در میان هیاهوی محیطی و هیاهوی دنیای طبیعی، جریان بسیار ارزشمندی از داده ها وجود دارد – تماس ها، کلیک ها و تریل های حشرات که در حال انجام کار خود هستند. در حالی که اغلب توسط گوش انسان نادیده گرفته می شود، این امضاهای زیست آکوستیک پنجره ای نزدیک به وضعیت اکوسیستم ها و تغییرات محیطی ارائه می دهند.
اکنون، محققان به هوش مصنوعی روی آورده اند تا این ارکستر حشرات را رمزگشایی کنند و از بینش آن برای نظارت بر سلامت زیست محیطی در سراسر جهان استفاده کنند. این پتانسیل عمیق است – با یادگیری شناسایی گونه های مختلف تنها بر اساس صداهای آنها، بیوآکوستیک خودکار می تواند نحوه مطالعه جمعیت حشرات و اهمیت آنها را به عنوان همه چیز، از گرده افشان های گیاهی گرفته تا ناقلان بیماری، متحول کند.
لورا فیگوئروا، استاد حفاظت از محیط زیست در دانشگاه ماساچوست آمهرست که پیشگام این رویکرد میان رشته ای است، می گوید: «حشرات بر جهان حکومت می کنند. “برخی مفید هستند در حالی که برخی دیگر آفت هستند، اما به هر کجا که نگاه می کنیم، حشرات وجود دارند. با این حال، به دست آوردن یک تصویر دقیق از چگونگی تغییر جمعیت آنها در مواجهه با عوامل استرس زا مانند آفت کش ها و تغییرات آب و هوایی می تواند بسیار دشوار باشد.
ردیابی نوسانات در تعداد حشرات بسیار مهم است زیرا اثرات موجی می تواند بر کل اکوسیستم تأثیر بگذارد. اتحادیه اروپا تخمین می زند گرده افشان های وحشی مانند زنبورها مسئول بیش از 200 میلیارد دلار خدمات کشاورزی سالانه در سراسر جهان هستند. در عین حال، افزایش پشه های ناقل بیماری خطرات فزاینده ای برای سلامت عمومی به همراه دارد.
به طور سنتی، مطالعه جمعیت حشرات به کار میدانی فشرده متکی است – محققان به طور فیزیکی نمونه‌ها را برای شمارش گونه‌ها جمع‌آوری می‌کنند. در حالی که قابل اعتماد است، این رویکرد فقط می تواند عکس های فوری پراکنده ارائه دهد و اغلب شامل کشتن حشرات مورد مطالعه است.
پایش بیوآکوستیک خودکار، با مدل‌های یادگیری ماشینی، یک جایگزین وسوسه‌انگیز ارائه می‌دهد. با استقرار شبکه‌هایی از میکروفون‌ها در این زمینه، محققان می‌توانند به طور مداوم امضاهای صوتی کل جوامع حشرات را بدون ایجاد مزاحمت در آنها ضبط کنند. چالش این است که هوش مصنوعی را چگونه رمزگشایی کند.
فیگوئروآ گفت: «پس از بیش از یک دهه کار در نظارت بر حشرات، می‌توانم وزوز زنبور عسل را از وزوز مگس تشخیص دهم. بنابراین مفهوم ساده است – مدل‌های هوش مصنوعی را برای تشخیص صداهای منحصر به فرد حشرات مختلف آموزش دهید.
در عمل، این یک تلاش پیچیده است که نیازمند همکاری متخصصان یادگیری ماشین و بوم‌شناسان است. مطالعه جدیدی به رهبری Figueroa که در مجله Applied Ecology منتشر شده است، تحقیقات رو به رشدی را که دقیقاً این کار را انجام می دهند، ارزیابی کرد.
این یافته‌ها روند در حال ظهور واضحی را با بلوغ بیوآکوستیک خودکار نشان می‌دهد – یادگیری ماشینی و به‌ویژه شبکه‌های عصبی یادگیری عمیق در حال تبدیل شدن به استاندارد طلایی هستند که قادر به طبقه‌بندی دقیق صدها گونه حشره تنها بر اساس صدا هستند.
