Resumo

RENDON-HURTADO, Néstor-David; ISAZA-NARVAEZ PH. D, Claudia-Victoria  e  RODRIGUEZ-BURITICA PH. D, Susana. Identificação automática de transformação no bosque seco tropical colombiano usando GMM e UBM-GMM. Rev. Fac. ing. [online]. 2020, vol.29, n.54, e11752.  Epub 30-Dez-2020. ISSN 0121-1129.  https://doi.org/10.19053/01211129.v29.n54.2020.11752.

Hoje, os métodos de aprendizagem automática se têm convertido em uma ferramenta para ajudar a frear os efeitos do aquecimento global, ao resolver questões ecológicas. Em particular, o bosque seco tropical (BST) da Colômbia encontra-se atualmente ameaçado pelo desmatamento gerado, desde a época colonial, pela pecuária, mineração e pelo desenvolvimento urbano. Um dos desafios urgentes nesta área é compreender a transformação e degradação dos bosques. Tradicionalmente, as mudanças dos ecossistemas são medidas por vários níveis de transformação (alto, médio, baixo). Estes obtêm-se através de observação direta, reconto de espécies e medidas de variação espacial ao longo do tempo. Consequentemente, estes métodos são invasivos e requerem de longos lapsos de observação nos lugares de estudo. Uma alternativa eficaz aos métodos clássicos é o monitoramento acústico passivo, que é menos invasivo, já que evita o isolamento das espécies e reduz o tempo dos pesquisadores nos lugares. Porém, implica a geração de múltiplos dados e a necessidade de ferramentas computacionais destinadas à análise das gravações. Este trabalho propõe um método para identificar automaticamente a transformação do BST mediante gravações acústicas, aplicando dois modelos de classificação: Gaussian Mixture Models (GMM), por cada região estudada, e Universal Background Model (UBM), para um modelo geral. Além, contém uma análise de índices acústicos, com o fim de detectar os mais representativos para as transformações do BST. Nossa proposta de GMM alcançou uma precisão de 93% e 89% para as regiões de La Guajira e Bolívar. O modelo geral UBM logrou 84% de precisão.

Palavras-chave : eco acústica; índices acústicos; machine learning; maximum likelihood estimation; modelos de mesclas gaussianas; universal background model.

        · resumo em Espanhol | Inglês     · texto em Espanhol     · Espanhol ( pdf )