Auf dem Weg zur Automatisierung längst

Wissenschaftliche Berichte Band 13, Artikelnummer: 10801 (2023) Diesen Artikel zitieren

1382 Zugriffe

1 Zitate

149 Altmetrisch

Details zu den Metriken

Mit passiver akustischer Überwachung (PAM) und Faltungs-Neuronalen Netzen (CNN) haben wir die Bewegungen der beiden gefährdeten Amazonas-Delfinarten, des Boto (Inia geoffrensis) und des Tucuxi (Sotalia fluviatilis), von Hauptflüssen zu Auenlebensräumen (Várzea) überwacht. im Mamirauá-Reservat (Amazonas, Brasilien). Basierend auf der Klassifizierung ihrer Echoortungsklicks haben wir die Anwesenheit von Delfinen in vier Hauptgebieten festgestellt. Mit der gleichen Methode haben wir Bootspassagen automatisch erkannt, um eine mögliche Interaktion zwischen Boot und Delfinpräsenz abzuschätzen. Die Leistung des CNN-Klassifikators war mit einer durchschnittlichen Präzision von 0,95 bzw. 0,92 für Echoortungsklicks und Boote hoch. Am Flusseingang und im Kanal wurden gleichzeitig Spitzen akustischer Aktivität festgestellt, die dem saisonalen Eindringen von Delfinen in die Várzea entsprechen. Darüber hinaus wurden die Flussdelfine regelmäßig im überfluteten Wald gesichtet, was darauf hindeutet, dass ihre Populationen in diesem großen Gebiet weit verbreitet sind, das traditionell wenig erforscht ist und für Boto-Weibchen und -Kälber besonders wichtig ist. Boote überschnitten sich in 9 % der Fälle mit der Anwesenheit von Delfinen. PAM und jüngste Fortschritte bei Klassifizierungsmethoden bringen neue Erkenntnisse über die Nutzung der Várzea-Lebensräume durch Flussdelfine, die zu Schutzstrategien für diese Arten beitragen werden.

In den letzten Jahren hat die Internationale Union für Naturschutz (IUCN) den Status der beiden Flussdelfinarten des Amazonas, des Rosa Flussdelfins (Inia geoffrensis) und des Tucuxi (Sotalia fluviatilis), von „Datenmangel“ auf „Datenmangel“ neu bewertet. Gefährdet'1,2. Mit dieser neuen Kategorisierung gelten nun alle fünf verbliebenen Flussdelfinarten offiziell als vom Aussterben bedroht. Diese alarmierende Situation spiegelt die komplizierte Kombination direkter und indirekter Bedrohungen für Flussdelfine auf der ganzen Welt wider, wo Konflikte mit der kommerziellen Fischerei (z. B. Konkurrenz um Ressourcen und Schäden an Fischnetzen)3,4,5,6 durch den hohen anthropogenen Druck verschärft werden tropische Süßwasserökosysteme7. Im Amazonasbecken sind die größten direkten Bedrohungen für Flussdelfinpopulationen der Fang als Köder bei der kommerziellen Fischerei auf Piracatinga Calophysus Macropterus und das Verfangen in Kiemennetzen3,8,9,10,11,12,13. Darüber hinaus wirkt sich die Störung der hydrologischen Konnektivität durch den Bau von Staudämmen, den Bergbau, die Landwirtschaft und die Viehzucht tiefgreifend auf die ökologischen Funktionen der Flüsse aus und verschlechtert zunehmend die Süßwasserökosysteme14. Die Folge ist, dass die Populationen der Amazonas-Delfine zurückgehen. Jüngste Studien belegen einen alarmierenden Bevölkerungsrückgang von 50 % alle 10 Jahre bei Boto und alle 9 Jahre bei Tucuxi6. Aktuelle Modelle zur Lebensfähigkeit von Populationen sagen einen Rückgang der Boto-Population um 95 % innerhalb von 50 Jahren voraus15. Diese beiden Studien wurden in einem Schutzgebiet durchgeführt, dem Mamirauá Sustainable Development Reserve (Reserva de Desenvolvimento Sustentável Mamirauá – RDSM), wo der anthropogene Druck auf Flussdelfine im Vergleich zu nicht geschützten Gebieten wahrscheinlich geringer ist.

Amazonas-Flussdelfine leben in einer einzigartigen Umgebung, die durch radikale saisonale Veränderungen im Wasserhaushalt gekennzeichnet ist. Die Hälfte des Jahres werden große Gebiete der Flusswälder überschwemmt16, wodurch sich der Lebensraum der Wassertiere von den Hauptflüssen auf große Gebiete der angrenzenden Überschwemmungsgebiete, die lokal Várzea und Igapó genannt werden, ausdehnt. Diese bieten Zugang zu einer hochkomplexen und ressourcenreichen Umgebung, die aus untergetauchter Vegetation besteht. Der saisonale „Hochwasserimpuls“ ist der Hauptfaktor für die Verbreitung und Bewegung vieler amazonischer Wasserarten, darunter Süßwasserfische, die zum Abschluss ihres Lebenszyklus kleine saisonale Bewegungen zwischen den Hauptflüssen und Überschwemmungsgebieten unternehmen17,18. Fischfamilien, von denen bekannt ist, dass sie den größten Teil der Nahrung von Flussdelfinen ausmachen, wie die Salmler (Characiforms) und die Goldwelse (Siluriforms)19, weisen solche synchronisierten seitlichen Wanderungen auf, und saisonale Veränderungen in der Lebensraumdichte von Amazonasdelfinen wurden mit der Fischwanderung in Verbindung gebracht20 ,21,22,23.

