تعزيز دقة اكتشاف نموذج التعرف على الصوت للطيور عبر الانحدار اللوجستي لمجموعات البيانات الصوتية الكبيرة: دراسة حالة لطائر روبن الأوروبي (Erithacus rubecula)

يركز بحثنا على تطوير إطار عمل يساعد علماء الصوتيات الحيوية على تحسين دقة الكشف الآلي عن الأنواع الصوتية. بدون التكوين المناسب، تواجه نماذج التعرف على الصوت في الطيور صعوبة في اكتشاف الأصوات بدقة. يهدف هذا البروتوكول إلى زيادة الدقة من خلال تحديد عتبات درجات الثقة الخاصة بالأنواع والموقع.

للبدء، قم بتوصيل كل وحدة ARU بشكل فردي بجهاز كمبيوتر باستخدام كابل نقل البيانات وقم بتحويل وحدات ARU إلى وضع USB. استخدم تطبيق تكوين أجهزة AudioMoth ARU لضبط وحدات ARU لتحديد فترات السكون وفترات التسجيل النشطة. حدد الفترات الزمنية التي تكون فيها الأنواع المستهدفة أكثر نشاطا، وجدولة فترات التسجيل وفقا لذلك.

أضف عدة فترات تسجيل وجدولة تواريخ التسجيل باختيار أول وآخر تاريخ تسجيل. استخدم تطبيق تكوين أجهزة ARU لضبط الأجهزة على التسجيل بمعدل أخذ عينات 48 كيلوهرتز مع كسب متوسط. أدخل كل جهاز ARU في كيس زيبلوك مضاد للساكتن الساكنة ووضع شريط إضافي مقاوم للماء حسب الحاجة لمنع تلف المياه.

ثم قم بنشر أجهزة ARU في الميدان وتحويلها إلى وضع مخصص. نقل جميع ملفات الموجة من كل بطاقة ذاكرة قابلة للإزالة إلى جهاز كمبيوتر. افتح برنامج Raven Pro 1.6 لتحليل الصوتيات الحيوية واختر الأدوات، ثم الكاشف، واختر كاشف التعلم من القائمة المنسدلة.

في نافذة اختيار مدخلات الكاشف، اختر التصفح. في نافذة Open Sound Files التالية، اختر جميع ملفات الموجة داخل مجلد ARU المعني واضغط على فتح. سيفتح هذا نافذة تكوين الصوت الجديد.

في نافذة تكوين الصوت الجديد، تحت التنبيه وصوت الصفحة، أدخل حجم الصفحة المناسب لطول كل تسجيل. ثم، تحت قسم الملفات المتعددة، اختر فتح كتسلسل ملف في نافذة واحدة واضغط على موافق. تظهر نافذة منبثقة لتسلسل الملف المفتوح ونافذة اختيار مدخلات الكاشف، تظهر إضافة ملفات مختارة إلى التسلسل. في نافذة اختيار مدخلات الكاشف العائدة، اختر شكل الموجة تحت الإشارات والعروض المتاحة ونقلها إلى المدخلات المطلوبة باستخدام زر السهم.

تأكد من أن الحالة تحت المدخلات المطلوبة تتغير إلى جاهزة واضغط على موافق. سيفتح هذا نافذة كاشف تكوين تعلم الآلة. داخل نافذة تكوين كاشف تعلم الآلة، تحت تبويب المدخلات، اختر النموذج المطلوب من اختيار النموذج. اترك التداخل عند الافتراضي صفر ثانية.

انقر على تبويب المخرجات. افتح القائمة المنسدلة لملف فئة الإخراج واختر قائمة المخرجات التي تتوافق مع الموقع الجغرافي للدراسة. خفض العتبة إلى 0.1 واختر تطبيق الجميع.

تأكد من ضبط جميع قيم العتبة في قائمة الأنواع على 0.1. اختر خيار قمع جميع الأنواع بحيث يتم اختيار جميع الأنواع. حدد موقع النوع المستهدف وقم بإلغاء تحديده في عمود القمع.

اختر OK لبدء معالجة كاشف التعلم. راقب مدير التقدم لتتبع نسبة الإنجاز والوقت المتبقي. افتح جدول اختيار كاشف التعلم المحفوظ وانقله إلى برنامج جداول البيانات.

تأكد من أن النوع المستهدف فقط يظهر تحت عمود التسمية. احذف جميع الأعمدة، باستثناء أعمدة الاختيار والدرجة. أضف عمودا جديدا باستخدام دالة العشوائية، وقم بفرز الصفوف بناء على هذا العمود، ثم احذف عمود العشوائية.

احتفظ بأول 300 اكتشاف عشوائي أو احتفظ بالجميع إذا كان هناك أقل من 300. احفظ مجموعة بيانات التحقق باستخدام اسم ARU ومعرف، مثل AM1_ValidationDataset. افتح برنامج Raven Pro 1.6 لتحليل الصوتيات الحيوية واختر الملف.

ثم افتح ملفات الصوت لاختيار جميع ملفات الموجة المقابلة، ثم اضغط على فتح. سيفتح هذا نافذة تكوين الصوت الجديد. في نافذة تكوين الصوت الجديد تحت الصفحة، اختر صوت الصفحة وأدخل حجم الصفحة المستخدم سابقا.

