Services on Demand
Journal
Article
Indicators
Cited by SciELO
Access statistics
Related links
Cited by Google
Similars in SciELO
Similars in Google
Share
Revista Facultad de Ingeniería
Print version ISSN 0121-1129On-line version ISSN 2357-5328
Abstract
RENDON-HURTADO, Néstor-David; ISAZA-NARVAEZ PH. D, Claudia-Victoria and RODRIGUEZ-BURITICA PH. D, Susana. Identificação automática de transformação no bosque seco tropical colombiano usando GMM e UBM-GMM. Rev. Fac. ing. [online]. 2020, vol.29, n.54, e11752. Epub Dec 30, 2020. ISSN 0121-1129. https://doi.org/10.19053/01211129.v29.n54.2020.11752.
Hoje, os métodos de aprendizagem automática se têm convertido em uma ferramenta para ajudar a frear os efeitos do aquecimento global, ao resolver questões ecológicas. Em particular, o bosque seco tropical (BST) da Colômbia encontra-se atualmente ameaçado pelo desmatamento gerado, desde a época colonial, pela pecuária, mineração e pelo desenvolvimento urbano. Um dos desafios urgentes nesta área é compreender a transformação e degradação dos bosques. Tradicionalmente, as mudanças dos ecossistemas são medidas por vários níveis de transformação (alto, médio, baixo). Estes obtêm-se através de observação direta, reconto de espécies e medidas de variação espacial ao longo do tempo. Consequentemente, estes métodos são invasivos e requerem de longos lapsos de observação nos lugares de estudo. Uma alternativa eficaz aos métodos clássicos é o monitoramento acústico passivo, que é menos invasivo, já que evita o isolamento das espécies e reduz o tempo dos pesquisadores nos lugares. Porém, implica a geração de múltiplos dados e a necessidade de ferramentas computacionais destinadas à análise das gravações. Este trabalho propõe um método para identificar automaticamente a transformação do BST mediante gravações acústicas, aplicando dois modelos de classificação: Gaussian Mixture Models (GMM), por cada região estudada, e Universal Background Model (UBM), para um modelo geral. Além, contém uma análise de índices acústicos, com o fim de detectar os mais representativos para as transformações do BST. Nossa proposta de GMM alcançou uma precisão de 93% e 89% para as regiões de La Guajira e Bolívar. O modelo geral UBM logrou 84% de precisão.
Keywords : eco acústica; índices acústicos; machine learning; maximum likelihood estimation; modelos de mesclas gaussianas; universal background model.