راهنماهوش مصنوعی و بیوآکوستیک در حیاتوحشویرایش ۱بهروزرسانی
هوش مصنوعی و بومشناسی صوتی در حفاظت از حیاتوحش
پژوهشگران حوزه حفاظت با بهرهگیری از یادگیری ماشین بر روی دستگاههای محلی، میلیونها فایل صوتی زیستمحیطی را بهصورت بلادرنگ پردازش میکنند. این گذار از بازبینی دستی به پردازش لبهای، امکان رمزگشایی بلادرنگ از ارتباطات گونهها و مقابله سریع با تهدیدات محیطزیستی را فراهم ساخته است.
به قلم پیام نورانی
این خبر را به اشتراک بگذارید
بهطور خلاصه
- هوش مصنوعی با حذف گلوگاه پردازش دستی دادهها در بومشناسی صوتی، تحلیل هزاران ساعت فایل ضبطشده را ظرف چند دقیقه ممکن کرده است.
- پژوهشگران با مهاجرت از سرورهای ابری به سوی پردازش لبهای، شبکههای عصبی را روی خود حسگرها اجرا میکنند تا محدودیت پهنای باند مخابراتی بیاثر شود.
- مدلهای یادگیری خودنظارتی اکنون آواهای زیستی را در اکوسیستمهای ناشناخته بدون نیاز به مجموعهدادههای برچسبگذاریشده و گرانقیمت شناسایی میکنند.
مهمترین زیستبومهای جهان با چشماندازهای صوتی منحصربهفردشان شناخته میشوند؛ از بانگهای هشدار گیبونها در اعماق آمازون تا آواهای بم و فرکانسپایین فیلهای جنگلی، حیاتوحش پیوسته و در پهنههای وسیع با یکدیگر در ارتباط است. دانشمندان همواره استراقسمع این زیستگاهها را کمتهاجمترین شیوه برای ارزیابی سلامت اکوسیستمها میدانستند.[6]
بااینحال، ضبط صوت تنها گام نخست این مسیر بود. تا همین اواخر، مطالعه بومشناختی از طریق صدا مستلزم اعزام پژوهشگران به مناطق صعبالعبور، نصب دستگاههای ضبط، و بازگشت چند ماه بعد برای جمعآوری فیزیکی هارددیسکها بود؛ فرآیندی که پروژهها را با تنگنای تحلیلی طاقتفرسایی مواجه میکرد.[7]
کارشناسان ناچار بودند ساعتها فایل صوتی ممتد را گوش دهند تا آوای یک گونه خاص را تفکیک و استخراج کنند. این بازبینی دستی چنان زمانبر و فرسایشی بود که اغلب در زمان کشف افت جمعیت یک گونه، آسیب اکولوژیک رخ داده و فرصت مداخله از دست رفته بود.[7]
حجم سرسامآور دادههای حاصل از ضبط پیوسته، تحلیل سنتی را در ابعاد بینالمللی عملاً ناممکن ساخته بود. کنشگران محیطزیست به راهکاری نیاز داشتند که سالها داده صوتی را ظرف چند دقیقه پردازش کند و بار شنیدن را از گوش انسان به سامانههای خودکار بسپارد.[9]
تنگنای انباشت دادهها
پیوند هوش مصنوعی با علم بومشناسی صوتی، روال زمانی پژوهشهای زیستمحیطی را دگرگون کرد. الگوریتمهای یادگیری ماشین که بهطور ویژه برای تحلیل کلاندادهها توسعه یافته بودند، شناسایی و طبقهبندی آواهای حیاتوحش را با دقتی چشمگیر و بهصورت خودکار آغاز کردند.[9]
این سامانهها بهجای شنیدن امواج صوتی، صوت را به بازنماییهای دیداری موسوم به اسپکتوگرام مل (Mel spectrogram) تبدیل میکنند. این نمودارها شدت فرکانس را در طول زمان به تصویر میکشند و به شبکههای عصبی پیچشی امکان میدهند تا امضای صوتی گونههای مختلف را مانند تصویر «ببینند» و ارزیابی کنند.[1]
مرکز بومشناسی صوتی کی. لیزا یانگ در آزمایشگاه پرندهشناسی کرنل، با همکاری دانشگاه صنعتی کمنیتس آلمان، یکی از جامعترین پلتفرمها را در این حوزه پیریزی کرد. پروژه BirdNET این مجموعه از یادگیری ژرف برای تفکیک گونههای پرندگان از فایلهای صوتی خام بهره میبرد.
