Identificación automática de transformación en el bosque seco tropical colombiano usando GMM y UBM-GMM

Resumen

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.

Palabras clave

ecoacústica, modelos de mezclas gausianas, índices acústicos, machine learning, estimación de máxima verosimilitud, modelo universal

Biografía del autor/a

Néstor David Rendón-Hurtado

Roles: Conceptualización, Investigación, Metodología, Supervisión, Análisis Formal, Validación, Redacción - Revisión y Edición.

Claudia Victoria Isaza-Narváez, Ph. D.

Roles: Análisis Formal, Metodología, Supervisión, Validación, Redacción, Revisión.

Susana Rodríguez-Buriticá, Ph. D.

Roles: Conceptualización , Validación, Revisión.

Referencias

[1] H. Mendoza, “Estructura y riqueza florística del bosque seco tropical en la región Caribe y el valle del río Magdalena, Colombia,” Caldasia, vol. 21 (1), pp. 70-94, 1999.

[2] V. Hutson, and K. Schmitt, “Permanence and the Dynamics of Biological Systems,” Mathematical biosciences, vol. 111 (1), pp. 1-71, 1992. https://doi.org/10.1016/0025-5564(92)90078-b

[3] S. L. Pim, S. Bergl, R. Dehgan, A. Giri, C. Jewell, Z. Joppa, L. Kays, and S. Loarie, “Emerging Technologies to Conserve Biodiversity,” Trends in Ecology and Evolution, vol. 30 (11), pp. 685-696, 2015. https://doi.org/10.1016/j.tree.2015.08.008

[4] R. D. Gregory, and A. Van Strien, “Wild Bird Indicators: Using Composite Population Trends of Birds as Measures of Environmental Health,” Ornithological Science, vol. 9 (1), pp. 3-22, 2010. https://doi.org/10.2326/osj.9.3

[5] J. Sueur, and A. Farina, “Ecoacoustics: The Ecological Investigation and Interpretation of Environmental Sound,” Biosemiotics, vol. 8 (3), pp. 493-502, 2015. https://doi.org/10.1007/s12304-015-9248-x

[6] B. C. Pijanowski, B. M. Napoletano, N. G. Pieretti, B. L. Krause, L. Bernie, L. J. Villanueva, S. L. Dumyahn, and A. Farina, “Soundscape Ecology: The Science of Sound in the Landscape,” Bioscience, vol. 61 (3), pp. 203-216, 2011. https://doi.org/10.1525/bio.2011.61.3.6

[7] J. L. Deichmann O. Acevedo‐Charry, L. Barclay, Z. Burivalova, M. Campos‐Cerqueira, F. d'Horta, E. T. Game, B. L. Gottesman, P. J. Hart, A. K. Kalan, S. Linke, L. Do Nascimento, B. Pijanowski, E. Staaterman, and T. Mitchell Aide, “It’s time to listen: there is much to be learned from the sounds of tropical ecosystems,” BioTropica, vol. 50 (5), pp. 713-718, 2018. https://doi.org/10.1111/btp.12593

[8] J. Sueur, S. Pavoine, O. Hamerlynck, and S. Duvail, “Rapid acoustic survey for biodiversity appraisal,” PLoS One, vol. 3 (12), e4065, 2008. https://doi.org/10.1371/journal.pone.0004065

[9] M. Towsey, L. Zhang, M. Cottman-Fields, J. Wimmer, J. Zhang, and P. Roe, “Visualization of long-duration acoustic recordings of the environment,” Procedia Computer Science, vol. 29, pp. 703-712, 2014. https://doi.org/10.1016/j.procs.2014.05.063

[10] W. E. Gómez, C. V. Isaza, and J. M. Daza, “Identifying disturbed habitats: A new method from acoustic indices,” Ecological Information, vol. 45, pp. 16-25, 2018. https://doi.org/10.1016/j.ecoinf.2018.03.001

[11] D. C. Duque-Montoya, and C. Isaza, “Automatic Ecosystem Identification Using Psychoacoustical Features,” In Proceedings of the International Conference on Pattern Recognition and Artificial Intelligence, pp. 1-4, 2018. https://doi.org/10.1145/3243250.3243251

[12] D. C. Duque-Montoya, “Methodology for Ecosystem Change Assessing using Ecoacoustics Analysis,” Master Thesis, Universidad de Antioquia, Colombia, 2018. http://hdl.handle.net/10495/13302

[13] C. Bedoya, C. Isaza, J. M. Daza, and J. D. López, “Automatic identification of rainfall in acoustic recordings,” Ecological Indicators, vol. 75, pp. 95-100, 2017. https://doi.org/10.1016/j.ecolind.2016.12.018

[14] W. H. Busby, and W. R. Brecheisen, “Chorusing Phenology and Habitat Associations of the Crawfish Frog, Rana areolata (Anura: Ranidae), in Kansas,” The Southwestern Naturalist, vol. 42 (2), pp. 210-217, 1997.

[15] D. Saenz, L. Fitzgerald, K. Baum, and R. Conner, “Abiotic correlates of anuran calling phenology: The importance of rain, temperature, and season,” Herpetological Monographs, vol. 20 (1), pp. 64-82, 2006. https://doi.org/10.1655/0733-1347(2007)20[64:acoacp]2.0.co;2.

[16] P. D. Welch, “The use of fast Fourier transform for the estimation of power spectra: A method based on time averaging over short, modified periodograms,” IEEE Transactions on Audio and Electroacoustics, vol. 15 (2), pp. 70-73, 1967. https://doi.org/10.1109/TAU.1967.1161901.1967

[17] B. C. Pijanowski, E. M. Brinley Buckley, M. Harner, A. Caven, B. Gottesman, and M. Forsberg, “Assessing biological and environmental effects of a total solar eclipse with passive multimodal technologies,” Ecological Indicators, vol. 95, pp. 353-369, 2018. https://doi.org/10.1016/j.ecolind.2018.07.017

[18] P. Virtanen, “SciPy 1.0: fundamental algorithms for scientific computing in Python,” Nat. Methods, vol. 17 (3), pp. 261-272, 2020.

[19] N. N. Kulkarni, and V. K. Bairagi, “Extracting Salient Features for EEG-based Diagnosis of Alzheimer’s Disease Using Support Vector Machine Classifier,” IETE Journal of Research, vol. 63 (1), pp. 11-22, 2017. https://doi.org/10.1080/03772063.2016.1241164

[20] D. Ellis, “librosa: Audio and Music Signal Analysis in Python,” In Proceedings 14th Python Sci. Conf., pp. 18-24, 2015. https://doi.org/10.25080/majora-7b98e3ed-003

[21] G. Varoquaux, L. Buitinck, G. Louppe, O. Grisel, F. Pedregosa, and A. Mueller, “Scikit-learn: Machine Learning Without Learning the Machinery,” GetMobile: Mobile Computing and Communications, vol. 19 (1), pp. 29-33, 2015. https://doi.org/10.1145/2786984.2786995

[22] D. A. Reynolds, T. F. Quatieri, and R. B. Dunn, “Speaker verification using adapted Gaussian mixture models,” Digital Signal Processing., vol. 10 (1-3), pp. 19-41, 2000. https://doi.org/10.1006/dspr.1999.0361

[23] B. De Coensel, Introducing the temporal aspect in environmental soundscape research, 2007.

[24] E. P. Kasten, S. H. Gage, J. Fox, and W. Joo, “The remote environmental assessment laboratory’s acoustic library: An archive for studying soundscape ecology,” Ecological Informatics, vol. 12, pp. 50-67, 2012. https://doi.org/10.1016/j.ecoinf.2012.08.001