Während der Niedrigwassersaison sind Flussdelfine in den Hauptflüssen konzentriert21,24. Bevorzugte Lebensräume sind Zusammenflüsse von zwei oder mehr Wasserströmen (z. B. kleine Nebenflüsse oder größere Kanäle verbinden sich mit den Hauptflüssen), Buchten, Seen und Flussränder 23,24,25,26. Wenn der Wasserstand zu steigen beginnt, folgen Flussdelfine den Fischbewegungen und dringen über Flusskanäle in die Überschwemmungsgebiete ein. Die Botos sind stark an die komplexe und unübersichtliche Umgebung der Überschwemmungsgebiete angepasst; Anatomische Spezialisierungen wie nicht verwachsene Halswirbel sorgen für zusätzliche Nackenflexibilität und ein einzigartiges Schultergelenk ermöglicht einen größeren Rotationsbereich der Flossen, was die Manövrierfähigkeit erheblich erhöht27. Die Botos neigen dazu, sich über das Mosaik neu überschwemmter Lebensräume zu verteilen, einschließlich Auenkanälen, Binnenseen (saisonal von den Flüssen isoliert) und überfluteten Wäldern, während die Tucuxis normalerweise in den tieferen Teilen der Überschwemmungsebene bleiben, d. h. sie besetzen die Flusskanäle und kleine Zusammenflüsse21,28,29,30. Sobald der Wasserstand zu sinken beginnt, ziehen die Delfine zurück in die Hauptflüsse, wahrscheinlich um einer Falle zu entgehen5,21. Botos scheinen je nach Alter und Fortpflanzungsstatus bevorzugt unterschiedliche Lebensräume zu nutzen. Männliche Botos und Weibchen ohne Kälber scheinen ähnliche Lebensraumpräferenzen zu haben und zeigen ähnliche Bewegungsmuster von den Hauptflüssen zur Várzea21. Andererseits verbringen Weibchen mit Kälbern und unreifen Tieren mehr Zeit in den Várzea-Lebensräumen (Buchten oder kleinen Zusammenflüssen, Kanälen) als im Hauptfluss und kehren während der Niedrigwassersaison manchmal nicht in die Hauptflüsse zurück, wenn der Wasserstand gleich bleibt ausreichend hoch5.

Die Komplexität der Auenlebensräume macht die Vermessung der Binnenseen und des überschwemmten Waldes äußerst anspruchsvoll. Bisher beruhte die überwiegende Mehrheit der Informationen über die Verbreitung von Flussdelfinen auf visuellen Untersuchungen von Booten, die normalerweise entlang von Flüssen durchgeführt werden. Leider erschweren das unauffällige Verhalten an der Oberfläche und das Vorkommen in abgelegenen Gebieten die Überwachung von Flussdelfinen mit visuellen Techniken. Als alternativer oder ergänzender Ansatz haben sich in letzter Zeit visuelle Überwachungsmethoden aus der Luft herauskristallisiert, wobei der Einsatz unbemannter Luftfahrzeuge (Drohnen) oder nicht starrer Luftschiffsysteme (Luftschiffe) auf die Überwachung von Delfinen in den Hauptflüssen konzentriert ist31,32. Obwohl diese Techniken eine Verbesserung der Zählungsschätzungen versprechen31, sind sie auf offene Gebiete beschränkt und können nicht in überschwemmten Wäldern angewendet werden, wo die Baumkronen eine visuelle Erkennung von oben verhindern. Satellitenverfolgungsstudien können Aufschluss über Bewegungen und Lebensraumpräferenzen von Tieren geben33,34, sind jedoch mit erheblichen Einschränkungen hinsichtlich der Kosten und der betrieblichen Komplexität sowie den Risiken im Zusammenhang mit dem Fangen von Tieren und dem Anbringen von Markierungen verbunden35. In einer Studie wurden Mortalitätsereignisse mit Tag-Implantaten bei Belugas in Verbindung gebracht36, wohingegen Martin et al.37] keinen Einfluss auf die Überlebensrate der markierten Botos im RDSM durch die Markierung fanden. Auch wenn die Risikoniveaus teilweise artenspezifisch sein können, empfehlen die kürzlich veröffentlichten „Best-Practice-Richtlinien für die Kennzeichnung von Walen“, diese Technik auf Forschungsfragen zu beschränken, die mit anderen Methoden nicht beantwortet werden können38.

Der Einsatz der passiven akustischen Überwachung (PAM) zur Durchführung von Untersuchungen von Flussdelfinen nutzt die quasi-kontinuierliche Stimmproduktion der Flussdelfine39, was zu einer hohen akustischen Erkennbarkeit führt. Flussdelfine erzeugen Echoortungsklicks, um ihre Umgebung zu erfassen, sich zu orientieren und nach Nahrung zu suchen, sowie andere Lautäußerungen, einschließlich Boto-spezifischer, niederfrequenter, gepulster Lautäußerungen40 und Pfeifen41. Echoortungsklicks werden fast kontinuierlich erzeugt und stellen ein zuverlässiges, konsistentes und gut erkennbares akustisches Mittel zur Untersuchung der Anwesenheit von Delfinen dar (für einen Überblick über Methoden und Anwendungen siehe 42). PAM wurde erfolgreich in Amazonas-Delfinstudien eingesetzt, darunter Populationsverteilung und Lebensraumnutzung43,44,45 sowie Stimmverhalten39,44,46,47,48,49,50,51. Dank technologischer Fortschritte kann die akustische Präsenz von Delfinen in Echtzeit erfasst werden52. Allerdings bringt die Amazonas-Umgebung zahlreiche Herausforderungen für die Signalerkennung und -klassifizierung mit sich. Die Komplexität der Klanglandschaft des Süßwasserökosystems umfasst neben den Echolokalisierungsklicks von Delfinen auch verschiedene impulsive Schallquellen, wie zum Beispiel Kavitationsgeräusche von Schiffsmotoren, Regen und hochfrequent streichende Insekten. Darüber hinaus werden die komplexen akustischen Ausbreitungsbedingungen in den begrenzten Flachwasserumgebungen durch suspendierte Sedimente und Detritus erschwert, die die Signalausbreitung durch Reflexion, Brechung und Streuung verändern.

Es gibt verschiedene Methoden, um impulsive Geräusche wie Echoortungsklicks automatisch zu erkennen. Für Odontozeten-Klicks wurden Support-Vector-Machine-Methoden und energiebasierte Klickdetektoren verwendet (Amazonas-Delfin43, Schnabelwale53), einige davon wurden mit neuronalen Netzen gekoppelt (Indopazifische Buckeldelfine54). Andere Studien verwendeten Gaußsche Mischungsmodelle (GMMs) mit Signalen, die durch Cepstralmerkmale55, Entropie56 oder Gaußsche Kernel-basierte Netzwerke57 dargestellt werden, sowie vorwärtsgerichtete neuronale Netzwerke, die erste Art künstlicher neuronaler Netzwerke58. Die jüngsten Fortschritte auf dem Gebiet der automatischen Klassifizierung akustischer Signale nutzen Deep Neural Networks (DNN). Für Klicks zur Echoortung von Walen wurde dieser Ansatz für Klicks von Pottwalen 59 und anderen Odontozeten entwickelt60,61. Bisher wurden Convolutional Neural Networks (CNN), eine Klasse von DNN, nicht zur Klassifizierung von Flussdelfinsignalen verwendet.