استفان کال، مدیر توسعه فنی BirdNET، توضیح میدهد: «اصول راهنمای طراحی ما دو محور کلیدی بود: یک الگوریتم دقیق و یک رابط کاربری ساده.» این پلتفرم فایل صوتی را به برشهای سهثانیهای تقسیم میکند و آنها را وارد شبکه عصبی میسازد تا صدای پرنده از پارازیتهای زمینه تفکیک شود.[3]
ورود شبکههای عصبی به میدان
از زمان راهاندازی اولیه در سال ۲۰۱۸، مدل BirdNET رشدی چشمگیر داشته است. این سیستم اکنون قادر به شناسایی بیش از ۱۱ هزار گونه پرنده در سراسر جهان است؛ تحولی که بومشناسی صوتی را از یک حوزه آکادمیک محدود به زیرساختی مقیاسپذیر برای حفاظت جهانی تبدیل کرده است.[4]
این مدل بر پایه صدها هزار ساعت آوای ثبتشده از حیوانات آموزش دیده که از آرشیوهای عمومی عظیمی مانند کتابخانه مکالی گردآوری شدهاند. فایلها فیلتر صوتی شده و دادهها تقویت میشوند تا اطمینان حاصل شود که مدل حتی در مواجهه با بادهای تند یا بارانهای سیلآسا کارایی خود را حفظ میکند.
این تابآوری اهمیتی حیاتی دارد، زیرا چشماندازهای صوتی طبیعی پرآشوب و پیچیدهاند. یک قطعه فایل ضبطشده ممکن است همزمان شامل صدای حشرات، دوزیستان و پرندگان باشد و همزمان با غرش یک هواپیمای در حال گذر یا خشخش برگها همپوشانی پیدا کند.
پژوهشگران برای مدیریت این پیچیدگی بهطور فزایندهای به یادگیری ژرف خودنظارتی روی آوردهاند. طبق ارزیابی تیم تحقیقاتی در Colossal، ساخت مدلهای نظارتشده مستلزم برچسبگذاری دستی دادهها است که فرآیندی کند و پرهزینه محسوب میشود، درحالیکه مدلهای خودنظارتی الگوهای پنهان را بدون مداخله انسانی استخراج میکنند.[9]
این مزیت به الگوریتمها امکان میدهد آواهای گونههای مختلف یا لهجههای منطقهایِ یک گونه واحد را دستهبندی کنند. همچنین با کشف الگوهای صوتی کاملاً ناشناخته، دانشمندان میتوانند گونههای پنهانکاری را که بهندرت دیده میشوند اما پیوسته صدا تولید میکنند، ردگیری نمایند.[9]
گذار از پردازش ابری به هوش مصنوعی لبهای
اگرچه هوش مصنوعی گره تحلیلی را گشود، اما چالشی زیرساختی در حوزه انتقال دادهها پدیدار شد. ارسال مداوم فایلهای صوتی باکیفیت از قلب جنگلهای بارانی به سرورهای ابری نیازمند پهنای باند و انرژی فراوانی است؛ منابعی که در آمازون یا حوزه کنگو عملاً در دسترس نیستند.[5]
توفر وایت، بنیانگذار سازمان Rainforest Connection، در سال ۲۰۱۳ هنگام نصب حسگرهای صوتی با این معضل روبهرو شد. تیم او در ابتدا از گوشیهای هوشمند بازیافتی با پنلهای خورشیدی اختصاصی استفاده کرد تا صدا را مستقیماً از تاجپوش جنگل به ابر اینترنتی مخابره کند.[7]
وایت میگوید: «بومشناسی صوتی در جنگل معجزه میکند، زیرا بهدلیل تراکم درختان دید بصری شما بیش از ۵ تا ۱۰ متر نیست، اما امواج صوتی بهخوبی حرکت میکنند.» هر دستگاه میتواند حدود دو کیلومتر مربع از جنگل را رصد کرده و صدای ارهبرقی را تا فاصله دو کیلومتری تشخیص دهد.[6]
بااینحال، با توسعه شبکههای حسگری، پخش مستقیم داده صوتی به شیوهای ناپایدار بدل شد. اکنون مسیر کلی به سمت «پردازش لبهای» (Edge Computing) تغییر یافته است؛ فرآیندی که در آن شبکه عصبی فشردهسازی شده و مستقیماً روی پردازنده محلی دستگاه اجرا میشود، نه سرور راه دور.
