AI i hval- og sjøpattedyrakustikk
AI skanner enorme mengder undervannslyd for å oppdage, klassifisere og spore hvaler og andre sjøpattedyr ved deres kall.
Oversikt
It matters for preventing ship strikes, reducing harmful noise, and understanding species we can rarely see.
Dypdykk
Havet er ugjennomsiktig for lys, men bærer lyd i hundrevis av kilometer, så sjøpattedyr er avhengige av vokalisering, og det gjør forskere også. Hydrofoner, enten de er fortøyd, slept eller på autonome seilfly, tar opp kontinuerlig og produserer terabyte med lyd. AI-detektorer bygget på CNN-er og tilbakevendende modeller eller transformatormodeller skanner spektrogrammer for å finne hval-anrop blant skipsstøy, identifisere arter fra signaturlyder som pukkelryggens sang eller høyrehvalens rop, og til og med skille individuelle klikkmønstre for spermhval og delfiner. Googles samarbeid med NOAA produserte knølhvalklassifiserere fra flere tiår med Stillehavsopptak. Nesten sanntidsdeteksjon mater systemer som varsler skip om å bremse, og hjelper til med å beskytte kritisk truede nordatlantiske hval fra fatale kollisjoner.
Teknisk innsikt
Som med fugler, blir anrop omgjort til spektrogrammer og klassifisert av dype nettverk, men undervannsinnstillingen legger til hindringer: lavfrekvente hvalanrop overlapper med motorstøy og seismisk undersøkelsesstøy, lydutbredelse forvrenger signaler, og merket data for sjeldne arter er knappe. Detektorer er ofte innstilt for høy tilbakekalling, slik at anrop ikke går glipp av, deretter bekrefter menneskelige analytikere flaggede segmenter. Noen systemer kjører på bøyer, og sender deteksjoner til land i nesten sanntid.
Strategisk innvirkning
Build choices
Design på applikasjonsnivå avgjør om AI forbedrer reelle resultater.
Team and workflow
God arbeidsflytintegrasjon skaper produktivitetsgevinster som brukerne kan stole på.
Risiko og sikkerhet
Godt omfattende brukstilfeller reduserer endringstretthet og implementeringsrisiko.
Fremtiden til kunstig intelligens i hval- og sjøpattedyrakustikk
Forvent nettverk av smarte bøyer og seilfly som utfører deteksjon om bord og sender varsler til sjøfolk og ledere i løpet av minutter. Selvkontrollerte modeller vil lære av umerket havlyd, og forbedre deteksjonen av understuderte arter. Prosjekter som Project CETI tar sikte på å bruke maskinlæring for å dekode strukturen til spermhvalkommunikasjon. Kombinert med passiv akustisk tetthetsestimering, kan AI levere kontinuerlig befolkningsovervåking i havbassengskala og dynamisk, støybevisst fraktstyring.
Real-World Implementering
Høyrehvaldeteksjonssystemer i nesten sanntid varsler skip om å bremse ned og unngå kollisjoner utenfor den amerikanske østkysten.
Google og NOAA bygde AI-klassifiserere for å finne knølhvalsanger i flere tiår med stillehavshydrofondata.
Autonome seilfly med innebygde detektorer kartlegger tilstedeværelsen av hvaler i fjerntliggende havområder.
Prosjekt CETI bruker maskinlæring for å analysere klikksekvensene (codas) til spermhval for å studere kommunikasjonen deres.
Risikoer og rekkverk
Automatisering av en ødelagt prosess kan forsterke eksisterende problemer.
Lag kan overautomatisere og fjerne nødvendig menneskelig dømmekraft.
Kvaliteten kan avvike hvis resultater ikke evalueres kontinuerlig.
Veikart for implementering
Kartlegg gjeldende arbeidsflyt og identifiser trinnet med høyeste friksjon.
Definer menneskelige sjekkpunkter før full automatisering.
Lær brukere på meldinger, eskaleringsveier og kvalitetsstandarder.
Spor resultater på oppgavenivå for å bekrefte vedvarende verdi.
Fortsett å utforske
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
Neste guide
Akustisk ekko kansellering
Ofte stilte spørsmål
What is AI in Whale and Marine Mammal Acoustics?
AI skanner enorme mengder undervannslyd for å oppdage, klassifisere og spore hvaler og andre sjøpattedyr ved deres kall. Det er viktig for å forhindre skipstreik, redusere skadelig støy og forstå arter vi sjelden kan se.
Hvorfor er lyd, snarere enn syn, sentralt for å studere sjøpattedyr?
Lys blekner raskt under vann mens lyden beveger seg i hundrevis av kilometer, så vokalisering er den viktigste måten å oppdage fjerne sjøpattedyr.
Hvilken sikkerhetsapplikasjon i den virkelige verden bruker hvaldeteksjon i nær sanntid?
Deteksjonssystemer flagger truede hval og advarer fartøyer om å redusere hastigheten, noe som reduserer risikoen for dødelige kollisjoner.
Hvilke organisasjoner samarbeidet for å bygge pukkelhvalsangklassifiseringer fra Pacific-innspillinger?
Google samarbeidet med NOAA for å bruke AI på flere tiår med undervannsopptak og identifisere knølhvalsanger.
Hva er en nøkkelutfordring unik for akustisk deteksjon under vann?
Lavfrekvente anrop konkurrerer med motor- og undersøkelsesstøy, og forplantning forvrenger signaler, noe som kompliserer deteksjon.
Hva er målet med Project CETIs bruk av maskinlæring?
Prosjekt CETI bruker maskinlæring for å dekode strukturen til spermhvalkodaer for å bedre forstå hvordan de kommuniserer.