In dieser Studie haben wir PAM-Techniken mit modernsten automatischen Klassifizierungsalgorithmen auf CNN-Basis kombiniert, um die Präsenz von Flussdelfinen in verschiedenen Auenlebensräumen im Mamirauá Sustainable Development Reserve (RDSM) im Bundesstaat Amazonas, Brasilien, zu überwachen. Insbesondere konzentrierten wir uns auf (1) die Entwicklung eines zuverlässigen Klassifizierungsmodells, das genau zwischen verschiedenen Arten von Impulsgeräuschen unterscheiden kann, die in den Geräuschlandschaften der Überschwemmungsgebiete vorkommen (Echoortungsgeräusche von Delfinen, Bootsmotoren und Regen); (2) automatische Erkennung der akustischen Anwesenheit von Delfinen in großen Datensätzen aus verschiedenen Auenlebensräumen, einschließlich dauerhaft und saisonal überfluteter Standorte; (3) Identifizieren zeitlicher Überschneidungen zwischen der Anwesenheit von Delfinen und Booten. Die hier entwickelten Klassifikatoren werden Teil der Erhaltungsstrategie des RDSM sein.

Das Untersuchungsgebiet umfasst etwa 800 km2 im Mamirauá Sustainable Development Reserve (RDSM) im brasilianischen Bundesstaat Amazonas (Abb. 1). Das RSDM umfasst etwa 11.000 km2 am Zusammenfluss des Solimões-Flusses (oberer Amazonas) und des Japurá-Flusses und ist das größte brasilianische Schutzgebiet, das sich der Erhaltung überfluteter Regenwälder widmet. Das RDSM wird von der lokalen Bevölkerung entlang von Flüssen und Seen bewohnt, die an der Bewirtschaftung und Überwachung der biologischen Vielfalt durch nachhaltige Entwicklung beteiligt ist. Dieser Schutzstatus stellt sicher, dass die Schutzgebiete überwiegend unveränderte Natursysteme enthalten.

Karte des Untersuchungsgebiets, des Mamirauá Sustainable Development Reserve (RDSM), Bundesstaat Amazonas, Brasilien, und der Aufnahmeorte innerhalb des RDSM. Die Lebensraumtypen wurden von Ferreira-Ferreira et al.64 modifiziert.

Die Region besteht aus dem Lebensraum Várzea (Wildwasserfluss-Auen), einem Tieflandwald, der saisonal von Wildwassern aus dem Amazonas überflutet wird und eine durchschnittliche jährliche Schwankung des Wasserspiegels von 10–12 m62 aufweist. In der Region gibt es auch Gebiete mit dichter Vegetation, die von Sträuchern (Chavascal) und krautiger Vegetation dominiert werden. Während der Trockenzeit (September bis März) wird der Wald von zahlreichen Seen und Kanälen durchzogen. Während der Regenzeit (April bis August) überschwemmt das Hochwasser den Wald zunehmend und überschwemmt den größten Teil des trockenen Landes. Im RDSM kommen zwei Flussdelfinarten vor, der Boto- oder Rosa Flussdelfin und der Tucuxi. Jede Art hat spezifische Lebensraumpräferenzen innerhalb und außerhalb der Várzea (dh der Hauptflüsse, die von den Überschwemmungsgebieten begrenzt werden)24.

Diese Studie umfasst vier verschiedene Várzea-Lebensraumtypen, darunter dauerhaft und vorübergehend überflutete Lebensräume. (1) „Ressacas“ sind flache, an den Flusskanal angrenzende Buchten mit geringer Strömungsgeschwindigkeit, die oft von schwimmender Vegetation gesäumt sind21. (2) Flusskanäle (paranás) sind kleinere Wassersysteme, die die Flüsse mit den Auenseen verbinden. (3) Binnenseen sind dauerhaft überflutete Systeme innerhalb der Aue. Abhängig von ihrem geomorphologischen Typ und ihrer Lage weisen Seen unterschiedliche Grade der Anbindung an die Hauptflüsse auf und können mit frei schwimmenden aquatischen Makrophyten bedeckt sein. (4) Niedrige Várzea-Wälder, wie der überflutete Wald in dieser Studie, werden mehr als drei Monate im Jahr überschwemmt (im Gegensatz zu hohen Várzea-Wäldern) und mit Bäumen und Sträuchern bedeckt63.

Die akustischen Daten wurden über verschiedene Aufnahmesysteme erfasst. Eine Übersicht über die Datenerfassung ist in Tabelle 1 dargestellt. Der von der National Marine Mammal Foundation (NMMF) finanzierte Providence-Knoten besteht aus einem digitalen icListen-Hydrophon (24-Bit-Smart-Hydrophon SB2-ETH-Modell, Ocean Sonics, Kanada). Empfindlichkeit − 170 dB re 1 V/uPa), verbunden mit einem SONS-DCL-Echtzeitverarbeitungssystem (Sonsetc, Spanien). Dieser Knoten wurde von der schwimmenden Forschungshütte Mamirauá aus mit direktem Zugang zum Mamirauá-Kanal in einer Tiefe von 5 m eingesetzt. Das System sampelte mit 128 kHz mit 24-Bit-Auflösung und ohne zusätzliche Verstärkung. Rohdaten von diesem System wurden an den Network Attached Storage (NAS) in der schwimmenden Uakari-Lodge (in der Nähe der Forschungshütte) übertragen, wann immer das Netzwerk verfügbar war. Die aus diesem System verwendeten Daten wurden zwischen Juli 2019 und Juni 2020 aufgezeichnet.

Darüber hinaus wurden vier Wildlife Acoustics SM4-Rekorder (Wildlife Acoustics, USA), ausgestattet mit HTI-96-Min-Hydrophonen (High Tech Inc., USA, Empfindlichkeit − 165 dB bei 1 V/uPa), in verschiedenen Várzea-Lebensraumtypen eingesetzt. Ein System wurde in Boca, einer Ressaca (oder Bucht) am Eingang des Mamirauá-Kanals (2 km vom Zusammenfluss mit dem Japurá-Fluss entfernt) geortet, von einem schwimmenden Haus aus in einer Tiefe von 3–5 m eingesetzt und aufgezeichnet von November 2019 bis April 2020. Zwei weitere Systeme wurden im überfluteten Wald eingesetzt und an Bäumen befestigt: Rato (zwischen dem Mamirauá-Kanal und einem Senkensee) von Februar 2019 bis Mai 2019; Juruazinho (zwischen einem Parana- und einem Depressionssee) von Juli 2019 bis September 2019. Das letzte System wurde von Juli 2019 bis September 2019 in Aracazinho (einem Scroll-See mit mittlerer Verbindung zum Fluss Japurá) eingesetzt. Die letzten drei wurden in Gebieten eingesetzt die während der Trockenzeit des Jahres nicht an die Hauptflüsse angeschlossen sind. Alle SM4-Systeme wurden mit 96 kHz mit 16-Bit-Auflösung und ohne zusätzliche Verstärkung abgetastet.