با پردازش صوت روی خود دستگاه، حسگر تنها یک پیامک متنی کوتاه شامل فراداده هشدار—مانند قطع درخت با ضریب اطمینان بالا—را از طریق شبکههای کممصرف مخابره میکند. این سازوکار مصرف باتری را به حداقل میرساند و نیاز به اینترنت پرسرعت سلولی را رفع میکند.[7]
پایش اکوسیستمهای دریایی
کاربرد بومشناسی صوتی مبتنی بر هوش مصنوعی بسیار فراتر از جنگلهای خشک گسترش یافته است. در زیستگاههای دریایی، پایش صوتی اغلب تنها روش ممکن برای رهگیری گونههای نادر در اقیانوسهای پهناور و تاریک است؛ جایی که پیمایشهای بصری ناممکن بوده و نشانهگذاری ماهوارهای هزینههای سرسامآوری دارد.[12]
پژوهشگران مؤسسه Conservation Metrics پایشهای صوتی استانداردی را برای مدیریت صخرههای مرجانی تدوین کردهاند. صخرههای مرجانی سالم منظومه صوتی مشخصی تولید میکنند که تا بیش از یک کیلومتر منتشر میشود و راهنمای لاروهای ماهی و مرجان برای استقرار در زیستگاه مناسب است.[10]
دانشمندان با استقرار هیدروفونها و بهکارگیری تکنیکهای خوشهبندی بدون نظارت، فراوانی نسبی جانداران را در بستر زمان و مکان میسنجند. این رویکرد به آنها اجازه میدهد روند بازیابی بومشناختی صخرهها پس از پروژههای احیا را بدون نیاز به اعزام غواصان ارزیابی کنند.[10]
به همین ترتیب، یادگیری ژرف برای حفاظت از نهنگهای سفید (بلوگا) در خلیج کوک آلاسکا به کار گرفته میشود؛ جمعیتی در معرض انقراض که در سال ۲۰۰۸ تنها ۳۲۸ رأس برآورد شده بود. پایش صوتی مستمر به محققان کمک میکند مسیرهای مهاجرت و زیستگاههای تغذیهای را تعیین و پیامد آلودگی صوتی کشتیهای تجاری را مدیریت کنند.[11]
زیستگاههای آب شیرین و برکههای ارواح
زیستگاههای آب شیرین که از بحرانیترین اکوسیستمهای تحت تهدید در جهان به شمار میروند، از این جهش فنی بیبهره نماندهاند. در بریتانیا، پژوهشگران با نصب حسگرها در بستر رودها و برکهها، روند احیای نهرهای گچی و احیای «برکههای ارواح» کشاورزی را رصد میکنند.[13]
این حسگرهای پیشرفته تحرکات ماهیان، بیمهرگان، دوزیستان و پستانداران را ثبت میکنند. تحلیل مبتنی بر هوش مصنوعی ارزیابی دقیقی از روند بهبود بیولوژیک بهدست میدهد و گونههای پنهانکار با رفتارهای گرگومیشی را که در پایشهای سنتی نادیده میماندند، شکار میکند.[13]
ترکیب این دادههای گسترده با یادگیری ماشین، روندهای بلندمدت زیستمحیطی را نمایان میسازد. این بینشها به سیاستگذاران ملی شواهد تجربی لازم را میدهد تا اثربخشی «راهحلهای مبتنی بر طبیعت» را بسنجند و سرمایهگذاری بیشتر در حوزه آبهای شیرین را توجیه کنند.[13]
ویژگی پایش مداوم صوتی این است که بهمحض بازگشت گونههای نادر به زیستگاه احیاشده، حضور آنها ثبت میشود. چنین دقتی در تفکیک زمانی فراتر از توان تیمهای ارزیابی دورهای انسانی است.[13]
یادگیری خودنظارتی و انطباق بدون داده قبلی
با رشد این فناوری، نهادهای حفاظتی در پی ارتقای مدلها در اکوسیستمهای گوناگون هستند. پروژه Guacamaya شرکت مایکروسافت با همکاری مؤسسه هومبولت کلمبیا، از هوش مصنوعی برای مبارزه با جنگلزدایی در آمازون بهره میبرد؛ منطقهای که تنها در سال ۲۰۲۲ نزدیک به ۲ میلیون هکتار از پوشش درختی خود را از دست داد.[11]
