توسط : به گزارش بک‌پرس، به نقل از scientificamerican ، محققان در تلاش هستند تا با دانش هوش مصنوعی صوت پرندگانِ رشته‌کوه‌های سیرا نوادا در کالیفرنیا که یک میلیون ساعت فایل صوتی است را رمزگشایی کنند.
با استفاده از نحوه واکنش پرندگان به آتش‌سوزی‌های طبیعی منطقه، تا از جمعیت آن‌ها، الگوهای مهاجرت و حتی لهجه‌های محلی آن‌ها، اطلاعاتی به دست آورند.
از مطالعه‌ای که بر روی آواز پرندگان در مجله Scientific American منتشر شده است، دانشمندان با استفاده از داده‌های صوتی پرندگان می‌توانند تغییرات زمان مهاجرت و اندازه جمعیت‌ها را دنبال کنند.
علاوه بر این، از دیگر تحقیقات و پروژه‌های مبتنی بر صوتی که برای شمارش حشرات و مطالعه تأثیرات آلودگی نوری و صوتی بر جوامع پرندگان در حال انجام هستند نیز، داده‌های صوتی بیشتری به دست می‌آیند.
بیشتر بخوانید: معرفی ساختار شهر هوشمند مدل عصبی
کانر وود، سرپرست پروژه سیرا نوادا: «داده‌های صوتی، گنجینه‌هایی حقیقی و حاوی اطلاعات زیادی هستند. فقط لازم است که به‌صورت خلاقانه، درباره نحوه اشتراک‌گذاری و دستیابی به این اطلاعات، بیندیشیم.
جدیدترین نسل سیستم‌های هوش مصنوعیِ یادگیری ماشین که می‌توانند گونه‌های جانوری را از روی صدای آن‌ها شناسایی و هزاران ساعت داده را در کمتر از یک روز پردازش کنند، به ما کمک می‌کنند.»
BirdVox؛ دانش هوش مصنوعی و آواز پرندگان :
امروزه با طرح‌هایی که حاصل همکاری آزمایشگاه پرنده‌شناسی Cornell با آزمایشگاه تحقیقات موسیقی و صوت دانشگاه نیویورک است، مانند BirdVox ، پژوهش در زمینه تشخیص موسیقی تبدیل به مطالعه آواز پرندگان شده است.
پژوهشگران BirdVox امیدوارند که شبکه‌ای از دستگاه‌های حسگر صوتی را برای رصد آنیِ الگوهای مهاجرت پرندگان، به‌ویژه تعیین زمان دقیق عبور هر گونه، بسازند.
روش‌های گوش دادن ماشین به‌منظور تشخیص و رده‌بندی خودکار گونه‌های پرندگان آزاد از روی آواز آن‌ها، در پروژه BirdVox بررسی می‌شوند. مشاهده مهاجرت متکی بر ابزارهای رادارهای آب و هوایی هستند که راجع به سرعت حرکت پرندگان، تراکم، جهت پرندگان اطلاعاتی فراهم می‌کنند، اما درباره نوع گونه‌های مهاجر، اطلاعی به دست نمی‌آید.
پژوهشگران نشان دادند که مشاهدات انسانی جمع‌سپاری‌شده (از طریق گروه‌های انسانی) منحصراً در طی روز انجام می‌شوند و این روش برای مطالعه پروازهای مهاجرتی شبانه، محدودیت دارد.
جهت تکمیل روش قبلی از روش تجزیه و تحلیل بیوآکوستیک خودکار که مقیاس‌پذیر و دارای قابلیت تولید اطلاعات منحصر به گونه است،استفاده می کنند که اثرات بوم‌شناختی گسترده‌ای بر درک تنوع زیستی و رصد گونه‌های مهاجر در مناطق دارای ساختمان، هواپیما، دکل‌های مخابراتی و توربین‌های بادی دارند.
تلسکوپ فضایی جیمز وب به مقصد نهایی رسید
در رسانه تخصصی شهر هوشمند و فناوری‌های نوین بک‌پرس بخوانید.
کال بیان کرد: «برای شناسایی گونه‌ها از روی آواز آن‌ها، به متغیرهایی بیش از یک نشانه خاص، نیاز داریم. بسیاری از پرندگان بیشتر از یک نوع آواز دارند. همچنین اغلب آن‌ها دارای «گویش‌های» هستند؛ به‌عنوان مثال، گنجشک تاج سفید ایالت واشنگتن می‌تواند آواز بسیار متفاوتی از خویشان کالیفرنیایی خود داشته باشد.
دانش هوش مصنوعی سیستم‌های یادگیری ماشین می‌توانند این تفاوت‌ها را تشخیص دهند. فرض کنید که آهنگ جدیدی از گروه موسیقی مشهور «بیتلز» همین امروز منتشر شود.
با اینکه قبلاً هرگز ملودی یا متن آهنگ را نشنیده‌اید، اما از روی سبک و صدای آن‌ها، می‌توانید بفهمید که آهنگ متعلق به گروه بتلز است. این برنامه‌ها هم یاد می‌گیرند که چنین کاری انجام دهند.»
