97889 64456 72312 47532 85224 72311 99738 05314 18822 88877 83701 91188 72106 98803 83485 70762 67561 00923 55229 06479 57972 59061 74949 93171 14807 03728 86417 14924 55271 76483 09709 80826 48003 69756 41326 33857 90179 16007 50123 74390 32549 30315 44217 63317 75601 80709 41762 62320 18455 61834 28274 17965 11564 40730 97515 38882 00045 18375 34435 87730 65633 86354 42635 03181 37624 00288 29224 98754 64198 42645 13159 80277 57942 84214 09885 11406 37363 27238 16160 82824 82750 03902 45252 98749 86602 85405 74120 11069 70749 63642 54482 33973 81058 25338 11638 53184 38067 75862 58160 05931 81160 94118 63131 11678 37627 13358 15577 41533 20376 02073 54475 97260 40548 91470 84971 47067 00960 20371 54295 32383 70544 08125 72446 96640 07075 16165 30869 08344 20223 85830 11652 84248 58240 18720 83640 74865 63798 26432 11368 91553 98930 40390 63732 07578 52004 83379 91665 87295 27594 70342 33614 00445 56766 74846 32119 67664 51801 34739 44392 32414 80290 43295 50949 32938 59188 82226 64963 12065 07486 96473 17151 41690 05059 80565 72757 89563 68610 87113 78719 74762 26213 13426 23716 54025 70952 73308 30338 98371 80443 39662 15506 33308 53719 47268 57523 71539 98084 43052 68615 92226 35372 86296 82533 08533 12606 77475 19780 50069 42332 94775 84463 97795 86712 89454 36026 27730 87899 25252 69813 38682 Forscher hören Insekten zu, um die Umweltgesundheit besser beurteilen zu können – MJRBJC
Forscher von UMass Amherst hören den weltweit führenden Insekten zu, um die Umweltgesundheit besser beurteilen zu können

„Insekten beherrschen die Welt“, sagt Figueroa, und man erkennt sie an ihren charakteristischen Geräuschen. Bildnachweis: Paul Wright

Eine aktuelle Studie der University of Massachusetts Amherst untersucht, inwieweit maschinelles Lernen verschiedene Insektenarten anhand ihres Klangs identifizieren kann, von Malaria übertragenden Mücken und getreidehungrigen Rüsselkäfern bis hin zu bestäubenden Bienen, Feldfrüchten und saftsaugenden Zikaden.

Wenn wir der Insektenwelt zuhören, können wir die Entwicklung von Insektenpopulationen überwachen und uns so über den allgemeinen Gesundheitszustand der Umwelt informieren. Die Studie, veröffentlicht in der Zeitschrift für Angewandte Ökologieschlägt vor, dass maschinelles Lernen und Deep Learning zum Goldstandard für die automatisierte bioakustische Modellierung werden und dass Ökologen und Experten für maschinelles Lernen fruchtbar zusammenarbeiten können, um das volle Potenzial der Technologie zu entwickeln.

„Insekten regieren die Welt“, sagt Laura Figueroa, Assistenzprofessorin für Umweltschutz an der UMass Amherst und Hauptautorin des Artikels. „Einige sind Überträger von Krankheiten und Schädlingen, während andere nahrhafte Pflanzen bestäuben und Nährstoffe recyceln. Sie bilden die Grundlage von Ökosystemen auf der ganzen Welt und dienen als Nahrung für Tiere von Vögeln und Fischen bis hin zu Bären und „Überall, wo wir hinschauen, gibt es Insekten, aber.“ Es ist schwer, ein Gefühl dafür zu bekommen, wie sich ihre Populationen verändern.“

Tatsächlich verändern sich die Insektenpopulationen im Zeitalter chemischer Pestizide, des Klimawandels und anderer Umweltstressoren dramatisch. Einige Arten, wie zum Beispiel Bestäuber, die jedes Jahr weltweit für mehr als 200 Milliarden US-Dollar an Ökosystemdienstleistungen verantwortlich sind, scheinen zu verschwinden, während andere, wie zum Beispiel Mücken, die Malaria, Dengue-Fieber und andere Krankheiten übertragen können. Andere Krankheiten scheinen auf dem Vormarsch zu sein . Dennoch kann es schwierig sein, sich ein klares Bild davon zu machen, wie sich Insektenpopulationen verändern.

Bei vielen traditionellen Methoden zur Probenahme von Insektenpopulationen werden Entomologen ins Feld geschickt, um einzelne Arten zu sammeln und zu identifizieren. Obwohl diese Methoden zuverlässige Ergebnisse liefern können, erfordern sie auch viel Zeit und Ressourcen und sind für gefangene Insekten oft tödlich. Hier kommt KI ins Spiel.