این پروژه از روش «انتقال یادگیری بدون شواهد قبلی» (Zero-Shot) برای شناسایی زیستی سود میبرد. در این شیوه، مدلهایی که بر روی دادههای مشخص آموزش دیدهاند، آواهای ناشناخته را در اکوسیستمهای دیگر شناسایی میکنند و زمان استقرار سامانههای نظارتی را در مناطق پایشنشده کاهش میدهند.[11]
توفر وایت تصریح میکند: «در بیشتر موارد، چوببری غیرقانونی و شکار پنهانی فاش نمیشوند، زیرا نیروی انسانی کافی در میدان برای مشاهده و واکنش به هر تهدید وجود ندارد.» سامانههای خودکار مانند گوش بیدار جنگل، بیوقفه در دل تاریکی شب و بدترین شرایط جوی به استراقسمع ادامه میدهند.[5]
بهمحض کشف هرگونه ناهنجاری، هشدارها بهصورت آنی به کنشگران محلی ارسال میشود. در پرو، جوامع بومی و تیمهای حقوقی همزمان آگاه میشوند؛ جنگلبانان برای متوقفکردن چوببرها وارد عمل شده و وکلا بلافاصله با استناد به مستندات صوتی تأییدشده، اقامه دعوی میکنند.[7]
مشارکت شهروند-دانشمندان در مقیاس وسیع
فراتر از متخصصان حفاظت، بومشناسی صوتی به کمک هوش مصنوعی جمعآوری دادههای محیطی را عمومی کرده است. اپلیکیشن BirdNET که برای اندروید و iOS منتشر شده، به هر کاربر صاحب گوشی هوشمند امکان میدهد صدای پرندگان را ضبط و شناسه دقیق گونه را بیدرنگ تحویل بگیرد.[3]
کانر وود، پژوهشگر آزمایشگاه پرندهشناسی کرنل، میگوید: «هیجانانگیزترین جنبه این تلاش، سهولت مشارکت شهروندان در علم پرندهشناسی و حفاظت است.» کاربران برای ثبت رکوردها به هیچ دانش تخصصی پیشینی نیاز ندارند.[3]
از زمان انتشار این برنامه، بیش از ۲.۲ میلیون کاربر دادههای خود را ثبت کردهاند. این حجم عظیم از آواهای ضبطشده مردمی، دادههای جامعی را در اختیار دانشمندان میگذارد تا الگوهای مهاجرت و دگرگونیهای جمعیتی پرندگان را در لحظه رصد کنند.[3]
فناوری پایه این اپلیکیشن با استفاده از کتابخانه TensorFlow.js برای اجرا در مرورگرهای وب نیز بازطراحی شده است. سامانه آزمایشی BirdNET Live صوت را بهطور مستقیم در دستگاه کاربر تحلیل میکند؛ رویکردی که حریم خصوصی را تضمین کرده و امکان اجرای مدلهای پیچیده را بدون وابستگی به سرور نشان میدهد.[1]
نقش زیرساختهای متنباز
شتاب پیشرفت بومشناسی صوتی تا حد زیادی مدیون همکاریهای متنباز است. مؤسسات تحقیقاتی پیشرو بهجای محصور ساختن الگوریتمهای خود در دیوارهای تجاری، مدلها و دادههای آموزشی را بهرایگان در اختیار جامعه علمی جهان قرار دادهاند.[15]
بهعنوان نمونه، پایگاه داده BirdCLEF مجموعهای غنی از آواهای طبقهبندیشده پرندگان را برای آموزش و ارزیابی مدلهای جدید یادگیری ماشین عرضه کرده است. این دسترسی همگانی موجب نوآوری مشترک در پرندهشناسی، بومشناسی و علوم کامپیوتر شده و به توسعهدهندگان مستقل اجازه میدهد ابزارهای جدید را روی سازههای موجود بنا کنند.[15]
اشتراکگذاری کدهای پایه، انطباق سریع نرمافزارهای حفاظتی با گونهها و محیطهای نو را تسهیل میکند. مدلی که در اصل برای تشخیص پرندگان آوازخوان آمریکای شمالی آموزش دیده، میتواند توسط گروه دیگری برای ردگیری دوزیستان نادر در جنوب شرق آسیا بازآموزی شود.[15]
