Resumo

RENDON-HURTADO, Néstor-David; ISAZA-NARVAEZ PH. D, Claudia-Victoria  e  RODRIGUEZ-BURITICA PH. D, Susana. Identificación automática de transformación en el bosque seco tropical colombiano usando GMM y UBM-GMM. Rev. Fac. ing. [online]. 2020, vol.29, n.54, e11752.  Epub 30-Dez-2020. ISSN 0121-1129.  https://doi.org/10.19053/01211129.v29.n54.2020.11752.

Hoy, los métodos de aprendizaje automático se han convertido en una herramienta para ayudar a frenar los efectos del calentamiento global, al resolver cuestiones ecológicas. En particular, el bosque seco tropical (BST) de Colombia se encuentra actualmente amenazado por la deforestación generada, desde la época colonial, por la ganadería, la minería y el desarrollo urbano. Uno de los desafíos urgentes en esta área es comprender la transformacion y degradación de los bosques. Tradicionalmente, los cambios de los ecosistemas se miden por varios niveles de transformación (alto, medio, bajo). Estos se obtienen a través de observación directa, recuento de especies y medidas de variación espacial a lo largo del tiempo. Por ende, estos métodos son invasivos y requieren de largos lapsos de observación en los lugares de estudio. Una alternativa eficaz a los métodos clásicos es el monitoreo acústico pasivo, que es menos invasivo, ya que evita el aislamiento de las especies y reduce el tiempo de los investigadores en los sitios. Sin embargo, implica la generación de múltiples datos y la necesidad de herramientas computacionales destinadas al análisis de las grabaciones. Este trabajo propone un método para identificar automáticamente la transformación del BST mediante grabaciones acústicas, aplicando dos modelos de clasificación: Gaussian Mixture Models (GMM), por cada región estudiada, y Universal Background Model (UBM), para un modelo general. Además, contiene un análisis de índices acústicos, con el fin de detectar los más representativos para las transformaciones del BST. Nuestra propuesta de GMM alcanzó una precisión de 93% y 89% para las regiones de La Guajira y Bolívar. El modelo general UBM logró 84% de precisión.

Palavras-chave : ecoacústica; índices acústicos; machine learning; maximum likelihood estimation; modelos de mezclas gaussianas; universal background model.

        · resumo em Português | Inglês     · texto em Espanhol     · Espanhol ( pdf )