Ұлыбритания мен Танзания зерттеушілері машиналық оқыту технологияларын пайдалана отырып, арыстанның дауыстарын автоматты түрде жіктеудің инновациялық әдісін әзірледі. Бұл тәсіл арыстанның ақырған дауысының құрылымын нақтылап қана қоймай, бұрын белгісіз болған элементті анықтады және жеке дараларды анықтау дәлдігін 87%-ға дейін арттырды. Сонымен қатар, Африканың әртүрлі аймақтарындағы арыстандардың «сөйлесу мәнері» де өзгеше екені анықталды.

Арыстанның ақырған дауысының ерекшелігі

Әр арыстанның өзіндік ерекше ақырған дауысы бар, ол аумақты қорғау мен прайд ішіндегі байланыс үшін маңызды. Биологтар популяция санын бағалау үшін осы ақырған дауыстардың жазбаларын пайдаланады. Бұрын мұндай деректерді талдау үшін мамандар сағаттап жазбаларды қолмен тыңдап, әр жануарға тән жеке үзінділерді бөліп алатын. Бұл процесс көп уақытты талап ететін әрі сарапшылардың біліктілігіне тәуелді болатын, сондықтан қателіктер мен әртүрлі интерпретациялар орын алатын.

Вокализацияларды талдауда машиналық оқыту

Ecology and Evolution журналында жарияланған зерттеу авторлары бұл процесті машиналық оқыту арқылы автоматтандырды. Бұрын арыстанның ақырған дауысы үш бөліктен тұрады деп есептелген: басындағы ыңырсу, қатты ақырған дауыс және соңындағы ырылдау. Алайда дыбыстық үлгілерді талдау құрылымның күрделірек екенін көрсетті: қатты ақырған дауыста қосымша — аралық ақырған (intermediary roar) элементі анықталды.

Дыбыстарды сұрыптау үшін K-орташа кластерлеу әдісі қолданылды. Алгоритм тек екі параметрге — дыбыстың ұзақтығы мен оның ең жоғары жиілігіне сүйене отырып, вокализация түрлерін адам араласуынсыз ажырата алды. Жіктеу дәлдігі 95,4%-ға жетті.

Идентификация дәлдігін арттыру

Биологтар үшін жазбаның ең құнды бөлігі — қатты ақырған дауыс, өйткені онда жануардың даралығы шифрланған. Қолмен талдау көбіне нағыз ақырған мен ұқсас дыбыстарды шатастырып, идентификация дәлдігін төмендететін. Алгоритм бұл тапсырманы сарапшылардан жақсы орындады: нейрожелімен таңдалған деректерді пайдалану нақты арыстандарды тану дәлдігін қолмен белгілеудегі 80%-дан 87%-ға дейін арттырды. Бағдарлама бірыңғай бағалау критерийлерін қолданады және шаршамайды, сондықтан адами факторды болдырмайды.

Географиялық ерекшеліктер мен «акценттер»

Зерттеу барысында ғалымдар арыстандар экологиясына қатысты қызықты жайттарды анықтады. Танзания мен Зимбабведен алынған жазбаларды салыстырғанда дыбыстардың жиілік сипаттамалары мен ұзақтығында айырмашылықтар байқалды. Бұл әртүрлі аймақтарда «акценттердің» бар екенін көрсетеді: континенттің әр бөлігіндегі популяциялар әртүрлі естіледі. Мұндай ерекшелік бүкіл Африкаға арналған әмбебап бағдарлама жасауды қиындатуы мүмкін — «танзаниялық диалектіде» үйретілген нейрожелі Зимбабведе жұмыс істеу үшін қосымша оқытуды қажет етеді.

Акценттердің пайда болу себептері ересектерден жас арыстандарға ақырған дауысты үйрету, сондай-ақ дыбыстың таралуына әсер ететін жер бедері мен өсімдіктің ықпалымен байланысты болуы мүмкін. Арыстандар, бәлкім, өз ақырғанын жергілікті жағдайларға бейімдеп, дыбысты барынша алысқа жеткізуге тырысады.

Әлеуметтік контекст және мониторинг

Зерттеу акустикалық мониторингтің әлеуметтік контекстке қатты тәуелді екенін де көрсетті. Танзанияда микрофондар аналық арыстандардың бірде-бір ақырғанын тіркемеген — зерттеу кезінде жергілікті арыстан аналардың кішкентай күшіктері болғандықтан, олар басқа жыртқыштар мен бәсекелестердің назарын аудармау үшін үнсіз қалған.

Табиғатты қорғау перспективалары

Жаңа әдіс пассивті акустикалық мониторингті табиғатты қорғау үшін қолжетімді әрі тиімді құралға айналдырады. Саваннаға автономды микрофондар орнату экспедициялар жүргізуден немесе фототұзақтар желісін ұстаудан әлдеқайда оңай әрі арзан. Деректерді өңдеуді алгоритмдерге тапсыру биологтарға жыртқыштардың санын кең әрі қол жетпейтін аумақтарда дәлірек бағалауға мүмкіндік береді.