این ساختار همافزا توسعه ابزارهای تخصصی را نیز شتاب میبخشد. مخزن گیتهاب BirdNET شامل کدهای رابط برای تحلیل آماری در زبان R، مدلهای پیشبینی مکانی-زمانی و ابزارهای آشکارساز مبتنی بر معماری YOLO است که از پروژههای محلی تا برنامههای پایش در مقیاس قارهای را پوشش میدهد.[4]
معضل هزینهها در پایش پیوسته
با وجود تمامی پیشرفتها، هزینههای استقرار مداوم این تجهیزات کماکان چالشی اساسی است. پایش غیرفعال صوتی در مقایسه با استقرار دائم گروههای پژوهشی در میدان ارزانتر است، اما خرید اولیه حسگرها همچنان بار مالی سنگینی را بر دوش سمنهای محلی میگذارد.[2]
برای غلبه بر این موانع، تمرکز توسعهدهندگان بر سختافزارهای کمهزینه و متنباز متمرکز شده است. پروژههای اجراشده در منطقه حفاظتشده DeKUT در کنیا از ریزرایانههای ارزانقیمت استفاده میکنند و با تکنیک «تقطیر دانش» مدلهای سنگین را به ساختارهای چابک برای پردازندههای ضعیفتر تبدیل مینمایند.[14]
دسترسپذیری سختافزارها مانع انحصار بومشناسی صوتی در نهادهای متمول غربی میشود. گروههای محلی در جنوب جهانی میتوانند شبکههای خودران خود را مستقر کنند و بدون وابستگی فنی، حاکمیت دادههای اکولوژیک را حفظ کرده و از زیستگاههای خود دفاع نمایند.[14]
علاوه بر این، تجهیزات مصرفی نظیر حسگر Delta ساخت Rainforest Connection پایش صوتی را به حیاط خانهها آوردهاند. این ابزارها با جلب توجه خانوادهها به تنوع زیستی پیرامونشان، پیوند عمومی با طبیعت را تعمیق بخشیده و دادههای بومی را به مخازن علمی جهانی منتقل میکنند.[8]
علاوه بر این، تجهیزات مصرفی نظیر حسگر Delta ساخت Rainforest Connection پایش صوتی را به حیاط خانهها آوردهاند.
افق پیشروی بومشناسی صوتی
گذار از گوش سپردن سنتی به پردازش صوت با هوش مصنوعی در لبه شبکه، معماری حفاظت از حیاتوحش را متحول کرده است. با رفع گلوگاههای پردازشی، پژوهشگران اکنون توان ارزیابی زیستبومها را در مقیاس واقعی آنها دارند.[16]
با بلوغ سامانهها، تمرکز پژوهشگران از صرفاً تفکیک نام گونهها به تحلیل رفتارهای زیستی پیچیده سوق مییابد. هوش مصنوعی بهزودی پیامهای خطر، آواهای جفتیابی و منازعات قلمرویی را تجزیهوتحلیل کرده و پنجرهای عمیقتر به روانشناسی حیاتوحش باز خواهد کرد.[9]
تلفیق دادههای صوتی با تصاویر ماهوارهای و دیانای محیطی (eDNA) در نهایت به شکلگیری سامانهای زنده و چندوجهی از سلامت کره زمین منتهی خواهد شد. این سازوکار چندوجهی امکان ارزیابی پیامدهای آنی تغییر اقلیم بر تنوع زیستی را بهصورت دقیق مهیا میسازد.[11]
کارآمدی این زنجیره فنی وابسته به حفظ شفافیت و دسترسپذیری آن است. رایگان ماندن الگوریتمها و کاهش هزینههای سختافزاری تضمین میکند که نسل آتی حکمرانی بومشناختی متکی بر شواهد متقن باشد؛ عاملی که در نهایت به اراده سیاستگذاران در تبدیل دادههای صوتی به قوانین بازدارنده بستگی خواهد داشت.[16]
مقایسه
| معماری | انتقال داده | توان مصرفی مورد نیاز | تأخیر | مورد کاربرد اصلی |