Unabhängig von den autonomen Rekordern wurden im Rahmen monatlicher Bootsuntersuchungen im Mamirauá-Reservat von Juli 2019 bis Mai 2020 manuelle Aufzeichnungen gesammelt. Die Aufzeichnungen wurden in unmittelbarer Nähe von Delfingruppen (< 50 m) mit einem SoundTrap 300 HF (Ocean Instrumente, Neuseeland, Empfindlichkeit − 176 dB re 1 V/uPa), eingesetzt vom Boot aus in 3 m Tiefe. Diese Daten lieferten grundlegende Daten für das Training des Klassifikators, da die Signale mit visueller Identifizierung kamen.

Die Datenkennzeichnung erfolgte mithilfe einer Python-basierten benutzerdefinierten grafischen Schnittstelle (Kennzeichnungstool), die Segmente von Spektrogrammen einer bestimmten Dauer (hier 5 s) anzeigte und es ermöglichte, Signalverlängerungen in Zeit und Frequenz mit Begrenzungsrahmen zu kommentieren und Klangtypen zuzuweisen (Klassen). Den Klangtypen wurde nur eine Bezeichnung zugewiesen, und auf Segmentebene konnten mehrere Bezeichnungen unabhängig voneinander vorhanden sein. Die Anmerkungen wurden inkrementell in einer speziellen Datenbank (der Controlled Acoustic Repository-Datenbank oder CAR DB) gespeichert. Frequenz- und Zeitgrenzen jedes Signals konnten dann leicht aus den Begrenzungsrahmen extrahiert werden.

Eine Teilmenge (2,63 Stunden) der Daten wurde aus den Bootsaufzeichnungen ausgewählt (9 % wurden manuell ausgewählt, um Flussdelfinsignale zu enthalten, und 91 % wurden zufällig ausgewählt, um eine repräsentative Stichprobe der Klanglandschaftsvariabilität einzuschließen). Eine Teilmenge (6,57 Stunden) der Daten wurde auch für den Providence-Knoten über einen Zeitraum von zwei Tagen zufällig ausgewählt. Beide Teilmengen der Daten wurden zunächst mit zwei Zielklassen gekennzeichnet: Echoortungsklicks und Bootsmotorlärm, im Folgenden als „Klick“- und „Boots“-Klassen bezeichnet. Zusätzliche Hintergrundgeräusche (z. B. Wasserinsekten, Delphinpfeifen, Fischrufe usw.) wurden beschriftet, um eine ordnungsgemäße Darstellung im Trainingsset sicherzustellen. Zusätzlich zu den beschrifteten Segmenten wurden auch Segmente einbezogen, die nur Hintergrundgeräusche enthielten. Echoortungsklicks wurden nicht nach Arten getrennt, da derzeit keine klickbasierte Methode entwickelt wurde, um zwischen den beiden im Untersuchungsgebiet vorkommenden Flussdelfinarten (Boto und Tucuxi) zu unterscheiden. Nach einem ersten Training des Klassifikators wurde diese anfängliche Kennzeichnung durch eine aktive Lernkennzeichnung ergänzt (siehe Absatz unten). Eine Übersicht über die Datenanmerkung finden Sie in Tabelle 2.

Die Datenerweiterung zur künstlichen Erweiterung des Trainingsdatensatzes wurde in zwei Schritten durchgeführt, wobei der Schwerpunkt auf der Bereitstellung zusätzlicher Spektrogramme lag, die Geräuschtypen enthielten, die in den Trainingsdaten unterrepräsentiert waren. Der erste Schritt war das Daten-Oversampling, bei dem Labels aus kleinen Klassen dupliziert wurden, um eine minimale Anzahl von Labels pro Epoche für das Training zu haben. In diesem Fall wurde die Mindestanzahl an Beschriftungen auf 300 festgelegt. Die Duplizierung erfolgte durch Duplizieren von Segmenten, die die unterrepräsentierten Klassen enthielten. Da ein Segment möglicherweise mehrere Beschriftungen enthielt, wurden möglicherweise auch Beschriftungen anderer Klassen dupliziert. Zweitens wurde mit dem duplizierten Datensatz eine „on-the-fly“-Datenerweiterung durchgeführt65,66. Dies erfolgte durch Transformation der Originaldaten, einschließlich Transformationen im Frequenzbereich (kleine kreisförmige Verschiebung entlang der Frequenzachse), Zeitverschiebungen (kleine kreisförmige Datenverschiebung entlang der Zeitachse), Kontrastanpassungen durch Modifizierung der Spektrogrammleistung und Zeitverzerrung (Strecken des Spektrogramms entlang der Zeitachse und Zurückschneiden auf die ursprüngliche Länge). Für jede Epoche wurde der gesamte Trainingssatz den Transformationen unterzogen, wodurch leicht unterschiedliche Segmente aus den Basisdaten bereitgestellt wurden. Eine Zusammenfassung des Etikettendatensatzes finden Sie in Tabelle 2.

Der Ansatz zur automatischen Klassifizierung akustischer Signale basierte auf einem Convolutional Neural Network (CNN), einer Klasse von Deep-Learning-Algorithmen, die darauf trainiert wurden, automatisch eine bildbasierte Klassifizierung der visuellen Darstellung (Spektrogramm) von Geräuschen durchzuführen67. Dieser Ansatz erforderte Eingabespektrogramme mit Anmerkungen, die die zu klassifizierenden Klangklassen identifizieren. Die Netzwerkvorhersage bestand in der sukzessiven Faltung trainierter Filter (oder Kernel) auf dem Spektrogrammbild, um relevante Merkmale für die Klassenvorhersage (Klassifizierung) zu extrahieren. Über eine Reihe von Epochen (Iterationen des Netzwerks über den Trainingsdatensatz) wurde das unten beschriebene CNN-Modell dann mithilfe der binären Kreuzentropieverlustfunktion (wobei der Verlust über die Etiketten und den Stapel summiert wurde) und dem Adam-Optimierer68 zur Durchführung trainiert Vorhersagen über das Vorhandensein der Klassen innerhalb eines Spektrogramms. Der zur Erstellung des CNN-Klassifikators verwendete Datensatz wurde in einen Trainings- und einen Testdatensatz aufgeteilt, wobei jeder Satz Daten aus der Bootsuntersuchung (verschiedene Aufzeichnungssitzungen), der Forschungshütte (verschiedene Tage) und der Várzea (gleiche Aufteilung an einem) enthielt zufällige Auswahl) (siehe Tabelle 2). Basierend auf der Ausgabevorhersage wurde die Leistung des Klassifikators bewertet.

