Ученые разработали новый алгоритм, который может идентифицировать различные модели щелчков дельфинов среди миллионов щелчков в записях диких дельфинов. Этот подход, представленный в PLOS Computational Biology Кейтлин Фрейзер из Института океанографии Скриппса, Калифорния, и его коллеги, потенциально может помочь различать виды дельфинов в дикой природе.
Фрейзер и ее коллеги создают автономные подводные акустические датчики, которые могут регистрировать эхолокационные щелчки дельфинов в дикой природе более года за один раз. Эти инструменты служат неинвазивными инструментами для изучения многих аспектов популяций дельфинов, в том числе того, как на них влияет разлив нефти Deepwater Horizon, освоение природных ресурсов и изменение климата..
Поскольку датчики записывают миллионы щелчков, человеку трудно распознать какие-либо характерные для вида закономерности в записях. Таким образом, исследователи использовали достижения в области машинного обучения для разработки алгоритма, который может обнаруживать последовательные шаблоны кликов в очень больших наборах данных. Алгоритм является «неконтролируемым», что означает, что он ищет шаблоны и определяет различные типы кликов самостоятельно, вместо того, чтобы «учиться» распознавать уже известные шаблоны.
Новый алгоритм смог определить устойчивые закономерности в наборе данных из более чем 50 миллионов щелчков эхолокации, зарегистрированных в Мексиканском заливе за двухлетний период. Эти типы щелчков были одинаковыми на участках мониторинга в разных регионах Персидского залива, и один из обнаруженных типов щелчков связан с известным видом дельфинов.
Исследовательская группа предполагает, что некоторые из последовательных типов щелчков, обнаруженных алгоритмом, могут быть сопоставлены с другими видами дельфинов и, следовательно, могут быть полезны для удаленного мониторинга диких дельфинов. Это улучшит большинство современных методов мониторинга, которые полагаются на визуальные наблюдения людей с больших кораблей или самолетов и возможны только при дневном свете и хороших погодных условиях.
Далее команда планирует интегрировать эту работу с методами глубокого обучения, чтобы улучшить их способность идентифицировать типы кликов в новых наборах данных, записанных в разных регионах. Они также проведут полевые исследования, чтобы проверить, какие виды соответствуют некоторым новым типам кликов, выявленным алгоритмом.
«Забавно думать о том, как алгоритмы машинного обучения, используемые для подсказки музыки или друзей в социальных сетях, могут быть переосмыслены, чтобы помочь в решении задач экологических исследований», - говорит Фрейзер.«Инновации в сенсорных технологиях открыли шлюзы для данных о мире природы, и сейчас есть много возможностей для творчества в анализе экологических данных».