|---|---|---|---|---|
| پردازش ابری | جریانهای صوتی مداوم | بالا (نیازمند آپلینک مداوم) | چند ثانیه تا چند دقیقه | مناطق حفاظتشده با پهنای باند بالا و برق سراسری |
| هوش مصنوعی لبه (روی دستگاه) | فقط کلاندادههای متنی | کم (کفایت باتری یا پنل خورشیدی) | میلیثانیه | جنگلهای بارانی دوردست و مناطق عمیق دریایی |
| پردازش دستهای آفلاین | بازیابی فیزیکی کارت حافظه SD | بسیار کم | چند هفته تا چند ماه | بررسیهای بلندمدت تاریخی تنوع زیستی |
این تحلیل چگونه انجام شد
- روش
- فکتلن با تلفیق شیوههای پردازشی معماری BirdNET دانشگاه کرنل، شبکه ابری Guardian متعلق به Rainforest Connection و مدلهای تقطیرشده لبهای نظیر پروژه Perch در کنیا، مسیر تحول جریان دادههای بومشناسی صوتی را بررسی کرد. در این بررسی، میزان تأخیر و پهنای باند مورد نیاز در سه روشِ جمعآوری فیزیکی هارددیسکها، پخش مستقیم ابری و پردازش روی دستگاه در لبه شبکه مقایسه شده است.
- یافته
- تنگنای اصلی حفاظت از محیط زیست از مرحله گردآوری داده به چالش انتقال داده منتقل شده است. از آنجا که مخابره پیوسته صوت باکیفیت از جنگلهای دورافتاده یا اعماق اقیانوسها پرهزینه و انرژیبر است، کارشناسان در حال گذار از پردازش ابری به «هوش مصنوعی لبهای» هستند؛ رویکردی که شبکههای عصبی فشرده را روی خود حسگر اجرا میکند تا فقط هشدارهای متنی سبک حاوی شناسایی گونهها، و نه فایلهای حجیم صوتی، از طریق شبکههای کمعرض مخابره شوند.
- دادههایی که بر پایهٔ آنها کار کردیم
- ظرفیت شناسایی گونهها در BirdNET: 11,000+ species — GitHub
- پهنای باند مورد نیاز مخابره ابری: Continuous audio transmission from 2 square kilometers per device — The Wall Street Journal
- تقطیر مدلهای هوش مصنوعی لبهای: Transferring large models like Perch to low-cost microcomputers — DeKUT Conservancy
- محدودیتهای این تحلیل
- این تحلیل بر معماری فنی شبکههای پایش تمرکز دارد و تفاوت در دقت عملکرد این مدلهای لبهای در محیطهای صوتی گوناگون مانند زیر آب یا زیر تاجپوش متراکم جنگل را لحاظ نمیکند.
اصطلاحات کلیدی
- بومشناسی صوتی (Bioacoustics)
- شاخهای میانرشتهای از علوم زیستی که به تولید، انتشار و دریافت امواج صوتی در جانوران بهمنظور پایش سلامت اکوسیستمها میپردازد.
- اسپکتوگرام مل (Mel Spectrogram)
- تصویری بصری از طیف فرکانسی امواج صوتی در طول زمان که شبکههای عصبی از آن برای تحلیل و طبقهبندی صداها بهره میبرند.
- هوش مصنوعی لبهای (Edge AI)
- اجرای مستقیم الگوریتمهای پردازشی روی سختافزار حسگر در محل، بدون نیاز به برقراری ارتباط دائمی با سرورهای پردازش ابری.
- تقطیر دانش (Knowledge Distillation)
- فرایندی در یادگیری ماشین که طی آن قابلیتهای یک مدل سنگین و پیچیده به مدلی کوچکتر منتقل میشود تا بر پردازندههای کممصرف قابلاجرا باشد.
- انتقال بدون داده قبلی (Zero-Shot Transfer)
- توانمندی هوش مصنوعی در شناسایی صحیح آواهای زیستی در بومسازگانهای کاملاً ناشناخته، بدون نیاز به آموزش مجدد روی دادههای محلی.