بعد ذلك، تحت عدة ملفات، اختر فتح كتسلسل ملف في نافذة واحدة واضغط موافق. سيضيف هذا الملفات المختارة إلى التسلسل ويفتح الطيف الطيفي لكل ملف بين عدة ملفات محددة. انتقل إلى ملف واختر جدول الاختيار المفتوح لفتح جدول اكتشاف التعلم لوحدة ARU التي يتم تحليلها. في اللوحة على يسار عرض الصوت تحت تبويب التخطيطات والعروض، قم بإلغاء تحديد عرض الموجة، بحيث تظهر جميع الملفات في عرض الطيف الطيفي.

افتح جدول التحقق إلى جانب برنامج تحليل الصوتيات الحيوية مع البيانات المحضرة. أنشئ عمودا جديدا في الجدول وصنفه على أنه تم اكتشافه بشكل صحيح. من جدول البيانات، اختر رقما من القائمة العشوائية وأدخله في حقل الرسم داخل عرض الطيف.

ثم اضغط على تشغيل. أدخل 1 للكشف الصحيح أو 0 للكشف الخاطئ في عمود الاكتشاف الصحيح. احسب دقة الكاشف باستخدام عدد الاكتشافات الصحيحة وإجمالي الاكتشافات المثبتة، واضرب في 100 ليتم التعبير عنه كنسبة مئوية.

استخدم برنامج RStudio لاستيراد مجموعة بيانات التحقق التي تم إنشاؤها في القسم السابق. تشغيل انحدار لوجستي على مجموعة البيانات باستخدام دالة النمذجة الخطية المعممة مع مجموعة العائلة كثنائية الحدين. اضبط احتمال الدقة المطلوب على 0.9، بحيث يكون احتمال الكشف إيجابيا حقيقيا 90٪ أو أكثر.

احسب العتبة المثلى عن طريق حل معادلة الانحدار اللوجستي الملاءمة لقيمة المتنبئ وتحقق من قيمة العتبة المكتسبة. أعد تشغيل كاشف التعلم على وحدة ARU التي يتم التحقيق فيها باستخدام إعداد الكاشف السابق. اختر ملفات الصوت.

أدخل حجم الصفحة واختر تسلسل فتح كملف في نافذة واحدة. بعد ذلك، اختر شكل الموجة في نافذة اختيار مدخلات الكاشف وانقل الملف إلى المدخلات المطلوبة باستخدام زر السهم واضغط على موافق. تحت تبويب المدخلات في نافذة تكوين كاشف تعلم الآلة، اختر النموذج المطلوب وتحقق من أن التداخل مضبوط على صفر ثانية. بعد ذلك، في تبويب المخرجات، اختر الموقع الجغرافي في ملف فئة الإخراج وغير العتبة للنوع المستهدف إلى العتبة المحددة في الخطوة السابقة واختر تطبيق الكل.

ثم اختر خيار قمع جميع الأنواع. قم بإلغاء تحديد مربع الأنواع المستهدفة واضغط على موافقة لفتح نافذة مدير التقدم. وأخيرا، أنشئ قائمة جديدة من الاكتشافات بدقة محسنة وعدد أقل من الإيجابيات الكاذبة باستخدام القيمة العتبية المحسنة.

أظهرت النتائج التمثيلية من تحليل البيانات الصوتية لطائر الروبن الأوروبي التي جمعت في حديقة في ليفربول، وهو موقع غابي متجدد طبيعيا داخل منتزه كيرنغورمز الوطني، وموقع ضاحي في غلاسكو كيف أن عتبات درجات الثقة المستمدة إحصائيا حسنت من دقة الكشف عبر بيئات صوتية متغيرة. حدد تحليل الانحدار اللوجستي عتبة درجة ثقة مثلى تبلغ 0.54 لموقع ليفربول بارك و0.23 لموقع كيرنغورمز لتحقيق معدل دقة 90٪ أو أعلى. إعادة تشغيل الكاشف في موقعي ليفربول بارك وكيرنجورمز مع العتبة المحسنة زادت دقة الكشف إلى أكثر من 90٪ في ظروف التداخل الصفري والثاني.

إعادة تشغيل الكاشف في موقع ضاحية غلاسكو مع عتبة محسنة 0.36 حسنت دقة الكشف، لكن الدقة الإجمالية بعد الانحدار بقيت أقل من 90٪ في ظروف التداخل الصفري والثاني. يتيح هذا البروتوكول للباحثين توليد اكتشافات دقيقة للأنواع المستهدفة ضمن مجموعات بيانات كبيرة ومتنوعة صوتيا. بينما يقلل هذا البروتوكول من الإيجابيات الكاذبة، مما يزيد من دقة الكشف، قد يفوت بعض الاكتشافات الحقيقية، مما يبرز مقايضة رئيسية مع الاستدعاء.

بعد إنتاج اكتشافات دقيقة، يمكن تدوين الأصوات داخل برنامج لاستخراج المعامل وتحليل السلوكيات الصوتية بشكل أعمق.