این مطالعه بیش از 100 مقاله منتشر شده را تجزیه و تحلیل کرد که 302 گونه حشره را در 9 ردیف طبقه بندی پوشش می داد. این روش رویکردهای مدل‌سازی هوش مصنوعی را به سه روش کلی دسته‌بندی کرد: مدل‌های یادگیری غیر ماشینی، مدل‌های یادگیری ماشین و مدل‌های یادگیری عمیق.
تکنیک‌های یادگیری غیر ماشینی به محققان انسانی متکی است که ابتدا نشانگرهای صوتی خاصی را – مانند محدوده فرکانس یا الگوی آهنگ – برای شناسایی یک گونه تعیین می‌کنند. سپس مدل‌ها به سادگی موارد ضبط شده را برای آن معیارهای از پیش تعیین شده جستجو می‌کنند.
در حالی که ساده است، این رویکرد سفت و سخت علائم بالقوه مهم صوتی را نادیده می گیرد و دقت خود را محدود می کند. نویسندگان دریافتند که مدل‌های یادگیری غیر ماشینی در مقایسه با همتایان هوشمند خود عملکرد ضعیفی دارند.
مدل‌های یادگیری ماشین استاندارد، که توسط الگوریتم‌های کلاسیک مانند جنگل‌های تصادفی و ماشین‌های بردار پشتیبانی می‌شوند، بسیار انعطاف‌پذیرتر و توانمندتر بودند. بدون محدود شدن به شناسه‌های انتخاب‌شده توسط انسان، آنها می‌توانند کل کلیپ‌های صوتی را تجزیه و تحلیل کنند و تعیین کنند که کدام الگوها برای تشخیص گونه‌ها مرتبط‌تر هستند.
اما لبه برش به یادگیری عمیق تعلق دارد – معماری شبکه های عصبی بسیار پیشرفته مانند مدل های کانولوشنال و تکراری که برای یافتن الگوهای ظریف در داده ها خود بهینه می شوند. برخی از بهترین مدل های یادگیری عمیق بررسی شده می توانند بیش از 300 گونه حشره را از روی صداهایشان با دقت بیش از 90 درصد شناسایی کنند.
آنا کولبرگ، نویسنده اصلی این مطالعه که کار را به عنوان محقق در آزمایشگاه فیگوئروا تکمیل کرد، گفت: «روند روشنی وجود دارد – مدل‌های یادگیری عمیق در حال تبدیل شدن به رقبای اصلی پایش بیوآکوستیک حشرات هستند. توانایی آنها در یادگیری خودکار ویژگی‌های صوتی مربوطه از داده‌های آموزشی به آنها اجازه می‌دهد سیگنال‌ها را از نویز به روش‌هایی جدا کنند که روش‌های سنتی نمی‌توانند.»
مسلماً مانند هر برنامه کاربردی هوش مصنوعی، نظارت خودکار بیوآکوستیک محدودیت هایی دارد. اکثر این مدل‌های با کارایی بالا به مجموعه داده‌های آموزشی بسیار زیادی نیاز دارند که ساعت‌ها از صداهای ضبط شده حشرات را در بر می‌گیرد. آنها همچنین می‌توانند در محیط‌های شهری پر سر و صدا که با صداهای محیطی به هم ریخته‌تر هستند، مبارزه کنند.
علاوه بر این، همه حشرات صدای قابل توجهی تولید نمی کنند. مدل‌های بررسی‌شده عمدتاً بر روی گونه‌هایی متمرکز بودند که به‌خاطر صدای جیرجیرک‌ها، سیکادا، پشه‌ها و زنبورها معروف هستند. دیگر گونه‌های مهم مانند شته‌ها و کنه‌ها ممکن است به روش‌های نظارتی جایگزین نیاز داشته باشند.
اما زمانی که هوش مصنوعی زیست آکوستیک به‌عنوان بخشی از ابزار جامع اکولوژیکی به کار گرفته شود، می‌تواند نظارت بر جمعیت حشرات را افزایش دهد و در عین حال هزینه‌ها و نیروی انسانی را به شدت کاهش دهد.
کولبرگ گفت: “ما نمی گوییم که بیوآکوستیک خودکار می تواند یا باید جایگزین همه روش های نظارت سنتی شود.” در عوض، این یک رویکرد مکمل فوق‌العاده قدرتمند است که می‌تواند داده‌های غنی‌تر و با وضوح بالاتر را در مناطق وسیع‌تری نسبت به آنچه قبلاً می‌توانستیم مطالعه کنیم، به دست آورد.»
