北大西洋露脊鲸(露脊鲸)是世界上最濒危的鲸鱼物种之一，在北美东海岸仅存约 368 头。下降趋势和低繁殖率，加上高水平的人类活动——如航运和渔业——凸显了它们的危险境地。有效跟踪它们的数量、迁徙路径和栖息地使用对于降低可预防的伤害和死亡数量并促进它们的恢复至关重要。
监测鲸鱼的常用方法之一称为被动声学技术。露脊鲸会发出各种低频声音，例如呻吟、呻吟、脉搏甚至打嗝。他们用来相互交流的一种典型的发声被称为“向上呼叫”，这是一种持续约两秒钟的短暂啁啾或“啾啾”。Up-calls 是频率在 50 到 440 赫兹范围内摆动的窄带发声，似乎起到将鲸鱼聚集在一起的信号的作用。
尽管当前的被动声学技术是一种可靠、安全和有效的方式来监测这些濒临灭绝的巨兽，但它并不总是表现良好。在越来越嘈杂的海洋中，目前的方法可能会将其他声音误认为是鲸鱼的叫声。这种高“误报”率阻碍了科学研究并阻碍了保护工作。
佛罗里达大西洋大学海港分校海洋学研究所和工程与计算机科学学院的研究人员使用人工智能 (AI) 和机器学习方法开发了一种新的、更准确的方法来检测露脊鲸上调。该技术利用多模态深度学习 (MMDL) 算法来评估声学记录并就是否存在上行呼叫做出决定。
该研究结果发表在美国声学学会杂志上，表明 MMDL 检测器优于传统的机器学习方法，并证明了 MMDL 算法在上行检测率、非上行检测率方面的优越性, 和误报率。MMDL 检测器的自主性可立即应用于有效监测和保护露脊鲸，其中低密度物种的准确呼叫检测至关重要。
“我们的深度学习算法是传统机器学习方法的重大进步。接近零的误报、误报和误报率表明，这种新的 MMDL 检测器可以成为检测和监测低密度、濒临灭绝的北大西洋露脊鲸的强大工具，尤其是在具有高声学掩蔽的环境中， ” Laurent M. Chérubin 博士说，他是 FAU 海港分部的资深作者和研究教授，他与第一作者和 FAU 海港分部的博士后研究助理 Ali K. Ibrahim 共事。“由于 MMDL 系统的属性不是特定于信号的，我们相信它可以用作涉及多个类的所有应用程序的分类器。”
研究人员使用康奈尔大学的数据集验证了 MMDL 模型对露脊鲸上行检测的有效性。这些记录的信号被转换为图像并由 MMDL 检测器分类。该算法由两种类型的神经网络组成，随机选择其设计参数，几乎不需要预处理并自动化其架构构建。单个模型的输出由融合分类器评估，该分类器选择最可能的结果。
为了强调对濒危物种进行有效检测和监测技术的紧迫性，新的研究表明，鲸鱼和其他海洋物种正受到气候变化的影响，包括迁徙模式和栖息地利用的变化。最近，在以前不作为重要露脊鲸栖息地的地方观察到了北大西洋露脊鲸。新的 MMDL 系统提供了一种新工具，可以有效地监测和评估这些新行为在不断变化的海洋中的重要性。
