutazione degli impatti ambientali sulle specie di uccelli.
In conclusione, la combinazione di deep learning trasferito, imaging dello spettrogramma di fusione e RNN offre una soluzione promettente per la classificazione delle specie di uccelli. Sfruttando la potenza dell’intelligenza artificiale e dell’apprendimento automatico, possiamo migliorare la comprensione della biodiversità aviaria e contribuire alla conservazione delle specie di uccelli in tutto il mondo.
Per saperne di più su questo studio, cliccare qui.
Per leggere altre ricerche, consultare l’archivio UNEATLANTICO.
La Fondazione Universitaria Iberoamericana (FUNIBER) offre diversi programmi di studio nel settore dell’ambiente. Se volete saperne di più, cliccate sul seguente link.