بخشی از بازگشایی این پتانسیل، شکستن سیلوهای بین علوم کامپیوتر و حوزه های زیست محیطی است. بیوآکوستیک خودکار یک فرصت عالی برای همکاری بین رشته ای است.
فیگوروآ گفت: «اکولوژیست‌ها برای ساختن مدل‌های هوش مصنوعی مؤثر به متخصصان یادگیری ماشین نیاز دارند و مدل‌سازان برای طراحی مناسب مطالعات نظارتی و مدیریت همه پیچیدگی‌های آشفته داده‌های میدانی در دنیای واقعی، به بوم‌شناسانی نیاز دارند. “این یک مشارکت دو طرفه است.”
یکی از زمینه هایی که برای پیشرفت آماده است، توسعه معماری های هوش مصنوعی است که برای کار با مجموعه داده های آموزشی کوچکتر و محدودتر مجهزتر هستند. این مدل‌ها در حالی که اطمینان کمتری ارائه می‌دهند، همچنان می‌توانند محققان را نسبت به روندهای قانع‌کننده‌ای که ارزش مطالعه متمرکزتر دارند، آگاه کنند.
کولبرگ به تحقیقات امیدوارکننده در مورد تکنیک‌هایی مانند یادگیری نیمه نظارتی و انتقالی اشاره می‌کند که ممکن است به مدل‌های آکوستیک زیستی برای کارآمدتر شدن داده‌ها کمک کند. همچنین در رویکردهای یادگیری چند شات که برای سناریوهای کم داده طراحی شده است، فرصت هایی وجود دارد.
کاربردهای بالقوه برای پایش بیوآکوستیک خودکار فراتر از حشرات است. این فناوری می تواند راه های جدیدی را برای مطالعه کل اکوسیستم ها با گوش دادن به مناظر صوتی از جمله پرندگان، دوزیستان و حتی گیاهان ارائه دهد.
در نهایت، قدرت از سادگی ناشی می شود – هر موجود زنده ای که صدا می کند به یک نقطه داده بالقوه برای تفسیر هوش مصنوعی تبدیل می شود. مثلث بندی امضاهای صوتی از گرده افشان ها با گیاهان و شکارچیان، پرتره ای ظریف از وضعیت یک محیط را ترسیم می کند.
فیگوئروآ گفت: «این صداهای ضبط شده به نوعی به خاطرات زیست محیطی تبدیل می شوند. «در یک نقطه صدای وزوز، جویدن و خورش فراوان می شنوید، اما به مرور زمان با کاهش یا جابجایی جمعیت، این صداها محو می شوند. هوش مصنوعی به عنوان مترجم متواضع ما برای افشای این روایت‌های زیست‌محیطی عمل می‌کند.»
درست همانطور که برنامه های نظارتی مانند GLOBE ناسا از شبکه های توزیع شده ناظران حیاط خلوت استفاده کرده اند، بیوآکوستیک خودکار ممکن است سنجش محیطی را بیشتر دموکراتیک کند. مجموعه‌ای از میکروفون‌های تلفن هوشمند را تصور کنید که می‌توانند در زمان واقعی از صدای محیطی عکس بگیرند و داده‌ها را برای پردازش به مدل‌های ابری منتقل کنند.
با توجه به اینکه جمعیت گونه‌ها به‌واسطه تأثیرات اقلیمی عمیق‌تر تهدید می‌شوند، زمان برای افزایش ظرفیت‌های پایش اکولوژیکی ضروری است. برای موجودات کوچکی که زیربنای حیات بر روی زمین هستند، هوش مصنوعی بالاخره به ما گوش می دهد تا داستان های آنها را بشنویم. اکنون این مسئولیت بر عهده محققان است که با دقت گوش دهند.
فیگوئروآ گفت: «حشرات ممکن است بر جهان حکومت کنند، اما ما تا حد زیادی آنها را نادیده گرفته ایم تا اینکه خیلی دیر شده است. در نهایت، فناوری‌هایی مانند بیوآکوستیک خودکار به ما اجازه می‌دهند تا با قلمرو صوتی مخفی آنها هماهنگ شویم و قبل از اینکه برای عمل خیلی دیر شود، روندهای مهم را دنبال کنیم.»