AI in de akoestiek van walvissen en zeezoogdieren
AI scant enorme hoeveelheden onderwateraudio om walvissen en andere zeezoogdieren te detecteren, classificeren en volgen aan de hand van hun roep.
Overzicht
It matters for preventing ship strikes, reducing harmful noise, and understanding species we can rarely see.
Diepe duik
De oceaan is ondoorzichtig voor licht, maar transporteert geluid over honderden kilometers, dus zeezoogdieren zijn afhankelijk van vocalisaties, en dat geldt ook voor wetenschappers. Hydrofoons, afgemeerd, gesleept of op autonome zweefvliegtuigen, nemen continu op en produceren terabytes aan audio. AI-detectoren gebouwd op CNN's en terugkerende of transformatormodellen scannen spectrogrammen om walvisgeluiden te vinden te midden van scheepsgeluid, identificeren soorten aan de hand van kenmerkende geluiden zoals het lied van de bultrug of de roep van de walvis, en onderscheiden zelfs individuele klikpatronen van potvissen en dolfijnen. De samenwerking van Google met NOAA leverde classificaties van bultruggen op uit tientallen jaren aan opnames in de Stille Oceaan. Bijna-realtime detectie voedt systemen die schepen waarschuwen om langzamer te gaan varen, waardoor ernstig bedreigde Noord-Atlantische walvissen worden beschermd tegen dodelijke botsingen.
Technisch inzicht
Net als bij vogels worden oproepen omgezet in spectrogrammen en geclassificeerd door diepe netwerken, maar de onderwateromgeving voegt hindernissen toe: laagfrequente walvisgeluiden overlappen met motor- en seismisch onderzoekgeluid, voortplanting van geluid vervormt signalen en gelabelde gegevens voor zeldzame soorten zijn schaars. Detectoren zijn vaak afgestemd op een hoge terugroepactie, zodat oproepen niet worden gemist. Vervolgens verifiëren menselijke analisten de gemarkeerde segmenten. Sommige systemen draaien op boeien en zenden detecties vrijwel in realtime naar de kust.
Strategische impact
Build choices
Ontwerp op applicatieniveau bepaalt of AI de werkelijke resultaten verbetert.
Team and workflow
Een goede workflowintegratie zorgt voor productiviteitswinst waar gebruikers op kunnen vertrouwen.
Risk and safety
Goed gedefinieerde gebruiksscenario's verminderen de veranderingsmoeheid en het implementatierisico.
De toekomst van AI in de akoestiek van walvissen en zeezoogdieren
Verwacht netwerken van slimme boeien en zweefvliegtuigen die binnen enkele minuten detectie aan boord uitvoeren en waarschuwingen naar zeelieden en managers sturen. Zelf-gecontroleerde modellen zullen leren van ongelabelde oceaanaudio, waardoor de detectie van onderbelichte soorten wordt verbeterd. Projecten zoals Project CETI zijn bedoeld om machinaal leren te gebruiken om de structuur van potviscommunicatie te decoderen. Gecombineerd met passieve schatting van de akoestische dichtheid zou AI kunnen zorgen voor continue populatiemonitoring op oceaanbekkenschaal en dynamisch, geluidsbewust scheepvaartbeheer.
Implementatie in de echte wereld
Bijna-realtime detectiesystemen voor walvissen waarschuwen schepen om vaart te minderen en aanvaringen voor de oostkust van de VS te voorkomen.
Google en NOAA hebben AI-classificatoren gebouwd om de liederen van bultruggen te vinden in decennia aan hydrofoongegevens uit de Stille Oceaan.
Autonome zweefvliegtuigen met ingebouwde detectoren onderzoeken de aanwezigheid van walvissen in afgelegen oceaangebieden.
Project CETI past machine learning toe om de kliksequenties (coda's) van potvissen te analyseren en hun communicatie te bestuderen.
Risico's en vangrails
Het automatiseren van een kapot proces kan bestaande problemen versterken.
Teams kunnen overautomatiseren en het benodigde menselijke oordeel wegnemen.
De kwaliteit kan afwijken als de resultaten niet voortdurend worden geëvalueerd.
Implementatie routekaart
Breng de huidige workflow in kaart en identificeer de stap met de hoogste wrijving.
Definieer menselijke controlepunten vóór volledige automatisering.
Train gebruikers op het gebied van prompts, escalatiepaden en kwaliteitsnormen.
Volg de resultaten op taakniveau om duurzame waarde te bevestigen.
Blijf verkennen
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Whale and Marine Mammal Acoustics quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Akoestische echo-annulering
Frequently asked questions
What is AI in Whale and Marine Mammal Acoustics?
AI scant enorme hoeveelheden onderwateraudio om walvissen en andere zeezoogdieren te detecteren, classificeren en volgen aan de hand van hun roep. Het is van belang voor het voorkomen van scheepsaanvaringen, het verminderen van schadelijk geluid en het begrijpen van soorten die we zelden kunnen zien.
Waarom staat geluid, in plaats van zicht, centraal bij het bestuderen van zeezoogdieren?
Licht vervaagt snel onder water terwijl geluid honderden kilometers aflegt, dus vocalisaties zijn de belangrijkste manier om verre zeezoogdieren te detecteren.
Welke veiligheidstoepassing in de echte wereld maakt gebruik van vrijwel realtime walvisdetectie?
Detectiesystemen signaleren bedreigde walvissen en waarschuwen schepen om de snelheid te verminderen, waardoor het risico op dodelijke aanvaringen wordt verkleind.
Welke organisaties hebben samengewerkt om classificatiesystemen voor liederen van bultruggen te maken op basis van opnamen uit de Stille Oceaan?
Google werkte samen met NOAA om AI toe te passen op tientallen jaren onderwateropnamen en de liedjes van bultruggen te identificeren.
Wat is een belangrijke uitdaging die uniek is voor akoestische onderwaterdetectie?
Laagfrequente oproepen concurreren met motor- en onderzoeksgeluid, en de voortplanting vervormt signalen, wat detectie bemoeilijkt.
Wat is het doel van het gebruik van machine learning door Project CETI?
Project CETI past machinaal leren toe om de structuur van potviscoda's te decoderen om beter te begrijpen hoe ze communiceren.