بیشتر بخوانید :ارزش بازار متاورس ؛ یک فرصت ۸ تریلیون دلاری
پژوهشگران دانشگاه Duke از پهپادها برای رصد دسته‌های مرغان دریایی استفاده می کنند:
گروهی از پژوهشگران دانشگاه دوک و انجمن حفاظت از حیات‌وحش (WCS) از پهپادها، دانش هوش مصنوعی و یک الگوریتم یادگیری عمیق برای رصد دسته‌های بزرگ مرغان دریایی، استفاده می‌کند.
بنا بر گزارشی که دانشگاه دوک منتشر کرده است، این گروه پژوهشی در حال تجزیه و تحلیل بیش از ۱۰ هزار تصاویر پهپادی از دسته‌های مخلوط مرغان دریایی در مجمع‌الجزایر فالکلند است.
جزایر فالکلند که با نام جزایر مالویناس هم شناخته می‌شوند، محل زندگی بزرگ‌ترین دسته آلباتروس‌های ابروسیاه (Thalassarche melanophris) و دومین دسته بزرگ پنگوئن‌های صخره‌پر جنوبی (Eudyptes c. chrysocome) هستند. صدها هزار پرنده در این جزایر، در گروه‌های متراکم تولید مثل می‌کنند.
در نشست‌های تخصصی هوش مصنوعی سیاست‌های علمی تدوین شد:
مدلاین سی.هیز، تحلیلگر سنجش از راه دور در آزمایشگاه دریایی دانشگاه دوک و سرپرست پژوهش:
«استفاده از بررسی‌های پهپادی، دانش هوش مصنوعی و یادگیری عمیق، جایگزینی بسیار دقیق، با تأثیرات مخرب کمتر و بسیار راحت‌تر است. یک فرد یا گروهی کوچک می‌تواند این کار را انجام دهد و تجهیزات موردنیاز آن پرهزینه یا پیچیده نیستند.»
دانشمندان WCS از یک پهپاد ساده برای گردآوری بیش از ۱۰ هزار تصویر مجزا استفاده کردند. هیز، این تصاویر را با استفاده از یک نرم‌افزار پردازش تصویر به یک تصویر ترکیبی بزرگ، تبدیل کرد.
سپس با استفاده از یک شبکه عصبی پیچشی (CNN) این تصویر را تحلیل کرد. این شبکه عصبی، نوعی هوش مصنوعی است که از الگوریتم یادگیری عمیق برای تحلیل تصویر و تشخیص و شمارش اجسامی که درون تصویر «می‌بیند» استفاده می‌کند.
در این مورد خاص، اجسام درون تصویر دو گونه پرنده پنگوئن و آلباتروس بودند. با استفاده از داده به‌دست‌آمده، تعداد کل پرندگان یافت‌شده در دسته‌ها، به‌صورت جامع، تخمین زده شد.
بیشتر بخوانید : هوشمندسازی فرودگاه های کشور و افزایش بهره‌وری
الگوریتم یادگیری عمیق، جمعیت آلباتروس‌ها را با صحت ۹۷ درصد و جمعیت پنگوئن‌ها را با صحت ۸۷ درصد، شناسایی و سرشماری کرد.
دیوید دابلیو. جانستون، مدیر آزمایشگاه رباتیک دریایی و سنجش از راه دور دوک، گفت: «CNN مانند شبکه عصبی انسان‌ها، می‌تواند از راه تجربه، بیاموزد.
کامپیوتر آموزش می‌بیند که به الگوهای تصویری متفاوتی مانند آلباتروس‌های ابروسیاه یا پنگوئن‌های صخره‌پر جنوبی در تصاویر نمونه توجه کند و طی زمان یاد می‌گیرد که در تصاویر دیگر مانند تصویر ترکیبی نیز، اجسامی که همان الگو را دارند، شناسایی کند.
روش نوظهور مبتنی بر پهپاد ودانش هوش مصنوعی قابل‌اجرا در سطحی گسترده است و توانایی ما را برای رصد اندازه و سلامت دسته‌های مرغان دریایی سراسر جهان و سلامت زیست‌بوم‌های دریاییِ محل زندگی آن‌ها، افزایش می‌دهد.»
بیشتر بخوانید : تجربه متفاوت دنیا مجازی متاورس
پیش از اینکه روش جدید بررسی‌های پهپادی، دانش هوش مصنوعی و یادگیری عمیق در دسترس باشد، برای رصد دسته‌هایی که در دو جزیره صخره‌ای و خالی از سکنه هستند، گروه‌هایی از دانشمندان تعداد هر گونه‌ای را که در بخشی از جزیره مشاهده می‌کردند، می‌شمردند.
همچنین از روی اعداد به‌دست‌آمده، تعداد کل دسته را تخمین می‌زدند. برای اینکه دقت شمارش‌ها بیشتر شود، اغلب این کار تکرار می‌شد که فرایندی پرزحمت بود. همچنین حضور دانشمندان اثرات بالقوه مخربی بر روی رفتار تولید مثل و جفت‌گیری پرندگان داشت.
