Identificación automática de transformación en el bosque seco tropical colombiano usando GMM y UBM-GMM

Autor: Susana Rodríguez-Buriticá, Néstor David Rendón-Hurtado, Claudia Victoria Isaza-Narváez
Jazyk: angličtina
Rok vydání: 2020
Předmět:
Zdroj: Revista Facultad de Ingeniería, Vol 29, Iss 54, Pp e11752-e11752 (2020)
ISSN: 2357-5328
0121-1129
Popis: espanolHoy, los metodos de aprendizaje automatico se han convertido en una herramienta para ayudar a frenar los efectos del calentamiento global, al resolver cuestiones ecologicas. En particular, el bosque seco tropical (BST) de Colombia se encuentra actualmente amenazado por la deforestacion generada, desde la epoca colonial, por la ganaderia, la mineria y el desarrollo urbano. Uno de los desafios urgentes en esta area es comprender la transformacion y degradacion de los bosques. Tradicionalmente, los cambios de los ecosistemas se miden por varios niveles de transformacion (alto, medio, bajo). Estos se obtienen a traves de observacion directa, recuento de especies y medidas de variacion espacial a lo largo del tiempo. Por ende, estos metodos son invasivos y requieren de largos lapsos de observacion en los lugares de estudio. Una alternativa eficaz a los metodos clasicos es el monitoreo acustico pasivo, que es menos invasivo, ya que evita el aislamiento de las especies y reduce el tiempo de los investigadores en los sitios. Sin embargo, implica la generacion de multiples datos y la necesidad de herramientas computacionales destinadas al analisis de las grabaciones. Este trabajo propone un metodo para identificar automaticamente la transformacion del BST mediante grabaciones acusticas, aplicando dos modelos de clasificacion: Gaussian Mixture Models (GMM), por cada region estudiada, y Universal Background Model (UBM), para un modelo general. Ademas, contiene un analisis de indices acusticos, con el fin de detectar los mas representativos para las transformaciones del BST. Nuestra propuesta de GMM alcanzo una precision de 93% y 89% para las regiones de La Guajira y Bolivar. El modelo general UBM logro 84% de precision. EnglishToday, machine learning methods have become a powerful tool to help curb the effects of global warming by solving ecological questions. In particular, the Colombian Tropical Dry Forest (TDF) is an important ecosystem that is currently under threat due to deforestation generated by cattle, mining, and urban development since colonial times. One of the urgent challenges in this area is to understand the threatened ecosystems landscape transformation and forest degradation. Traditionally, environmental conservation experts measure these changes using transformation levels (high, medium, low). These levels have been obtained through direct observation, counting species, and measures of spatial variation through the time. Therefore, these methods are invasive to the study landscapes and require large amounts of time analysis. A proficient alternative to classical methods is the passive acoustic monitoring, as they are less invasive to the environment, avoid seeing the difficulty of species from isolated individuals, and help reduce the time of researchers at the sites. Even though too much data is generated, and computational tools have been required for their analysis. This paper proposes a new method to automatically identify the transformation in the Colombian TDF. The method is based on Gaussian Mixture Models (GMM) and Universal Background Model (UBM). In addition, it includes an acoustic indices analysis to select the most informative variables. The GMM proposal was tested in two local sites (La Guajira and Bolivar regions) and achieved an accuracy of 93% and 89% for each one, and it was obtained 84% with the general UBM model.
Databáze: OpenAIRE
Externí odkaz: