Estimación de distancia de detección de cantos de rana en grabaciones automáticas de ecoacústica

Andrés Estrella-T, Damián Nicolalde-R, Charles Escobar-T

Resumen


La recolección y procesamiento de material bioacústico se ha convertido un verdadero reto debido a la existencia de equipos de grabación cada vez más automáticos y con capacidades de almacenamiento grandes, lo que ha provocado que los científicos tengan acceso a grandes volúmenes de información acústica. Analizar las grabaciones a mano ya no es una opción viable y se ha recurrido al uso de auxiliares de software para análisis automático y semiautomá- tico. Una de las étapas más importantes es la detección del elemento acústico que se desea estudiar y para esto se usan algoritmos de procesamiento digital de señales. Pensando en que las grabaciones deben ser precisas para posteriores análisis, este estudio pretende establecer una guía que permita estimar el rango práctico de detección de cantos usando un algoritmo diseñado para el estudio de cantos en coros de ranas. Para encontrar el alcance de los equipos de grabación (SongMeter 4 (SM4) Wildlife Acoustics Inc.) es necesario que la relación señal-a-ruido del canto sea al menos de 3 dB. En este estudio se comparó el comportamiento del sistema de grabación en dos escenarios, uno considerado en condiciones ideales, donde existió siempre línea de vista entre la fuente sonora y el equipo de grabación (Parque Metropolitano, Quito) y un segundo donde el terreno era irregular y dominaba la vegetación y árboles (Sachatamia Lodge, Mindo). Para realizar las mediciones se estableció una red circular centrada en el micrófono del SM4 con distancia entre mediciones de 1 metro, en los dos lugares estudiados el ruido de fondo se consideró constante. Se comparó la capacidad de detección del canto sin procesar y usando un filtro digital FIR diseñado tomando en cuenta la distribución espectral del canto buscado. Se encontró que la etapa de filtrado es un paso esencial para lograr la detección del canto incluso a cortas distancias. En los resultados cabe destacar: el alcance de detección del sistema combinado (SM4-algoritmo) en condiciones ideales llegó a 120 metros y en condiciones donde predominaba la vegetación y árboles 55 metros.

Texto completo:

PDF

Referencias


Jones C., Warburton B., Carver J., Carver D., Potential applications of wireless sensor networks for wildlife trapping and monitoring programs, Wildlife Society Bulletin 39 (2) (2015) 341–348. doi:10.1002/ wsb.543.

A. Rodriguez, A. Gasc, S. Pavoine, P. Grandcolas, P. Gaucher, J. Sueur, Temporal and spatial variability of animal sound within a neotropical forest, Ecological Informatics 21 (2014) 133–143. doi:10.1016/j.ecoinf.2013.12.006. URL http://dx.doi.org/10.1016/j. ecoinf.2013.12.006

J. Sueur, S. Pavoine, O. Hamerlynck, S. Duvail, Rapid acoustic survey for biodiversity appraisal, PLoS ONE 3 (12). doi:10.1371/journal. pone.0004065.

J. S. Ulloa, A. Gasc, P. Gaucher, T. Aubin, M. Réjou-Méchain, J. Sueur, Screening large audio datasets to determine the time and space distribution of Screaming Piha birds in a tropical forest, Ecological Informatics 31 (2016) 91–99. doi:10.1016/j. ecoinf.2015.11.012. URL http://dx.doi.org/10.1016/j. ecoinf.2015.11.012

J. Sueur, a. Gasc, P. Grandcolas, S. Pavoine, Global estimation of animal diversity using automatic acoustic sensors, Sensors for Ecology: Towards integrated knowledge of ecosystems (2012) 101–119. URL http://sueur.jerome.perso.neuf.fr/ WebPage{_}PapersPDF/Sueuretal{_}INEE{_}2012.pdf

M. Towsey, S. Parsons, J. Sueur, Ecology and acoustics at a large scale, Ecological Informatics 21 (2014) 1–3. doi:10.1016/j. ecoinf.2014.02.002. URL http:// linkinghub.elsevier.com/retrieve/ pii/S1574954114000181

J. Cheng, Y. Sun, L. Ji, A call-independent and automatic acoustic system for the individual recognition of animals: A novel model using four passerines, Pattern Recognition 43 (11) (2010) 3846–3852. doi:10.1016/j.patcog.2010.04.026.

I. Potamitis, S. Ntalampiras, O. Jahn, K. Riede, Automatic bird sound detection in long real-field recordings: Applications and tools, Applied Acoustics 80 (2014) 1–9. doi:10.1016/j.apacoust.2014.01.001.

I. Potamitis, S. Ntalampiras, O. Jahn, K. Riede, Automatic bird sound detection in long real-field recordings: Applications and tools, Applied Acoustics 80 (2014) 1–9. doi:10.1016/j.apacoust.2014.01.001.

M. Towsey, B. Planitz, A. Nantes, J. Wimmer, P. Roe, A toolbox for animal call recognition, Bioacoustics 21 (2) (2012) 107–125. doi:10.108 0/09524622.2011.648753. URL http://www.tandfonline.com/ doi/abs/10.1080/09524622.2011. 648753

E. J. S. Fox, Call-independent identification in birds, School of Animal BiologynnSchool of Computer Science and Software Engineering PhD (2008) 1– 152. doi:10. 1080/09524622.2008.9753590. URL https://repository.uwa.edu. au/R/?func=dbinjumpull{&}object{_}id=10527{&}local{_}base=GEN01-INS01

D. W. Armitage, H. K. Ober, A comparison of supervised learning techniques in the classification of bat echolocation calls, Ecological Informatics 5 (6) (2010) 465–473. doi:10.1016/j.ecoinf.2010.08.001.

D. Chesmore, Automated bioacoustic identification of species., Anais da Academia Brasileira de Ci??ncias 76 (2) (2004) 436–440. doi:10.1590/S0001- 37652004000200037.

A. Farina, S. H. Gage, Ecoacoustics: The Ecological Role of Sounds, Wiley, 2017. URL http://www.wiley. com/WileyCDA/WileyTitle/productCd-1119230691.html{#}seeless-toc

J. Sueur, A. Farina, L. J. Villanueva-Rivera, B. C. Pijanowski, J. Doucette, B. Pekin, J. Wimmer, M. Towsey, B. Planitz, I. Williamson, P. Roe, A. Nantes, J. Wimmer, P. Roe, Ecoacoustics: the Ecological Investigation and Interpretation of Environmental Sound, Biosemiotics 8 (2) (2015) 493–502. doi:10.1007/ s12304-015-9248-x. URL http:// www.tandfonline.com/doi/ a1080/09524622.2011.648753http://dx.doi.org/10.1016/j.future.2012.03.004


Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia