Infodoc : Sciences, Techniques et Culture

L’utilisation de méthodes de classification automatique, notamment avec les réseaux de neurones, permet le traitement de données écologiques variées et abondantes, comme les données acoustiques. L’application de ces méthodes reste un défi dans le cas d’enregistrements issus de paysages sonores réels soumis aux aléas environnementaux (vent, pluie), avec la présence simultanée de plusieurs espèces émettrices (chorus) et un faible rapport signal à bruit. Le jeu de données de validation provient d’enregistrements annotés réalisés au Québec par un réseau de 79 enregistreurs autonomes mis en place depuis 2016. La classification porte sur la détection et l’identification spécifique de vocalises de 43 espèces d’oiseaux d’intérêt écologique pour l’étude des tendances migratoires sur les sites [...]

L’utilisation de méthodes de classification automatique, notamment avec les réseaux de neurones, permet le traitement de données écologiques variées et abondantes, comme les données acoustiques. L’application de ces méthodes reste un défi dans le cas d’enregistrements issus de paysages sonores réels soumis aux aléas environnementaux (vent, pluie), avec la présence simultanée de plusieurs espèces émettrices (chorus) et un faible rapport signal à bruit. Le jeu de données de validation provient d’enregistrements annotés réalisés au Québec par un réseau de 79 enregistreurs autonomes mis en place depuis 2016. La classification porte sur la détection et l’identification spécifique de vocalises de 43 espèces d’oiseaux d’intérêt écologique pour l’étude des tendances migratoires sur les sites d’enregistrement. Ce rapport explore les causes des faibles performances de classification obtenue sur cet ensemble de validation à l’aide du calcul d’indicateurs simples décrivant les caractéristiques des enregistrements. Les indicateurs liés à la répartition de l’information spectrale et l’information en temps-fréquence permettent une distinction des enregistrements identifiables par le modèle actuellement utilisé. Les perspectives à l’issue de ce travail incluent l’application de ces indicateurs sur un jeu de données de validation non annoté et l’amélioration du jeu de données d’entraînement.

The use of machine learning and neural networks can greatly help the processing of big data in ecology, such as acoustic data. However, these methods fail to classify challenging sound scape data in which poor environmental conditions (wind, rain), co-occurring species(chorus) and low signal-to-noise ratio frequently happen. The test set is made up of labeled recordings from a network of 79 autonomous recorders recording since 2016 in Quebec, Canada. The classification task requires the detection and bird identification of 43ecologically relevant species used to monitor migratory patterns. This report dives into the causes of poor classification performances in the test set using a set of simple indicatorsdescribing recording features. Spectral- and time-frequency related indicators could enablethe selection of unclassifiable recordings by the currently used model. Future perspectives include the testing of indicators on a non-labeled test set and the improvement of training data.