Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen: https://doi.org/10.21256/zhaw-19254
Publikationstyp: Thesis: Bachelor
Titel: Automatisierte Erkennung der Balzaktivität von Birkhähnen (Tetrao tetrix) in R anhand bioakustischer Aufnahmen
Autor/-in: Burkhalter, Felix
Betreuer/-in / Gutachter/-in: Suter, Stefan
Stephani, Annette
DOI: 10.21256/zhaw-19254
Umfang: 42
Erscheinungsdatum: 2019
Verlag / Hrsg. Institution: ZHAW Zürcher Hochschule für Angewandte Wissenschaften
Verlag / Hrsg. Institution: Winterthur
Sprache: Deutsch
Schlagwörter: Seewave; GibbonR; R; Machine learning; Birkhuhn; Tetrao tetrix; Balzaktivität; Deep learning; Neuronale Netzwerke
Fachgebiet (DDC): 004: Informatik
Zusammenfassung: Die Bestände des Birkhuhns (Tetrao tetrix) sind aufgrund diverser Faktoren, wie Lebensraumverlust oder Störung durch den Menschen, in der Schweiz rückläufig. Um die Bestände zu beobachten, werden die Birkhähne während der Balzzeit passiv akustisch überwacht. Diese Form der Überwachung generiert Akustikaufnahmen in grossen Datenmengen. An der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) müssen diese zurzeit manuell an einem Spektrogramm ausgewertet werden, damit festgestellt werden kann, wann ein Birkhahn die beiden Balzgeräusche, Kullern und Zischen, von sich gibt. Diesen finanziell und zeitlich grossen Auswertungsaufwand gilt es mittels Automatisierung zu optimieren. In dieser Arbeit wurden zwei R-Pakete, die sich für eine automatisierte Erkennung eignen, getestet und die Ergebnisse verglichen. Das erste Paket seewave, welches die automatische Erkennung mittels einer Cross-Korrelation zwischen dem Spektrogramm von vier Vorlagen und dem Spektrogramm der Akustikaufnahme ausführt, konnte 25% der gesuchten Balzgeräusche entdecken und markieren. Die Trefferquote konnte auf 77% erhöht werden, nachdem die Spektrogramme der Vorlage und der Akustikaufnahme in eine binäre Form gebracht wurden. Das zweite Paket gibbonR ist spezifisch auf die automatische Erkennung von Geräuschen in Akustikaufnahmen abgestimmt und basiert auf dem Prinzip des deep learning. Die Algorithmen wurden mit je 1000 Akustikaufnahmen des Kullerns und Zischens trainiert. Der Algorithmus, der auf Stützvektormaschinen (SVM) basiert, konnte mit einer Wahrscheinlichkeit von 99.6% Kullern und Zischen richtig zuteilen. Mit diesem Paket konnten 74% der gesuchten Balzgeräusche entdeckt und markiert werden. Beide Pakete klassifizierten Hintergrundgeräusche falsch. Bei gibbonR könnte dies mit der Erhöhung der Anzahl von Trainingsdaten verbessert werden. Auch sollte gibbonR, bei Verwendung einer Stützvektormaschine (SVM), gezielt mit Hintergrundgeräuschen trainiert werden, um bessere Ergebnisse zu erzielen. Zudem sollte das Potential von gibbonR besser untersucht werden. Für die Anwendung an anderen Tierarten, die passiv akustisch überwacht werden, eignet sich gibbonR durch seine deep learning Ansätze besser als seewave.
URI: https://digitalcollection.zhaw.ch/handle/11475/19254
Lizenz (gemäss Verlagsvertrag): Lizenz gemäss Verlagsvertrag
Departement: Life Sciences und Facility Management
Enthalten in den Sammlungen:Bachelorarbeiten Umweltingenieurwesen

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
2019_Burkhalter_Felix_Konrad_BA_UI.pdf1.39 MBAdobe PDFMiniaturbild
Öffnen/Anzeigen


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt, soweit nicht anderweitig angezeigt.