O Dr. Eduardo Silva Alvarado, investigador da Universidade Europeia do Atlântico (UNEATLANTICO), está a participar num estudo que propõe uma nova metodologia para a classificação de espécies de aves com o objetivo de preservar a biodiversidade na África Oriental.
A classificação de espécies de aves é muito importante no campo da ornitologia, pois desempenha um papel fundamental na avaliação e monitorização da dinâmica ambiental, incluindo modificações de habitat, comportamento migratório, níveis de poluição e ocorrência de doenças. Os métodos tradicionais de classificação, como a identificação visual, são lentos e exigem um elevado nível de especialização. No entanto, a classificação de espécies de aves com base no áudio é uma abordagem promissora que pode ser utilizada para automatizar a identificação de espécies de aves.
As aves são excelentes indicadores da qualidade ambiental e a sua classificação exacta pode ajudar a compreender as tendências populacionais, os padrões de migração e a saúde dos ecossistemas. É também essencial para o desenvolvimento de planos de conservação eficazes para evitar a extinção de espécies ameaçadas. Por outro lado, a perda de biodiversidade, causada pelas actividades humanas, conduziu a uma crise global que exige a monitorização e a conservação das espécies de aves. A África Oriental alberga numerosas espécies de aves que desempenham um papel vital no ecossistema e na região em termos culturais e económicos. No entanto, a sua monitorização e conservação é um desafio devido à vasta região, ao terreno acidentado e às vocalizações complexas.
Neste contexto, o estudo em que o Dr. Silva participou teve como objetivo estabelecer um sistema de classificação de espécies baseado em áudio para 264 espécies de aves da África Oriental com base nas suas vocalizações, utilizando aprendizagem profunda transferida modificada. Para o efeito, foram desenvolvidas redes de sensores acústicos sem fios combinadas com técnicas de aprendizagem profunda. Estas redes utilizam gravações áudio das vocalizações das aves e transformam os dados áudio em imagens de espetrograma mel. Estas imagens representam os padrões de frequência de forma eficaz e permitem a classificação das espécies de aves.
Foram testados três modelos diferentes de redes neurais recorrentes (RNN) para a classificação de espécies de aves. O modelo inicial, EfficientNet-B7, apresentou uma precisão moderada de 81,82%, identificando corretamente as espécies de aves em cerca de 81,82% dos casos; no entanto, não atingiu níveis adequados em termos de recordação, pontuação F1 e precisão média. No entanto, a combinação deste modelo com o modelo de memória longa de curto prazo (LSMT) melhorou significativamente o seu desempenho global. Esta combinação melhorou significativamente a exatidão em 83,67%, a recordação, a pontuação F1, a exatidão macro média e a pontuação kappa de Cohen. Estas melhorias ajudaram a captar as dependências temporais nos dados de áudio, resultando em melhores resultados de classificação.
Da mesma forma, a adição do modelo Gated Recurrent Unit (GRU) ao modelo EfficientNet-B7 melhorou o desempenho geral do modelo, alcançando uma precisão de 84,03%, superando ligeiramente o modelo LSTM. Também apresentou melhorias comparáveis na recuperação, na pontuação F1, na precisão média macro e na pontuação kappa de Cohen.
Esta investigação tem implicações significativas para a ornitologia e a monitorização ambiental. Ao automatizar a identificação de espécies de aves, os investigadores podem recolher dados de forma mais eficiente e precisa, permitindo uma compreensão mais profunda das populações de aves e das suas interações com o ambiente. Além disso, esta abordagem pode contribuir para o desenvolvimento de estratégias de conservação e para a avaliação dos impactos ambientais nas espécies de aves.
Em conclusão, a combinação de aprendizagem profunda transferida, imagem de espetrograma de mel e RNN oferece uma solução promissora para a classificação de espécies de aves. Ao aproveitar o poder da inteligência artificial e da aprendizagem automática, podemos melhorar a compreensão da biodiversidade aviária e contribuir para a conservação das espécies de aves em todo o mundo.
Para saber mais sobre este estudo, clique aqui.
Para ler mais pesquisas, consulte o repositório da UNEATLANTICO.