Wir haben ein Faltungs-Neuronales Netzwerk (CNN) mit der in Abbildung S1 der Zusatzmaterialien gezeigten Architektur verwendet. Um die Eingabemerkmale zu berechnen, wurden die Wellenformen, die noch nicht mit 96 kHz abgetastet wurden, zunächst durch Tiefpassfilterung und Dezimierung um 2 oder 4, abhängig von der ursprünglichen Abtastfrequenz, auf 96 kHz heruntergesampelt. Dann wurden alle Wellenformdaten kombiniert und in nicht überlappende 5-s-Segmente segmentiert. Der Klassifikator arbeitete in einem Frequenzband von Gleichstrom bis 48 kHz. Jedes Segment wurde mithilfe eines Hamming-Fensters mit 2048 Stichproben und 1112 überlappenden Stichproben Fourier-transformiert, um die spektrale Leistungsdichte (PSD) zu berechnen. Dies führte zu einer Zeit-Frequenz-Matrix von 1024 mal 1024 PSD-Werten. Die PSD-Werte wurden elementweise logarithmisch transformiert. Dann wurde die Frequenzdimension der Matrix einer Mel-Skalentransformation unterzogen, so dass 1024 lineare Frequenzen auf 128 logarithmisch beabstandete Mel-Bänder abgebildet wurden. Schließlich wurde die Matrix über die Zeitdimension ausgeglichen (Subtraktion des Medians für jede Mel-Zeile) und dann als Eingabe für den Klassifikator präsentiert. Der erste Teil des CNN-Klassifikators bestand aus 5 Blöcken mit identischer Struktur, wobei jeder Block zwei 2D-Faltungsschichten enthielt, die die gleiche Anzahl von 3 × 3-Filtern mit der gleichgerichteten linearen Aktivierungsfunktion verwendeten, gefolgt von einer Max-Pooling-Schicht ( unter Verwendung eines 2 × 2-Filters ohne Überlappung). Die Anzahl der Filter wurde bei jeder Iteration eines Blocks geändert: 32, 64, 96, 128, 160. Allen Faltungsschichten war eine Stapelnormalisierungsschicht vorangestellt. Nach dem letzten Faltungsblock wurden die resultierenden Merkmalskarten umgeformt, um eine zweidimensionale Matrix zu erhalten, die mit Batch-Normalisierung durch zwei eindimensionale Faltungsschichten geführt wurde, wobei jede Faltung 256 Filter, Kernelgröße 1 und gleichgerichtete lineare Aktivierungen aufwies. Schließlich wurde die Ausgabe pro Klasse durch eine eindimensionale Faltungsschicht mit Sigmoidaktivierung erhalten.

Angesichts des großen Datensatzes und der relativ seltenen Präsenz einiger Zielsignale wurde ein aktiver Lernansatz verfolgt. Nach dem ersten Training unter Verwendung des bootbasierten Datensatzes und des Providence-Knotendatensatzes wurde das Klassifikatormodell anhand anderer Datensätze (Standorte Boca und Várzea) ausgewertet, um Fehlklassifizierungen zu identifizieren, d klassifizierte Klassen. Vorhersagen aus dem ursprünglichen Modell wurden manuell auf Fehler außerhalb der Stichprobe (Generalisierungsfehler) überprüft. Es wurden benutzerdefinierte Python-Skripte erstellt, um automatisch Spektrogramme zufällig ausgewählter positiv klassifizierter Geräusche zu extrahieren und anzuzeigen, die über einem Schwellenwert der aus der Modellleistung ausgewählten Klassifizierungsausgabe liegen (siehe Abschnitt unten). Fehlklassifizierungen für die Klassen „Klick“ und „Boot“ wurden durch visuelle Beobachtung von Spektrogrammsegmenten identifiziert und enthielten typischerweise nicht verwandte Geräusche mit ähnlichen/überlappenden akustischen Eigenschaften wie die interessierenden Geräuscharten (z. B. Regen, siehe Abb. 2). Die Audiosegmente, die korrekt klassifizierte und falsch klassifizierte Geräusche enthielten, wurden automatisch extrahiert und mit dem anfänglichen Trainingsdatensatz kombiniert, um das Modell erneut zu trainieren. Eine Übersicht über die Klangbezeichnungen nach Standort, die für die Erstklassifizierung und das aktive Lernen verwendet werden, finden Sie in Tabelle 2.

Präzisionsrückrufkurven für die Klassen Klick, Boot und Regen (links) und Spektrogramme der drei entsprechenden klassifizierten Impulsgeräusche (rechts).

Der endgültige Klassifikator wurde mit einem Datensatz trainiert, der aus den anfänglichen und aktiven Lerndatensätzen bestand, und klassifizierte drei Impulsgeräuschtypen: Echoortungsklicks, Schiffslärm und Regen. Zuerst haben wir eine zusammengefasste Klassifizierungsausgabe erstellt, die über ein 5-Sekunden-Segment berechnet wurde. Die Dimension des (skalierten) Spektrogramms, das dem Klassifikator vorgelegt wurde, war eine 512 × 128-Matrix (Zeit x Frequenz-Bins). Nach der Iteration der Faltungs-Pooling-Schichten wurde dies auf eine 16 × 3-Matrix reduziert und eine Klassifizierung für jede Spalte durchgeführt, wodurch 16 Ausgabewerte pro Klasse (3) pro Segment erzeugt wurden. Nach dem CNN-Training wurden die 16 Werte pro Klasse zusammengefasst, indem der Mittelwert der Werte zwischen dem 75. und 100. Perzentil als segmentbasiertes Klassifizierungsergebnis, Q75 genannt, verwendet wurde. Nach der Bewertung mehrerer Optionen stellten wir fest, dass das 75. Perzentil die beste Leistung für ein Signal bietet, von dem wir erwarten, dass es sich im Spektrogramm mehrmals wiederholt. Dieser Ansatz sollte die Anzahl falscher hoher Klassifizierungswerte unter der Annahme reduzieren, dass unsere Zielklassen mehrere hohe Ausgabewerte pro 5-s-Segment haben.