„Nachdem ich über ein Jahrzehnt lang auf dem Feld gearbeitet habe, kann ich den Unterschied zwischen dem Summen einer Biene und dem einer Fliege erkennen“, sagt Figueroa. „Da viele, aber nicht alle Insekten Geräusche machen, sollten wir in der Lage sein, KI-Modelle zu trainieren, sie anhand der einzigartigen Geräusche zu identifizieren, die sie machen.“

Tatsächlich gibt es ein solches Training bereits, aber was sind die besten KI-Methoden?

Um diese Frage zu beantworten, führten Figueroa und Kollegen, darunter die Hauptautorin Anna Kohlberg, die diese Forschung während ihrer Arbeit in Figueroas Labor durchführte, eine systematische Literaturrecherche durch, um Studien zu analysieren, bei denen verschiedene Arten automatisierter bioakustischer Modelle zur Identifizierung von Insekten verwendet wurden. Sie fanden Muster für 302 verschiedene Arten in neun taxonomischen Ordnungen. Sie teilten die resultierenden Modelle in drei große Kategorien ein: nicht-maschinelles Lernen, maschinelles Lernen und tiefes Lernen.







Das charakteristische Summen einer Biene, die auf der Suche nach Nektar und Pollen ihre Runden dreht. Bildnachweis: Laura Figueroa

Nicht-maschinelle Lernmodelle verknüpfen Insektenrufe mit bestimmten Markern, auf die menschliche Forscher als Identifikationsschlüssel verweisen, beispielsweise einem bestimmten Frequenzband im Ruf einer Katydide. Das Modell „horcht“ dann auf diese spezifischen, vom Menschen vorgegebenen Signale.

Maschinelles Lernen hingegen verwendet keinen vordefinierten Satz von Markern, sondern verlässt sich stattdessen auf einen flexiblen Rechenrahmen, um relevante Muster in Geräuschen zu finden, und ordnet diese Muster dann den bioakustischen Daten zu, auf denen es trainiert wurde.

Deep Learning, eine spezielle Form des maschinellen Lernens, basiert auf fortschrittlicheren neuronalen Computer-Frameworks, die dem Modell mehr Flexibilität verleihen, um relevante bioakustische Muster effizient zu identifizieren. Es zeigt sich, dass Modelle, die auf Deep Learning basieren, am besten abschneiden. Einige der Besten können Hunderte von Arten mit einer Genauigkeit von über 90 % klassifizieren.

„Das bedeutet nicht, dass KI alle traditionellen Überwachungsansätze ersetzen kann oder sollte“, sagt Kohlberg, und es gibt Grenzen für ihre Möglichkeiten. Die meisten Modelle erfordern große Datensätze zum Trainieren, und obwohl sie immer besser mit kleineren Datensätzen arbeiten können, bleiben sie datenintensive Werkzeuge. Darüber hinaus machen nicht alle Insekten Geräusche wie Blattläuse. Und sehr laute Umgebungen, wie beispielsweise eine städtische Umgebung, können die Schallüberwachungsbemühungen leicht stören.

„Automatisierte Bioakustik ist ein Schlüsselwerkzeug in einem vielfältigen Werkzeugkasten, mit dem wir diese wichtigen Organismen überall auf der Welt effektiv überwachen können“, sagt Kohlberg.

Mehr Informationen:
Von Summen zu Bytes: eine systematische Überprüfung automatisierter bioakustischer Modelle zur Erkennung, Klassifizierung und Überwachung von Insekten. Zeitschrift für Angewandte Ökologie (2024). DOI: 10.1111/1365-2664.14630. besjournals.onlinelibrary.wile … 1111/1365-2664.14630

Zur Verfügung gestellt von der University of Massachusetts Amherst

Zitat: Automatisierte Bioakustik: Forscher hören Insekten zu, um die Umweltgesundheit besser einzuschätzen (4. April 2024), abgerufen am 4. April 2024 von https://phys.org/news/2024-04-automated-bioacoustics-insects-gauge-environmental. HTML

Dieses Dokument unterliegt dem Urheberrecht. Mit Ausnahme der fairen Nutzung für private Studien- oder Forschungszwecke darf kein Teil ohne schriftliche Genehmigung reproduziert werden. Der Inhalt dient lediglich der Information.

By rb8jg

Leave a Reply

Your email address will not be published. Required fields are marked *

Failed to fetch data from the URL.