Новый алгоритм распознаёт характерные щелчки дельфинов в подводных записях

Учёные разработали новый алгоритм, способный идентифицировать характерные паттерны щелчков среди миллионов записей, сделанных в дикой природе. Этот подход, представленный в PLOS Computational Biology Кейтлин Фрейзер из Института океанографии Скриппса (Калифорния) и её коллегами, потенциально может помочь различать виды дельфинов в естественной среде.

Исследователи создают автономные подводные акустические сенсоры, которые могут записывать эхолокационные щелчки дельфинов в дикой природе более года. Эти инструменты служат неинвазивным методом для изучения популяций дельфинов, в том числе влияния на них разлива нефти Deepwater Horizon, разработки природных ресурсов и изменения климата.

Поскольку сенсоры записывают миллионы щелчков, человеку сложно распознать в них какие-либо видоспецифичные паттерны. Поэтому учёные использовали достижения в машинном обучении для разработки алгоритма, способного выявлять устойчивые паттерны щелчков в очень больших наборах данных. Алгоритм является «неконтролируемым» — он самостоятельно ищет паттерны и определяет различные типы щелчков, а не «обучается» распознавать уже известные.

Новый алгоритм смог выявить устойчивые паттерны в наборе данных из более 50 миллионов эхолокационных щелчков, записанных в Мексиканском заливе за двухлетний период. Эти типы щелчков были последовательными на разных участках мониторинга в заливе, и один из выявленных типов был ассоциирован с известным видом дельфинов.

Исследовательская группа предполагает, что некоторые из выявленных алгоритмом типов щелчков могут быть сопоставлены с другими видами дельфинов и, следовательно, могут быть полезны для дистанционного мониторинга. Это улучшит большинство современных методов, которые полагаются на визуальные наблюдения с кораблей или самолётов и возможны только в светлое время суток при хороших погодных условиях.

Далее команда планирует интегрировать эту работу с методами глубокого обучения, чтобы улучшить способность идентифицировать типы щелчков в новых наборах данных из разных регионов. Также они проведут полевые работы для проверки, каким видам соответствуют новые типы щелчков, выявленные алгоритмом.

«Интересно думать о том, как алгоритмы машинного обучения, используемые для рекомендации музыки или друзей в соцсетях, могут быть переосмыслены для решения исследовательских задач в экологии, — говорит Фрейзер. — Инновации в сенсорных технологиях открыли шлюзы для данных о природном мире, и сейчас есть большой простор для творчества в анализе экологических данных».