Analítica visual de dados ambientais obtidos por monitoramento acústico passivo

Resumo

O Monitoramento Acústico Passivo (MAP) tem se mostrado uma abordagem promissora para acompanhar a biodiversidade a partir do registro da abundância e distribuição animal, oferecendo uma abordagem não invasiva, padronizada e eficiente de coletar dados ecológicos em grandes escalas espaciais e temporais. O MPA viabiliza um acesso sem precedentes a informações sobre o meio ambiente e mudanças nos ecossistemas, e pode apoiar programas de monitoramento e conservação fortemente embasados em dados. A tecnologia mostra-se particularmente adequada para o estudo de ambientes tropicais, caracterizados por extrema biodiversidade e visibilidade limitada pela vegetação densa. Não obstante, sua expansão é desafiada por um cenário clássico de big data: o MAP permite coletar, com pouco esforço, milhares de extensos arquivos de áudio, cuja análise por inspeção manual rapidamente torna-se inviável. O objetivo deste projeto é desenvolver soluções computacionais robustas para atender algumas demandas colocadas por estudiosos em ecologia e biodiversidade relacionadas à análise de registros acústicos coletados por meio de MAP. O processamento de áudio por técnicas de aprendizado de máquina é inerentemente complexo, o volume de dados é expressivo e o processamento de paisagens acústicas associadas a ambientes naturais é um tema de pesquisa ainda relativamente recente e bastante desafiador. Como os gravadores registram o som ambiental oriundo de múltiplas fontes, independentemente de sua natureza, é comum que eventos acústicos de interesse sejam mascarados, capturados de forma tênue, ou ocorram de forma sobreposta a outros eventos que podem ser ou não de interesse. Como a localização espacial dos insetos e animais varia, enquanto os gravadores permanecem em uma posição fixa, os registros acústicos coletados são naturalmente ruidosos, e ocorrências de eventos similares apresentam grande variabilidade. Esse cenário dificulta sobremaneira a execução de tarefas essenciais de identificação e etiquetação das ocorrências de interesse. Estratégias de aprendizado de máquina bem sucedidas em registros acústicos obtidos em condições mais controladas mostram-se pouco efetivas nesse cenário, o que motiva esta investigação. Vamos considerar, inicialmente, algumas tarefas críticas bastante relacionadas entre si, a saber, a automatização do processo de etiquetação de registros acústicos, e a extração de modelos de aprendizado de máquina para a identificação, recuperação e classificação de eventos de interesse em paisagens acústicas. (AU)