ANN for classification of Jack snipe

Maskinlæring som brukes i biomangfoldisk bevarelse er et fagområde i utvikling, da det tilbyr en ikke-ingripende overvåkning av hendelser i naturen. For formålet til denne avhandlingen så er vi interesert i å klassifisere kvartsbekkasin i opptak på flere timer. En binær CNN -og LSTM modell ble bygd og trent på et merket datasett bestående av 400 klipp, hvor hvert klipp varte i 4 sekunder. Av disse var 130 klipp av kvartbekkasin, mens 270 var av ikke-kvartbekkasin. Modelene blir testet med et umerket lydopptak på 1t og 49 min, som inneholder 22 vokaliseringer av kvartbekkasin. Lydklippet inneholder klare vokal-\\ iseringer uten mye forstyrrelse, og vokaliseringer som er forurenset med lyder fra omgivelsen, slik som vind og elvbrus. Det beste resultatet ble oppnådd ved å bruke en CNN model med inngangsform (90, 126, 1) og et påført båndpassfilter med frekvensområde 400-2000 Hz på lydklippet. Dette ga en sann positive testrate (TPR) på TPR = 0.88, og en falsk positiv testrate (FPR) på FPR = 0.086. Den totale lengen på de predikert positive klippene er 13 min og 4 s. Når det kjøres tester på hele opptak på 9 -og 15 timer, viste prediksjonene seg mer ustabile avhengig av hvor mye vind det var i opptakene