Le directeur de la Fundación Universitaria Iberoamericana (Fondation universitaire ibéro-américaine, FUNIBER), à son siège au Guatemala, le Dr. Eduardo Silva Alvarado, participe à une étude sur la classification des espèces d’oiseaux à l’aide d’images de spectrogrammes de mél, avec l’aide de l’apprentissage profond.
La classification des espèces d’oiseaux est très importante dans le domaine de l’ornithologie, car elle joue un rôle fondamental dans l’évaluation et le suivi de la dynamique environnementale, y compris les modifications de l’habitat, le comportement migratoire, les niveaux de pollution et l’apparition de maladies. Les méthodes traditionnelles de classification, telles que l’identification visuelle, sont lentes et requièrent un haut niveau d’expertise. Cependant, la classification audio des espèces d’oiseaux est une approche prometteuse qui peut être utilisée pour automatiser l’identification des espèces d’oiseaux.
Les oiseaux sont d’excellents indicateurs de la qualité de l’environnement et leur classification précise peut aider à comprendre les tendances des populations, les schémas de migration et la santé des écosystèmes. Elle est également essentielle pour élaborer des plans de conservation efficaces afin de prévenir l’extinction des espèces menacées. D’autre part, la perte de biodiversité, causée par les activités humaines, a conduit à une crise mondiale qui exige la surveillance et la conservation des espèces d’oiseaux. L’Afrique de l’Est abrite de nombreuses espèces d’oiseaux qui jouent un rôle vital dans l’écosystème et dans la région en termes culturels et économiques. Cependant, la surveillance et la conservation de ces espèces constituent un défi en raison de la vaste région, du terrain accidenté et des vocalisations complexes.
Dans ce contexte, l’étude à laquelle a participé le Dr Silva visait à établir un système de classification audio de 264 espèces d’oiseaux d’Afrique de l’Est sur la base de leurs vocalisations, à l’aide d’un apprentissage profond transféré modifié. Pour ce faire, des réseaux de capteurs acoustiques sans fil combinés à des techniques d’apprentissage profond ont été développés. Ces réseaux utilisent des enregistrements audio des vocalisations des oiseaux et transforment les données audio en images de spectrogrammes mélangés. Ces images représentent efficacement les modèles de fréquence et permettent la classification des espèces d’oiseaux.
Trois modèles différents de réseaux neuronaux récurrents (RNN) ont été expérimentés pour la classification des espèces d’oiseaux. Le modèle initial, EfficientNet-B7, a montré une précision modérée, identifiant correctement les espèces d’oiseaux dans environ 81,82 % des cas; cependant, il n’a pas atteint des niveaux adéquats en termes de rappel, de score F1 et de précision moyenne. Cependant, la combinaison de ce modèle avec le modèle de mémoire à long terme (LSMT) a permis d’améliorer de manière significative ses performances globales. Cette combinaison a amélioré de manière significative la précision de 83,67 %, le rappel, le score F1, la macroprécision moyenne et le score kappa de Cohen. Ces améliorations ont permis de capturer les dépendances temporelles dans les données audio, générant ainsi de meilleurs résultats de classification.
De même, l’ajout du modèle GRU (Gated Recurrent Unit) au modèle EfficientNet-B7 a amélioré les performances globales du modèle, atteignant une précision de 84,03 %, légèrement supérieure à celle du modèle LSTM. Il a également montré des améliorations comparables en termes de rappel, de score F1, de précision macro moyenne et de score kappa de Cohen.
Cette recherche a des implications importantes pour l’ornithologie et la surveillance de l’environnement. En automatisant l’identification des espèces d’oiseaux, les chercheurs peuvent collecter des données de manière plus efficace et plus précise, ce qui permet de mieux comprendre les populations d’oiseaux et leurs interactions avec l’environnement. En outre, cette approche peut contribuer au développement de stratégies de conservation et à l’évaluation des impacts environnementaux sur les espèces d’oiseaux.
En conclusion, la combinaison de l’apprentissage profond transféré, de l’imagerie par spectrogramme mélodique et des RNN offre une solution prometteuse pour la classification des espèces d’oiseaux. En exploitant la puissance de l’intelligence artificielle et de l’apprentissage automatique, nous pouvons améliorer la compréhension de la biodiversité aviaire et contribuer à la conservation des espèces d’oiseaux dans le monde entier.
Pour en savoir plus sur cette étude, cliquez ici.
Pour lire d’autres recherches, consultez le référentiel UNEATLANTICO.
La Fondation universitaire ibéro-américaine (FUNIBER) propose le Master en Ingénierie et Technologie de l’Environnement. Ce programme permet d’acquérir les connaissances et les compétences essentielles pour proposer des solutions stratégiques contribuant à la préservation des ressources naturelles. Si l’environnement vous passionne et que vous voulez faire partie de la solution, étudiez ce master pour vous préparer et contribuer à prendre soin de la planète.