پرسشهای متداول
پایش صوتی غیرفعال چیست؟
پایش صوتی غیرفعال شامل استقرار دستگاههای ضبط خودکار در طبیعت برای ثبت صداهای محیط در بازههای طولانی است. این رویکرد به دانشمندان اجازه میدهد رفتار جانداران و تهدیدات را بدون برهمزدن آرامش زیستگاه رصد کنند.
هوش مصنوعی چگونه صدای حیوانات را تشخیص میدهد؟
مدلها ابتدا فایلهای صوتی را به تصاویری به نام اسپکتوگرام تبدیل میکنند که فرکانس را در بستر زمان نشان میدهد. سپس شبکههای عصبی پیچشی این الگوهای بصری را بررسی و امضای صوتی هر گونه را استخراج میکنند.
آیا این سامانهها فعالیتهای غیرقانونی انسان را هم شناسایی میکنند؟
بله. الگوریتمها با الگوهای صوتی ارهبرقی، خودروهای چوببری و شلیک گلوله آموزش داده میشوند و با صدور هشدارهای آنی به محیطبانان، امکان متوقفکردن شکارچیان و غارتگران جنگل را فراهم میکنند.
آیا مشارکت در این پژوهشها نیازمند تجهیزات تخصصی است؟
خیر. هر فرد با یک گوشی هوشمند معمولی میتواند از اپلیکیشنهایی نظیر BirdNET برای ضبط صدای حیاتوحش استفاده کند. نرمافزار صدا را پردازش، نام گونه را مشخص و دادهها را به بانکهای پژوهشی جهانی منتقل میکند.
چرا پردازش لبهای برای حفاظت از محیطزیست حیاتی است؟
ارسال فایلهای صوتی سنگین از مناطق دورافتاده باتری تجهیزات را تخلیه کرده و نیازمند اتصال پرهزینه ماهوارهای است. در پردازش لبهای، تحلیل درون حسگر انجام شده و فقط یک پیام متنی کوتاه از هشدار صادر میشود.
بررسی عمیق دیدگاهها
فناوران حوزه حفاظت
شبکههای حسگری خودکار و مقیاسپذیر را ستون فقرات پایش زنده تنوع زیستی در ابعاد بینالمللی میدانند.
این گروه با نمایندگی نهادهایی چون Rainforest Connection و مایکروسافت معتقد است عمق تخریب بومشناختی چنان است که جز با نظارت سراسری و خودکار مهار نمیشود. تمرکز آنها بر استقرار حسگرهای مقاوم و هوش ابری است که بتواند فوراً قطع درختان یا تیراندازی را کشف کند؛ با این استدلال که دادههای دیرهنگام در مهار میدانی بحرانها فاقد ارزش عملیاتی هستند.
بومشناسان دانشگاهی
بر راستیآزمایی علمی و ارزیابی آماری مدلهای یادگیری ماشین برای جلوگیری از خطاهای تحلیلی تأکید دارند.
محققان مراکزی چون آزمایشگاه کرنل و دانشگاه برکلی هشدار میدهند که نباید به هوش مصنوعی بهچشم پیشگویی مصون از خطا نگریست. تأکید آنها بر اعتبارسنجی همتا، یادگیری خودنظارتی و تعیین آستانه خطای شفاف است تا شواهد حاصل از پایش صوتی مبنای مدلهای آماری بلندمدت جمعیتی قرار گیرند و تنها به ارسال هشدارهای آنی تقلیل نیابند.
محیطبانان و سمنهای محلی
راهکارهای عملی، ارزانقیمت و نیازمند حداقل پهنای باند را که پاسخگوی نیازهای فوری میدانی باشند در اولویت قرار میدهند.
این کنشگران که در صف مقدم حفاظت ایستادهاند، نیازمند ابزارهایی سازگار با کمبود منابع مالی هستند. اولویت آنها سامانههای پردازش لبهای و بردهای پردازشی ارزان است که نیازمند اینترنت ماهوارهای گران نباشند. کارایی این سامانهها زمانی محقق میشود که با ارسال یک پیام متنی هشدار، امکان مداخله بیخطر و مؤثر محیطبانان در برابر تخریب فراهم گردد.
