Please use this identifier to cite or link to this item: https://doi.org/10.21256/zhaw-19254
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSuter, Stefan-
dc.contributor.advisorStephani, Annette-
dc.contributor.authorBurkhalter, Felix-
dc.date.accessioned2020-01-29T12:00:15Z-
dc.date.available2020-01-29T12:00:15Z-
dc.date.issued2019-
dc.identifier.urihttps://digitalcollection.zhaw.ch/handle/11475/19254-
dc.description.abstractDie 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.de_CH
dc.format.extent42de_CH
dc.language.isodede_CH
dc.publisherZHAW Zürcher Hochschule für Angewandte Wissenschaftende_CH
dc.rightsLicence according to publishing contractde_CH
dc.subjectSeewavede_CH
dc.subjectGibbonRde_CH
dc.subjectRde_CH
dc.subjectMachine learningde_CH
dc.subjectBirkhuhnde_CH
dc.subjectTetrao tetrixde_CH
dc.subjectBalzaktivitätde_CH
dc.subjectDeep learningde_CH
dc.subjectNeuronale Netzwerkede_CH
dc.subject.ddc004: Informatikde_CH
dc.titleAutomatisierte Erkennung der Balzaktivität von Birkhähnen (Tetrao tetrix) in R anhand bioakustischer Aufnahmende_CH
dc.typeThesis: Bachelorde_CH
dcterms.typeTextde_CH
zhaw.departementLife Sciences und Facility Managementde_CH
zhaw.publisher.placeWinterthurde_CH
dc.identifier.doi10.21256/zhaw-19254-
zhaw.originated.zhawYesde_CH
Appears in Collections:Bachelorarbeiten Umweltingenieurwesen

Files in This Item:
File Description SizeFormat 
2019_Burkhalter_Felix_Konrad_BA_UI.pdf1.39 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.