Dados do Trabalho

Título

<p>Transferência do algoritmo BirdNET para detecção acústica e conservação do mico-leão-preto (Leontopithecus chrysopygus)</p>

Corpo do texto

<p>O monitoramento acústico passivo (MAP) é uma ferramenta útil para programas de conservação de espécies vocalmente ativas. Detectores automatizados permitem escalonar a análise de conjuntos massivos de dados, e atualmente as redes neurais convolucionais (convolutional neural network, CNN) têm sido eficazes para tarefas de classificação de dados acústicos. O BirdNET é um algoritmo multi-espécie capaz de detectar mais de 6000 espécies de aves de todo o planeta. Neste estudo, avaliamos o desempenho de modelos customizados no BirdNET para a identificação do mico-leão-preto, um primata em perigo de extinção da Mata Atlântica de Interior do Estado de São Paulo, Brasil. Testamos combinações de long calls oriundas de gravações focais e MAP, com diferentes números amostrais, duração e fontes de ruído de fundo. Analisamos métricas de precisão (pr), revocação (r) e F1-score para comparar 61 modelos. Os resultados mostraram que, apesar dos modelos treinados com MAP (pam_npam_85) apresentarem os menores valores de precisão (pr = 0,73), eles exibiram os maiores valores de F1-score (F1-score = 0,6). Modelos treinados a partir de gravações focais com duração superior a três segundos tiveram valores de F1-score mais altos em comparação com modelos treinados apenas com a primeira frase dos mesmos long calls (0,59, vs. 0,5). Também fornecemos as métricas para o modelo pam_nman_85, que obteve o maior número de verdadeiros positivos (VP = 348; pr = 0,45, r = 0,75, F1-score = 0,56) e o menor número de falsos negativos (FN = 118), apesar de um número proporcionalmente alto de falsos positivos (FP = 430). Esse modelo teria a capacidade de detectar o maior número de vocalizações do mico-leão-preto e minimizar o número de falsos negativos. A seleção de diferentes dados para o treinamento dos modelos pode otimizar a detecção de espécies ameaçadas por CNNs, contribuindo para a conservação de primatas em florestas tropicais fragmentadas.</p>

Financiadores

<p>CAPES, Disney Conservation Fund, Durrell Wildlife Preservation Trust</p>

Palavras-chave

<p>tecnologias em conservação, detecção de espécies ameaçadas, monitoramento acústico passivo, Primates, aprendizagem de máquina</p>