Processing of bowhead whale vocalisations and handling of acoustic recording equipment

• Main Author: Aubach Ratcliffe, Júlia Neus
• Other Authors: Universitat Politècnica de Catalunya. Departament d'Enginyeria Electrònica, Van der Schaar, Mike Connor Roger Malcolm
• Format: Bachelor Thesis
• Language: English
• Published: Universitat Politècnica de Catalunya 2023
• Subjects: Àrees temàtiques de la UPC::Enginyeria de la telecomunicació::Processament del senyal::Processament de la parla i del senyal acústic; Bioacoustics; Machine learning; Signal processing; acoustic recording hardware; arctic soundscapes; bat vocalisations; bowhead whale; supervised learning; unsupervised learning; whale song; Animals > Sons; Aprenentatge automàtic; Tractament del senyal; Animal sounds; Balaena mysticetus; Groenlandia
• Online Access: http://hdl.handle.net/2117/397581

En entorns foscos i de difícil accés, l'aplicació del monitoratge acústic passiu (MAP) ha demostrat ser essencial per a una millor comprensió del comportament dels animals i la biodiversitat. La implementació de MAP ha posat en manifest la necessitat de mètodes de aprenentatge automàtic (machine learning, ML) per detectar i classificar senyals en paisatges sonors complexos. Aquesta tesi té com a objectiu trobar les aplicacions i les limitacions d'un conjunt d’algoritmes basats en ML, anomenats soundscape_IR, per intentar detectar i classificar una sèrie de crits d'ecolocalització de diferents espècies de ratpenats i unitats de cant de la balena de Groenlandia (Balaena mysticetus) etiquetades. Els resultats mostren que els models entrenats mitjançant la els algoritmes examinats només es poden utilitzar com a detectors, no com a classificadors, ja que no són específics de les dades en què s'han entrenat. Malgrat el rendiment pobre del model, els algoritmes encara es poden utilitzar per a la detecció de senyals en conjunts de dades extensos, accelerant així el procés d'anàlisi de dades. Paral·lelament, es realitzen una sèrie de proves a l'aigua per avaluar la sensibilitat de dos hidròfons. En entornos oscuros y de difícil acceso, la aplicación del monitoreo acústico pasivo (MAP) ha demostrado ser esencial para una mejor comprensión del comportamiento animal y la biodiversidad. La implementación de MAP ha puesto de relieve la necesidad de métodos de aprendizaje automático (machine learning, ML) para detectar y clasificar señales en paisajes sonoros complejos. Esta tesis tiene como objetivo probar las aplicaciones y limitaciones de una de un conjunto de algoritmos basados en ML, anomenado soundscape_IR, para intentar detectar y clasificar una variedad de gritos de ecolocalización de diferentes especies de murciélagos y unidades de canto etiquetadas de ballenas de Groenlandia (Balaena mysticetus). Los resultados muestran que los modelos entrenados con los algoritmos examinados solo pueden servir como detectores, no ...