Scienty

Ученые из Великобритании и Танзании создали способ автоматической классификации звуков, издаваемых львами, при помощи машинного обучения. Благодаря новому подходу удалось не только детализировать структуру рева, выделив в нем ранее не идентифицированный компонент, но и увеличить точность распознавания конкретных животных до 87%. В процессе работы стало известно, что львы, обитающие в различных регионах Африки, используют разные способы коммуникации.

Фото: img.freepik.com

Каждый лев обладает неповторимым ревом. Эти хищники используют его для обозначения границ своей территории и поддержания контакта с членами прайда. Специалисты в области биологии фиксируют рев для оценки численности популяций.

Ранее исследователи тратили много времени на ручной просмотр аудиозаписей, чтобы выявить и классифицировать уникальные для каждого животного звуки. Этот трудоемкий процесс подвержен влиянию человеческого фактора, поскольку результаты зависят от опыта специалиста: эксперты могут допускать ошибки или по-разному трактовать идентичные звуки. Авторы исследования, опубликованного в журнале Ecology and Evolution, внедрение машинного обучения позволило автоматизировать данный процесс.

Раньше полагалось, что вокализация льва включает в себя три этапа: начальные стоны, последующий громкий рык и завершающее ворчание. Однако, в результате анализа звуковых паттернов ученые доказали, что структура вокализации гораздо сложнее. В частности, в громком рыке был обнаружен дополнительный элемент — промежуточный рык ( intermediary roar).

Применив метод кластеризации K-средних, ученые провели сортировку звуков. Алгоритм самостоятельно научился различать типы звуков, основываясь всего на двух параметрах: продолжительности и максимальной частоте. Классификация оказалась точной на 95,4%.

Наиболее важной информацией для биологов является отчетливый рык. В нем содержится уникальный код, идентифицирующий конкретное животное. Основная сложность при ручном анализе заключалась в том, что эксперты нередко ошибочно принимали настоящий рев за схожие по звучанию звуки, что уменьшало вероятность точного распознавания.

Алгоритм продемонстрировал более высокую эффективность в решении данной задачи по сравнению с экспертами. Применение данных, выбранных нейросетью, позволило увеличить точность определения отдельных львов с 80% (при ручной разметке) до 87%. Программа использует стандартизированные критерии оценки и не подвержена утомлению, что устраняет влияние человеческого фактора.

В ходе исследования ученые выявили интересные аспекты поведения львов. Сопоставив записи, сделанные в Танзании, и данные из Зимбабве, они обратили внимание на различия в частотных характеристиках и продолжительности звуков. Это свидетельствует о наличии географических «акцентов»: популяции из разных регионов Африки издают разные звуки. Данная особенность может создать трудности при разработке единой программы для всего континента, поскольку нейросеть, обученная на «танзанийском диалекте», потребуется дополнительно обучать для работы в Зимбабве.

Существование акцентов у львов может быть обусловлено тем, что молодые особи перенимают навыки рычания у взрослых, передавая их из поколения в поколение. В процессе этого обучения происходят незначительные, случайные изменения, отличающиеся в зависимости от региона. Альтернативная версия заключается в том, что на формирование акцентов влияет рельеф местности и растительность, которые воздействуют на распространение звука. Львы, не осознавая этого, адаптируют свой рык к местным условиям, стремясь к максимальной слышимости.

Установлено, что акустический мониторинг тесно связан с социальными факторами. В Танзании микрофоны не зарегистрировали ни одного рыка от самок. Это объясняется тем, что в период исследования у местных львиц были детеныши, и матери избегали шума, чтобы не привлечь внимание соперниц и других хищников.

Использование нового подхода позволяет трансформировать пассивный акустический мониторинг в доступный и действенный способ охраны окружающей среды. Размещение автономных микрофонов в саванне значительно проще, чем организация экспедиций или поддержание работоспособности сети фотоловушек. Благодаря передаче обработки данных на алгоритмы, биологи смогут точнее определять численность хищников на обширных и труднодоступных территориях.