Einige Leistungsmetriken, beispielsweise die Genauigkeit, können bei der Betrachtung der tatsächlichen Leistung eines Klassifikators irreführend sein, da die Daten unausgeglichen sind (d. h. einige Klassen sind im Datensatz häufiger als andere) und wenn Modelle den Wahrscheinlichkeitswert angeben69. Hier haben wir die Berichterstattung über Präzision und Erinnerung bevorzugt, Metriken, die einen besseren Einblick in den Umgang mit unausgeglichener Klassenrepräsentation bieten können69,70. Die Präzision (auch Positive Predicted Value, PPV genannt) wurde als der Anteil der als positiv vorhergesagten Beobachtungen definiert, die tatsächlich positiv waren. Der Rückruf (oder True Positive Rate, TPR) war der Anteil der als positiv eingestuften Beobachtungen an allen positiven Beobachtungen (dh eine Entdeckungswahrscheinlichkeit). Es wurde eine Precision-Recall-Kurve erstellt, in der diese beiden Leistungsmetriken jeweils auf der x- und y-Achse für eine Folge von Entscheidungsschwellenwerten aufgetragen wurden. Anschließend wurde die durchschnittliche Präzision (Fläche unter der Precision-Recall-Kurve, AP) für jede Klasse berechnet, um die Leistung der einzelnen Klassen zu bewerten. Die globale Leistung des Klassifikators über die drei Klassen wurde anhand der mittleren durchschnittlichen Präzision (mAP) durch Mikromittelung berechnet, wobei alle Klassifizierungsergebnisse aus den verschiedenen Klassen kombiniert wurden, um eine einzige Präzisions-Erinnerungskurve zu berechnen, und dann die AP aus dieser Kurve wurde berechnet, um den mAP zu ergeben; Dieser Ansatz führte zu einem Klassenungleichgewicht.

mit T der Anzahl der Schwellen und TPR(T) = 0, PPV(T) = 1.

Der gesamte Datensatz mit Ausnahme der bootbasierten Erhebungen (2931 Stunden Aufzeichnungen) wurde mit dem endgültigen Modell ausgewertet. Für jedes 5-s-Segment ergeben sich daraus 3 vorhergesagte Werte für die 3 Zielklassen (Klick, Boot, Regen). Validierungsausgaben (Kurven der durchschnittlichen Präzision und Streudiagramme) des endgültigen Modells wurden verwendet, um den optimalen Klassifizierungsschwellenwert für jeden Geräuschtyp zu ermitteln. Der optimale Schwellenwert (oder Entscheidungsschwellenwert) wurde als der Wertpunkt der durchschnittlichen Präzisionskurve bestimmt, bei dem sowohl Präzision als auch Rückruf gleich sind. Anschließend wurden die Entscheidungsschwellen pro Standort anhand zufällig ausgewählter klassifizierter Segmente aus dem gesamten Datensatz getestet und bewertet. Der TPR und die True Negative Rate (TNR) wurden bewertet und die Schwellenwerte wurden angepasst und bei Bedarf neu bewertet. Der Entscheidungsschwellenwert für jede Klasse und jeden Ort wurde dann mit dem Vorhersagewert jedes klassifizierten Segments verglichen und das Segment wurde als positiv für das Vorhandensein von Delfinen (Klickklasse), Schiffen (Bootsklasse) oder Regen (Regenklasse) eingestuft, wenn der Vorhersagewert stimmte lag über der Klassenschwelle.

Fünf Sekundensegmente mit CNN-Werten über dem Schwellenwert wurden als akustische Vorkommnisse von Flussdelfinen gezählt. Die tägliche akustische Präsenz ist ein Anteil, der als tägliche Dauer mit akustischen Ereignissen dividiert durch die gesamte tägliche Aufnahmedauer ermittelt wurde. Durch die Angabe eines Anteils werden die Unterschiede in den Aufzeichnungszyklen zwischen dem Providence-Knoten und den SM4-Aufzeichnungen ausgeglichen. Für die Várzea-Standorte, an denen davon ausgegangen wurde, dass Delfinpassagen selten und weiter von den Aufzeichnungsgeräten entfernt waren und komplexe Ausbreitungsbedingungen herrschten (überschwemmter Wald), wurden die positiven Entdeckungen manuell überprüft.

Für die Várzea-Standorte wiesen die Delfinfunde im Vergleich zu den Flusskanalfunden typischerweise ein sehr niedriges Signal-Rausch-Verhältnis (SNR) auf. Dies führte zu einer Zunahme von Klick-Fehlklassifizierungen mit dem Geräuschtyp „Regen“. Da der endgültige Klassifikator bei Regen eine höhere Leistung aufweist als bei Klicks (siehe Ergebnisse), wurde die Regenklasse als späterer Filter für Fehlklassifizierungen von allen Aufzeichnungsstandorten verwendet (z. B. jedes 5-Sekunden-Segment, das einen Wert über dem Schwellenwert sowohl für Klick als auch für Regen enthielt). Geräuschtypen wurden dem Regen zugeschrieben).

Um die räumlich-zeitliche Überlappung von Delfinen und Booten zu untersuchen, wurde eine Anzahl gleichzeitiger Vorkommen in Boca berechnet, dem Ort mit dem höchsten akustischen Vorkommen von Delfinen. Diese Zählung entspricht der Anzahl der Minuten, die sowohl eine positive Klickklassifizierung als auch eine positive Bootsklassifizierung enthalten.

Die anfängliche und die endgültige Leistung des Klassifikators wurden anhand der Präzisions-Recall-Kurve für die drei impulsiven Geräuschtypen bewertet: Echoortungsklicks von Flussdelfinen, Motorgeräusche von vorbeifahrenden Booten und Regen.

Der ursprüngliche Klassifikator hatte eine durchschnittliche Q75-Präzision von 0,90. Nach dem aktiven Lernvorgang, Tests mit reduzierter Segmentlänge und Hinzufügung der Regenklasse hatte der endgültige Klassifikator eine durchschnittliche Präzision von 0,95. Dies entspricht einer Gesamtsteigerung der durchschnittlichen Präzision nach dem aktiven Lernvorgang von 5,5 %. Die höchste durchschnittliche Präzision wurde in der Regenklasse mit 0,98 erreicht. Auch die Klick- und Bootsklassen zeigten mit Werten von 0,95 bzw. 0,92 eine hohe Leistung (Abb. 2). Der positive Klassifizierungsschwellenwert für Echoortungsklicks wurde auf die in Tabelle 3 gezeigten Werte festgelegt und aus der halbautomatischen Leistungsbewertung ausgewählt, die für jeden Aufzeichnungsort durchgeführt wurde. Tabelle 3 zeigt auch die entsprechenden TPR- und TNR-Werte für einen bestimmten Schwellenwert an einem bestimmten Standort. Click TPR und TNR lagen zwischen 0,88 und 1, während diese Werte für die Bootsklasse zwischen 0,94 und 1 lagen.

