Wetenschappers hebben een nieuw algoritme ontwikkeld dat verschillende klikpatronen van dolfijnen kan identificeren tussen miljoenen klikken in opnamen van wilde dolfijnen. Deze aanpak, gepresenteerd in PLOS Computational Biology door Kaitlin Frasier van Scripps Institution of Oceanography, Californië, en collega's, zou mogelijk kunnen helpen onderscheid te maken tussen dolfijnsoorten in het wild.

Frasier en haar collega's bouwen autonome akoestische onderwatersensoren die de echolocatieklikken van dolfijnen in het wild gedurende meer dan een jaar kunnen registreren. Deze instrumenten dienen als niet-invasieve instrumenten voor het bestuderen van vele aspecten van dolfijnpopulaties, inclusief hoe ze worden beïnvloed door de olieramp met Deepwater Horizon, ontwikkeling van natuurlijke hulpbronnen, en klimaatverandering.

Omdat de sensoren miljoenen klikken registreren, het is voor een mens moeilijk om soortspecifieke patronen in de opnames te herkennen. Dus, de onderzoekers gebruikten vooruitgang in machine learning om een ​​algoritme te ontwikkelen dat consistente klikpatronen in zeer grote datasets kan ontdekken. Het algoritme is "zonder toezicht, " wat betekent dat het patronen zoekt en op zichzelf verschillende kliktypes definieert, in plaats van 'geleerd' te worden patronen te herkennen die al bekend zijn.

Het nieuwe algoritme was in staat om consistente patronen te identificeren in een dataset van meer dan 50 miljoen echolocatie-klikken geregistreerd in de Golf van Mexico over een periode van twee jaar. Deze kliktypes waren consistent op meetlocaties in verschillende regio's van de Golf, en een van de kliktypes die naar voren kwamen, wordt geassocieerd met een bekende dolfijnsoort.

Het onderzoeksteam veronderstelt dat sommige van de consistente kliktypes die door het algoritme worden onthuld, kunnen worden gekoppeld aan andere dolfijnsoorten en daarom nuttig kunnen zijn voor het op afstand monitoren van wilde dolfijnen. Dit zou een verbetering zijn ten opzichte van de meeste huidige monitoringmethoden, die afhankelijk zijn van mensen die visuele observaties maken vanaf grote schepen of vliegtuigen en alleen mogelijk zijn bij daglicht en goede weersomstandigheden.

Volgende, het team is van plan dit werk te integreren met deep learning-methoden om hun vermogen om kliktypes te identificeren in nieuwe datasets die in verschillende regio's zijn geregistreerd, te verbeteren. Ze zullen ook veldwerk uitvoeren om te verifiëren welke soorten overeenkomen met enkele van de nieuwe kliktypes die door het algoritme zijn onthuld.

"Het is leuk om na te denken over hoe de algoritmen voor machinaal leren die worden gebruikt om mensen muziek of sociale-mediavrienden voor te stellen, opnieuw kunnen worden geïnterpreteerd om te helpen bij ecologische onderzoeksuitdagingen, ", zegt Frasier. "Innovaties in sensortechnologieën hebben de sluizen geopend op het gebied van gegevens over de natuurlijke wereld, en er is nu veel ruimte voor creativiteit in ecologische data-analyse."