Putem învăța multe din natură dacă o ascultăm mai mult și oamenii de știință din întreaga lume încearcă să facă asta. De la vârfurile munților până la adâncimile oceanelor, biologii instalează tot mai multe aparate de înregistrare audio, pentru a asculta discret țipete de animale, fluierături și cântece de balene, zgomote făcute de elefanți, lilieci și păsări. În această vară peste 2.000 de „urechi electronice” vor înregistra peisajul sonor al lanțului muntos Sierra Nevada din California, generând aproape un milion de ore de sunet. Pentru a evita petrecerea mai multor vieți umane decodificându-le, cercetătorii se bazează pe inteligența artificială.
„Datele audio sunt o adevărată comoară, deoarece conțin cantități mari de informații”, spune ecologistul Connor Wood, cercetător postdoctoral al Universității Cornell, care conduce proiectul din Sierra Nevada.
Sistemele de învățare automată (machine learning) precum KatydID, dezvoltat de o echipă de cercetători, sunt sisteme de auto-învățare care utilizează o rețea neuronală. Stefan Kahl, expert în învățarea automată la Cornell’s Center for Conservation Bioacoustics și Chemnitz University of Technology în Germania, a construit BirdNET , unul dintre cele mai populare sisteme de recunoaștere a sunetului produs de păsări:
Echipa lui Wood se va baza pe BirdNET pentru a analiza înregistrările din Sierra Nevada, iar alți cercetători îl folosesc pentru a cerceta efectele poluării luminoase și fonice asupra cântecelor păsărilor din zori, din Parcul Natural Regional Brière din Franța.
Sistemele care se auto-învață
Astfel de sisteme încep prin analizarea mai multor intrări – de exemplu, sute de apeluri de păsări înregistrate, fiecare „etichetat” cu specia corespunzătoare. Rețeaua neuronală se învață apoi pe sine ce caracteristici pot fi utilizate pentru a asocia o intrare (în acest caz, apelul unei păsări) cu o etichetă (identitatea păsării).
Versiunile mai vechi ale software-ului de detectare erau semi-automate: scanau spectrogramele (reprezentări vizuale ale unui semnal audio) pentru a găsi caracteristici stabilite, cum ar fi intervalul de frecvență și durata, pentru a identifica o pasăre după cântecul ei. Acest lucru funcționează bine pentru unele specii. Cântecul cardinalului nordic, de exemplu, începe în mod constant cu câteva note lungi care cresc în ton, urmate de note rapide și scurte, cu o scădere distinctă în ton. Poate fi identificat cu ușurință într-o spectrogramă, la fel ca o melodie compusă, care poate fi recunoscută din partitură.
Dar alte apeluri aviare sunt mai complexe și mai variate și pot deruta sistemele mai vechi: o vrabie cu coroană albă din statul Washington sună foarte diferit de verii săi californieni. Sistemele de învățare automată pot recunoaște astfel de nuanțe.
Aceste sisteme au beneficiat de progresele recente în tehnologia de recunoaștere a vorbirii și a muzicii umane. În colaborare cu Andrew Farnsworth de la Cornell Lab of Ornithology, experții de la Laboratorul de Cercetări Muzicale și Audio ale Universității New York s-au bazat pe experiența lor muzicală pentru a construi un sistem de identificare a păsărilor numit BirdVox. Acesta detectează și identifică păsările care migrează noaptea și distinge cântecul păsărilor de zgomotele de fundal, inclusiv de apelurile broaștei și sunetele insectelor, transportul uman și terestru și surse precum vântul și ploaia.
Cât de bine învață fiecare sistem depinde foarte mult de cantitatea de înregistrări pre-etichetate disponibile. O multitudine de astfel de date există deja pentru păsările comune. Kahl estimează că aproximativ 4,2 milioane de înregistrări sunt disponibile online pentru 10.000 de specii. Dar cele mai multe dintre cele 3.000 de specii pe care BirdNET le poate identifica se găsesc în Europa și America de Nord, iar BirdVox își restrânge atenția asupra cântecelor păsărilor din SUA.