An den beiden Standorten in permanenten Gewässern kam es häufig zur akustischen Erkennung von Delfinen (Abb. 3). In Boca (Standort in Ressaca) wurde die Anwesenheit von Delfinen anhand von Echoortungsklicks während des gesamten Einsatzzeitraums, von November 2019 bis Mai 2020, festgestellt. Die Anwesenheit von Delfinen nahm von November bis Anfang Januar 2020 zu, als die Entdeckungen Mitte Januar kurzzeitig ihren Höhepunkt erreichten ( Die Anwesenheit von Delfinen wird etwa 70 % der Tageszeit festgestellt. Ähnliche Spitzenwerte erreichten die Nachweise Ende Februar sowie Anfang April und Mai (Abb. 3, Mitte). In der Forschungshütte (Standort am Flusskanal) gab es Anfang Juli eine sehr geringe Anzahl an Entdeckungen, und von September bis November begannen die Entdeckungen dann zuzunehmen, bis sie Mitte Januar ihren Höhepunkt erreichten, als etwa 30 % der Delfine entdeckt wurden Zeit. Zwischen März und April sowie Ende Mai sanken die Nachweise auf Minimalwerte (Abb. 3, unten).

Akustische Präsenz von Flussdelfinen an der Ressaca und im Flusskanal (blaue Balken), basierend auf der CNN-Klickklassifizierung. Wasserstände (oben); Präsenz am Eingang des Flusskanals (Mitte); Präsenz in der Forschungshütte (unten). Das rosa Kästchen zeigt die steigende Wasserperiode an. Die graue Linie ist die tägliche Aufzeichnungsdauer. Graue Bereiche weisen auf fehlende Aufzeichnungen hin.

Der jährliche Hochwasserzyklus zwischen Juni 2019 und Juni 2020 (Abb. 3, oben) zeigte das typische Schwankungsmuster zwischen Hoch- und Niedrigwasser. Von Juni bis Oktober sanken die Wasserstände, bis sie ein Minimum erreichten. Dies entsprach einer Null- oder sehr geringen Anzahl von Klicks, die bei der Forschungshütte im Flusskanal festgestellt wurden. Später nahm die Delfinpräsenz an beiden Standorten (Ressaca und Flusskanal) über einen Zeitraum von drei Monaten von November bis Januar zu, wobei Mitte Januar an beiden Standorten ein klarer synchronisierter Höhepunkt zu verzeichnen war. Diese Jahreszeit entspricht der Anstiegsperiode des jährlichen Überschwemmungszyklus. Im Jahr 2019 stieg der Wasserstand seit Oktober um 8 m und erreichte Mitte Januar seinen Höchststand (Abb. 3, oben). Im darauffolgenden Monat (Februar bis Ende Mai) blieb der Wasserstand schließlich hoch und an beiden Standorten wurden regelmäßig Delfine gesichtet, mit ähnlichen Schwankungen in der Entdeckungsrate (entsprechende Spitzenwerte im März, April und Mai).

Die akustische Präsenz von Flussdelfinen war an den periodisch überfluteten Standorten geringer als an den permanenten Gewässern. In Rato, einem der überschwemmten Waldstandorte, waren Delfine hauptsächlich im Februar–März und im Mai an 64 % der Probenahmetage präsent, mit einem Höchstwert von 1,7 % der täglichen Zeit. Der Aufzeichnungszeitraum entspricht dem Ende der Anstiegswasserperiode (Abb. 4, oben). In Juruazinho, dem anderen überschwemmten Waldstandort, waren die Erkennungsraten während der zweieinhalb Monate der verfügbaren Aufzeichnungen sehr niedrig und die Anwesenheit von Delfinen wurde im Wesentlichen während 8 Tagen (12 % der Probenahmetage) zwischen Ende Juli und Anfang Juli festgestellt August. Die Entdeckungen lagen in der gleichen Größenordnung in Aracazinho, dem Standort im Seeinneren (weniger als 0,6 % der Zeit, 9 Tage Entdeckungen). In Bezug auf den Wasserstand entspricht dieser Zeitraum dem Rückgang des Wassers, wobei der Wasserstand Anfang Juli zu sinken begann und Anfang September etwa 30 m über dem Meeresspiegel erreichte.

Akustische Präsenz von Flussdelfinen an drei regelmäßig überfluteten Standorten, basierend auf der CNN-Klickklassifizierung. Wasserstände (oben); Delfinpräsenz in Rato (Mitte links); Präsenz bei Aracazinho (Mitte rechts). Präsenz bei Juruazinho (unten rechts). Die rosa Kästchen zeigen die Hochwasserperiode (linkes Kästchen) und die Wasserrückgangsperiode (rechtes Kästchen).

Die Aktivität der Delfine variierte von Monat zu Monat stark, aber wenn sie anwesend waren, schien es keinen großen Unterschied zwischen Tag- und Nachtaktivität zu geben (Abb. 5, links). Für jeden Monat wurde ein Wilcoxon-Rang-Summen-Test verwendet, um die Verteilungen der Anzahl positiv klassifizierter Segmente zwischen Tag (Morgendämmerung–Dämmerung) und Nacht (Dämmerung–Dämmerung) zu vergleichen, jeweils skaliert nach dem Zeitraum, der in Minuten als Dauer gemessen wurde von Tag und Nacht im Laufe der Zeit verändert (H0: die Tag-/Nachtaktivität ist gleich; H1: eine Tageszeit hat eine höhere Aktivität als die andere). Ein nichtparametrischer Test wurde ausgewählt, da die Verteilungsformen zwischen Tag und Nacht unterschiedlich und nicht normal zu sein schienen. Nur im Februar zeigte sich ein signifikanter Unterschied zwischen Tag und Nacht (p = 0,00 mit N = 18, da zu Monatsbeginn Daten fehlten). Für die anderen Monate wurde ein solcher Unterschied jedoch nicht festgestellt. Bootsfahrten wurden fast ausschließlich bei Tageslicht festgestellt, ohne dass ein Unterschied zwischen den Tagesstunden oder zwischen den Monaten erkennbar war (Abb. 5, Mitte).

Akustische Präsenz von Delfinen, Booten und gleichzeitigem Vorkommen, gruppiert nach Tageszeit am Standort Boca. Die dunkelgrauen Linien stellen Dämmerung und Morgendämmerung dar. Die hellgrauen Bereiche stellen einen Zeitraum ohne Datenerfassung dar (Batteriewechsel). Bitte beachten Sie, dass die Werte von 6 Minuten pro Stunde der Maximalwert sind, der basierend auf dem Arbeitszyklus der Datenerfassung erhalten werden kann (1 Minute ein, 9 Minuten aus, siehe Abschnitt „Methoden“).

Die zeitliche Überlappung zwischen Booten und Delfinen wurde durch das gleichzeitige Auftreten von Segmenten mit positiven Klicks und Bootsklassifizierung innerhalb eines Zeitraums von 1 Minute geschätzt. Abbildung 5 zeigt relativ niedrige zeitliche Werte bei gleichzeitigem Vorkommen. Im gesamten 5-Monats-Datensatz ist die Anzahl der Minuten mit gleichzeitigem Auftreten gering (Mittelwert 0,54, SD = 0,94), was einem Durchschnitt von 9 % der aufgezeichneten Zeit entspricht. Diese Werte bleiben niedrig, wenn man sie über den Dreimonatszeitraum berechnet, der der höheren Delfinpräsenz im Januar-März entspricht (Mittelwert = 0,67, SD = 1,05) mit 11 % der aufgezeichneten Zeit.

