热带蛙类群落音频记录中的存在-缺失估计

研究蛙类群落的一种非侵入性方法是分析包含鸣叫的长时段声学材料样本。机器学习工具的发展优化了从此类海量任务中提取生态信息的流程。我们探索了一种基于 10 种蛙类高斯混合模型分类的似然比音频检测器，并将其应用于估算厄瓜多尔亚马逊亚苏尼国家公园实际两栖动物监测所得音频记录中的存在-缺失。我们使用改进的滤波器组提取 20 个倒谱特征以建模蛙鸣的频谱内容。实验研究了超参数以及训练准确 GMM 分类器所需的最小蛙鸣时长。使用 64 个高斯分量与 12 秒训练时长，该分类器在九类物种的 10 折交叉验证上取得平均加权错误率 0.9%，而 MFCC 为 3%，PLP 特征为 1.8%。测试阶段，使用全部可用训练-验证数据集训练 10 个 GMM，以研究 2001 年用模拟设备在两地蛙类群落录制的 141 段各 10 分钟、共 23.5 小时的未标识真实世界音频。为评估自动存在-缺失估计，我们用 10 个二值变量刻画每段音频样本，各对应一种蛙类，并用耳机人工标注了其中 18 段的子集。召回率 87.5%、精确率 100%、平均准确率 96.66% 表明算法具有良好的泛化能力，并证明该方法用于研究热带声学环境真实世界录音的有效性。最后，我们将算法应用于现有语料库，展示其在洞察蛙类时间繁殖行为方面的潜力。