| Journal: | Facultad de Ingeniería - Universidad Pedagógica y Tecnológica de Colombia |
| Database: | PERIÓDICA |
| System number: | 000441622 |
| ISSN: | 0121-1129 |
| Authors: | Rendón Hurtado, Néstor David1 Isaza Narváez, Claudia Victoria1 Rodríguez Buriticá, Susana2 |
| Institutions: | 1Universidad de Antioquia, Medellín, Antioquia. Colombia 2Instituto de Investigaciones en Recursos Biológicos Alexander Von Humboldt, Bogotá. Colombia |
| Year: | 2020 |
| Season: | Ene-Mar |
| Volumen: | 29 |
| Number: | 54 |
| Country: | Colombia |
| Language: | Español |
| Document type: | Artículo |
| Approach: | Experimental, aplicado |
| Spanish abstract | Hoy, los métodos de aprendizaje automático se han convertido en una herramienta para ayudar a frenar los efectos del calentamiento global, al resolver cuestiones ecológicas. En particular, el bosque seco tropical (BST) de Colombia se encuentra actualmente amenazado por la deforestación generada, desde la época colonial, por la ganadería, la minería y el desarrollo urbano. Uno de los desafíos urgentes en esta área es comprender la transformacion y degradación de los bosques. Tradicionalmente, los cambios de los ecosistemas se miden por varios niveles de transformación (alto, medio, bajo). Estos se obtienen a través de observación directa, recuento de especies y medidas de variación espacial a lo largo del tiempo. Por ende, estos métodos son invasivos y requieren de largos lapsos de observación en los lugares de estudio. Una alternativa eficaz a los métodos clásicos es el monitoreo acústico pasivo, que es menos invasivo, ya que evita el aislamiento de las especies y reduce el tiempo de los investigadores en los sitios. Sin embargo, implica la generación de múltiples datos y la necesidad de herramientas computacionales destinadas al análisis de las grabaciones. Este trabajo propone un método para identificar automáticamente la transformación del BST mediante grabaciones acústicas, aplicando dos modelos de clasificación: Gaussian Mixture Models (GMM), por cada región estudiada, y Universal Background Model (UBM), para un modelo general. Además, contiene un análisis de índices acústicos, con el fin de detectar los más representativos para las transformaciones del BST. Nuestra propuesta de GMM alcanzó una precisión de 93% y 89% para las regiones de La Guajira y Bolívar. El modelo general UBM logró 84% de precisión |
| English abstract | Today, machine learning methods have become a powerful tool to help curb the effects of global warming by solving ecological questions. In particular, the Colombian Tropical Dry Forest (TDF) is an important ecosystem that is currently under threat due to deforestation generated by cattle, mining, and urban development since colonial times. One of the urgent challenges in this area is to understand the threatened ecosystems landscape transformation and forest degradation. Traditionally, environmental conservation experts measure these changes using transformation levels (high, medium, low). These levels have been obtained through direct observation, counting species, and measures of spatial variation through the time. Therefore, these methods are invasive to the study landscapes and require large amounts of time analysis. A proficient alternative to classical methods is the passive acoustic monitoring, as they are less invasive to the environment, avoid seeing the difficulty of species from isolated individuals, and help reduce the time of researchers at the sites. Even though too much data is generated, and computational tools have been required for their analysis. This paper proposes a new method to automatically identify the transformation in the Colombian TDF. The method is based on Gaussian Mixture Models (GMM) and Universal Background Model (UBM). In addition, it includes an acoustic indices analysis to select the most informative variables. The GMM proposal was tested in two local sites (La Guajira and Bolivar regions) and achieved an accuracy of 93% and 89% for each one, and it was obtained 84% with the general UBM model |
| Portuguese abstract | Hoje, os métodos de aprendizagem automática se têm convertido em uma ferramenta para ajudar a frear os efeitos do aquecimento global, ao resolver questões ecológicas. Em particular, o bosque seco tropical (BST) da Colômbia encontra-se atualmente ameaçado pelo desmatamento gerado, desde a época colonial, pela pecuária, mineração e pelo desenvolvimento urbano. Um dos desafios urgentes nesta área é compreender a transformação e degradação dos bosques. Tradicionalmente, as mudanças dos ecossistemas são medidas por vários níveis de transformação (alto, médio, baixo). Estes obtêm-se através de observação direta, reconto de espécies e medidas de variação espacial ao longo do tempo. Consequentemente, estes métodos são invasivos e requerem de longos lapsos de observação nos lugares de estudo. Uma alternativa eficaz aos métodos clássicos é o monitoramento acústico passivo, que é menos invasivo, já que evita o isolamento das espécies e reduz o tempo dos pesquisadores nos lugares. Porém, implica a geração de múltiplos dados e a necessidade de ferramentas computacionais destinadas à análise das gravações. Este trabalho propõe um método para identificar automaticamente a transformação do BST mediante gravações acústicas, aplicando dois modelos de classificação: Gaussian Mixture Models (GMM), por cada região estudada, e Universal Background Model (UBM), para um modelo geral. Além, contém uma análise de índices acústicos, com o fim de detectar os mais representativos para as transformações do BST. Nossa proposta de GMM alcançou uma precisão de 93% e 89% para as regiões de La Guajira e Bolívar. O modelo geral UBM logrou 84% de precisão |
| Disciplines: | Biología, Ciencias de la computación |
| Keyword: | Ecología, Procesamiento de datos, Muestreo ecológico, Bosque seco tropical, Ecoacústica, Monitoreo acústico pasivo, Indices acústicos, Aprendizaje de máquinas, Modelos de mezclas gaussianas |
| Keyword: | Ecology, Data processing, Ecological sampling, Tropical dry forest, Ecoacoustics, Passive acoustic monitoring, Acoustic indices, Gaussian mixture model, Machine learning |
| Full text: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
