Автоматизированная биоакустика позволяет мониторить популяции насекомых

Недавнее исследование, оценивает, насколько хорошо машинное обучение искусственного интеллекта может идентифицировать различные виды насекомых по их звукам.

Прослушивание мира насекомых дает возможность следить за тем, как изменяются их популяции, а значит, может рассказать об общем состоянии окружающей среды. Данное исследование, говорит о том, что машинное и глубокое обучение становятся золотыми стандартами для автоматизированного моделирования биоакустики. Экологи, биологи и специалисты по машинному обучению могут плодотворно сотрудничать для раскрытия всего потенциала технологии.

В эпоху химических пестицидов, изменения климата и других экологических стрессов популяции насекомых претерпевают серьезные изменения. Численность некоторых видов, например, опылителей, сокращается, в то время как других, например, комаров, переносящих малярию, лихорадку денге и другие заболевания, возрастает. Однако получить точное представление о том, как изменяются популяции насекомых, бывает непросто.

Именно здесь на помощь приходит искусственный интеллект (ИИ). Но какие методы ИИ лучше всего подходят?

Ученые провели обзор литературы для того, чтобы проанализировать исследования, в которых использовались различные виды автоматизированных биоакустических моделей для идентификации насекомых. Были найдены модели для 302 различных видов насекомых, относящихся к девяти таксономическим порядкам. Полученные модели были разделены на три широкие категории: немеханическое обучение, машинное обучение и глубокое обучение.

Модели без машинного обучения сопоставляют звуки насекомых с определенными маркерами, которые энтомологи выделяют в качестве ключей для идентификации, например, с определенной полосой частот в позывах катидид. Затем модель «слушает» эти специфические сигналы, заданные человеком.

Машинное обучение не имеет заранее установленного набора маркеров, которые оно использует, и вместо этого полагается на гибкую вычислительную структуру для поиска соответствующих паттернов в звуках, а затем сопоставляет эти паттерны с биоакустическими данными, на которых оно было обучено.

Глубокое обучение, специализированный вид машинного обучения, опирается на более совершенные нейронные вычислительные структуры, которые обеспечивают модели большую гибкость в эффективном выявлении соответствующих биоакустических паттернов. Как оказалось, модели, основанные на глубоком обучении, наиболее успешны. Некоторые из лучших способны классифицировать сотни видов с точностью более 90%.

Это не означает, что ИИ может или должен заменить все традиционные подходы к мониторингу, не все насекомые издают звуки — например, тля, а очень шумные условия, такие как, городская среда, могут легко сбить с толку усилия по мониторингу, основанные на звуках.

Автоматизированная биоакустика — это ключевой инструмент в многогранном наборе средств, которые можно использовать для эффективного мониторинга насекомых по всему миру.

Во Всероссийском центре карантина растений Россельхознадзора (ФГБУ «ВНИИКР») разработан ряд цветных клеевых и феромонных ловушек для проведения мониторинга карантинных или опасных вредителей сельскохозяйственных культур. Феромонные ловушки можно использовать на ранних этапах для эффективной борьбы при низкой численности насекомых. Феромонные и цветные ловушки не токсичны, что исключает загрязнение окружающей среды.

Источник: From buzzes to bytes: A systematic review of automated bioacoustics models used to detect, classify, and monitor insects, Journal of Applied Ecology (2024). DOI: 10.1111/1365-2664.14630.