چه چیزی تغییر کرد
- · ویرایش ۱منتشر شد.
- فناوران حوزه حفاظت
- شبکههای حسگری خودکار و مقیاسپذیر را ستون فقرات پایش زنده تنوع زیستی در ابعاد بینالمللی میدانند.
- بومشناسان دانشگاهی
- بر راستیآزمایی علمی و ارزیابی آماری مدلهای یادگیری ماشین برای جلوگیری از خطاهای تحلیلی تأکید دارند.
- محیطبانان و سمنهای محلی
- راهکارهای عملی، ارزانقیمت و نیازمند حداقل پهنای باند را که پاسخگوی نیازهای فوری میدانی باشند در اولویت قرار میدهند.
دیدگاههایی که این گزارش پوشش نداده
- دیدگاه جوامع بومی که اراضی سنتی آنها تحت پوشش این حسگرها قرار گرفته است
- رویکرد نهادهای قانونگذار در تبدیل یافتههای صوتی به سازوکارهای الزامآور حقوقی
منابع
[1]BirdNET LiveBirdNET Live: Professional Bioacoustics in your Pocket
مطالعه در BirdNET Live →
[2]Biological Recording CompanyBirdNET: Advancing Conservation with AI-Powered Sound ID
مطالعه در Biological Recording Company →
[3]AI HubThe Machine Learning-Powered BirdNET App Reduces Barriers to Global Bird Research
مطالعه در AI Hub →
[4]GitHubفناوران حوزه حفاظتBirdNET: The AI toolkit for conservation bioacoustics
مطالعه در GitHub →
[5]The Wall Street Journalفناوران حوزه حفاظتRainforest Connection is using the internet of things, AI, and cloud technologies to detect illegal poaching
مطالعه در The Wall Street Journal →
[6]Lampoon Magazineمحیطبانان و سمنهای محلیListening to rainforests – Rainforest Connection
مطالعه در Lampoon Magazine →
[7]Outsideمحیطبانان و سمنهای محلیHow Old Cell Phones Are Saving the Rainforest
مطالعه در Outside →
[8]Soundproofistمحیطبانان و سمنهای محلیUsing AI with bioacoustics — from rainforests to backyards
مطالعه در Soundproofist →
[9]Colossalبومشناسان دانشگاهیBioacoustics for Conservation
مطالعه در Colossal →
[10]UC Berkeleyبومشناسان دانشگاهیBioacoustics and Machine Learning as Key Tools in Conservation
مطالعه در UC Berkeley →
[11]Microsoftفناوران حوزه حفاظتAI-powered conservation for the Amazon
مطالعه در Microsoft →
[12]MDPIAcoustic wildlife monitoring in the marine environment using AI
مطالعه در MDPI →
[13]TREES DLAFreshwater ecosystems: AI-based systems for real-time biodiversity monitoring
مطالعه در TREES DLA →
[14]DeKUT ConservancyBioacoustic monitoring system at the DeKUT Conservancy
مطالعه در DeKUT Conservancy →
[15]arXivReal-time biodiversity monitoring system using acoustic sensors
مطالعه در arXiv →
[16]تیم سردبیری کوهستانتحلیل تیم سردبیری کوهستان
مطالعه در تیم سردبیری کوهستان →
بیشتر در محیط زیست
مشاهده همه →سرمازیستشناسی
هستهزاهای یخ برونسلولی چگونه قورباغههای جنگلی را بدون متلاشی شدن سلولها از انجماد زمستانه نجات میدهند؟
10 منبع
فیزیولوژی پرندگان
غدد بالای چشمی در پرندگان اقیانوسپیما؛ سامانه زیستی نمکزدایی برای بقا در دریاهای آزاد
2 منبع
حفاظت از حیاتوحش
راهکارهای نوین حفاظت از حیاتوحش در برابر خشکسالی چگونه عمل میکنند؟
5 منبع
آلودگی نوری
چراغهای مصنوعی با برهمزدن سامانه ناوبری حشرات آنها را به دام میاندازند، نه با جذب آنها
5 منبع
نظرات
هر زاویه. هر روز.
اخبار محیط زیست با پوشش کامل منابع و تحلیل دیدگاهها، هر روز و رایگان.