Die Ergebnisse der automatischen CNN-Klassifizierung der Echoortungsklicks von Flussdelfinen zeigten Muster der Anwesenheit in Bezug auf den Zeitraum der jährlichen Wasserflut. In der Bucht und im Flusskanal nahm die akustische Präsenz der Delfine während der Zeit des steigenden Wassers von November bis Januar deutlich zu. Besonders auffällig war dieses Muster in der Bucht (Eingang des Flusskanals), wo die tägliche akustische Präsenz in diesem Zeitraum von etwa 10 % auf 70 % anstieg. Interessanterweise wurde der Hauptpeak der akustischen Präsenz an beiden Standorten gleichzeitig festgestellt. Der synchronisierte Erkennungspeak an beiden Standorten deutet auf lokale Populationsbewegungen von Delfinen hin, die vom Hauptfluss durch den Flusskanal in die Várzea gelangen. Diese Ergebnisse stimmen mit veröffentlichten Daten über die Delfinbewegungen in der Várzea im Zusammenhang mit dem Überschwemmungszyklus überein. Martin und da Silva21 berichteten über die Bewegungen der Delfine innerhalb des RDSM durch den Flusskanal bei steigendem Wasser auf der Grundlage visueller Untersuchungen und Funkverfolgungsdaten, wobei eine schnell zunehmende Präsenz von Delfinen ihren Höhepunkt „bei einer Höhe von etwa 10 m“ erreichte. Unsere Ergebnisse zeigen ein ähnliches Erkennungsmuster mit einem Höhepunkt bei steigendem Wasser, wenn der Wasserstand 8 m über dem niedrigsten Stand erreicht. Bei hohem Wasserstand (von Februar bis Juni) blieben Delfine in der Bucht präsent, wo sie zwischen 20 und 60 % der Zeit akustisch wahrgenommen wurden. Auch Delfine wurden im Flussbett regelmäßig gesichtet, wenn auch nicht kontinuierlich und mit deutlich geringerer akustischer Präsenz (0–15 % der Zeit).

Diese Ergebnisse stützen die Annahme, dass Buchten, die sich an Zusammenflussbereichen bilden, ein wichtiger Lebensraum für Flussdelfine sind. Mintzer et al.5 untersuchten die saisonalen Bewegungen von Botos innerhalb des RDSM, schätzten die Übergangswahrscheinlichkeit zwischen Lebensräumen und charakterisierten den Eingang des Mamirauá-Seensystems als Kerngebiet für Botos (d. h. dort, wo Tiere die meiste Zeit verbringen). Vor allem Mutter-Kalb-Paare und Jungtiere schienen mehr Zeit in den Buchten zu verbringen, bevor sie bei niedrigem/steigendem Wasser zurück in das Mamirauá-Seensystem zogen. Diese Präferenz wurde auch durch eine PAM-Studie am selben Ort am Ende des steigenden Wassers nachgewiesen43. Tucuxis scheint auch Zusammenflüsse zu bevorzugen29,71. Die Bedeutung dieses Lebensraums scheint den Delfinpopulationen und Subpopulationen des Amazonas-Flusses in ihrem gesamten Verbreitungsgebiet zuzuschreiben33,34. Eine kürzlich durchgeführte Studie, die mehrere Standorte sowohl im Orinoco- als auch im Amazonasbecken abdeckte, ergab, dass die höchsten Delfindichten für beide Amazonas-Delfinarten in den Zusammenflussgebieten gefunden wurden, mit durchschnittlichen Dichten von 23 bzw. 16 Ind./km2 für Botos und Tucuxis erreicht 61 bzw. 64 Ind./km2 in den Zusammenflüssen des Mamirauá-Reservats72.

Darüber hinaus schienen Flusskanäle von Delfinen, insbesondere Botos, als Tor zum Zugang zu abgelegenen Teilen der Várzea genutzt zu werden. Ergebnisse einer früheren PAM-Studie im RDSM zur Untersuchung von Klickzügen und Flugbahnen von Delfinen zeigten, dass die Tiere hauptsächlich den Mamirauá-Kanal als Durchgang zu anderen Orten der Várzea nutzten43. Von diesem Kanal aus konnten Botos entweder dauerhaft mit dem Flusssystem verbundene Seen (z. B. Mamirauá-See) oder bei Niedrigwasser vom Flusssystem getrennte Seen (z. B. Rato-See) sowie saisonal überflutete Seen (z. B. Juruazinho- und Aracazinho-Seen) erreichen. Es ist auch bekannt, dass Tucuxis im Kanal vorkommen, ihre Nutzung des Kanals ist jedoch auf den unteren Teil, näher am Hauptfluss, beschränkt29.

Somit könnte der Unterschied zwischen den Erkennungswerten an den beiden Standorten (die 10 km voneinander entfernt am selben Flusskanal liegen) nicht nur durch einen Unterschied in der Anzahl der anwesenden Delfine, sondern auch durch eine unterschiedliche Nutzung ihres Lebensraums erklärt werden. Der Eingang des Kanals ist eine Bucht (ressaca), nahe dem Zusammenfluss zweier großer Wasserstraßen, des Solimões (oberer Teil des Amazonas) und des Japurá. Die örtlichen Umweltbedingungen schaffen günstige, strömungsarme, beutereiche Lebensräume für die Delfine. Eine höhere akustische Aktivität könnte entweder auf eine längere Zeit zurückzuführen sein, die einzelne Delfine in dem Gebiet verbrachten, auf einen Anstieg der Anzahl von Delfinen, die dieses Gebiet nutzen, aber auch auf eine Zunahme der akustischen Aktivität aufgrund der höheren Klickproduktion bei der Nahrungssuche im Vergleich zum Reiseverhalten47 ,73,74.

Delfinfunde bei Hochwasser im überschwemmten Wald (Rato) waren von der Dauer her sehr gering (weniger als 2 % der Tageszeit), aber von der Anwesenheit her (d. h. Anzahl der Tage) regelmäßig. Der überschwemmte Waldstandort Rato stellt einen Zugang zum Rato-See dar, und die Entdeckung von Delfinen spiegelt wahrscheinlich den regelmäßigen Durchgang von Botos in die abgelegenen Teile der Überschwemmungsgebiete wider. Várzea-Seen, insbesondere solche mit schwimmender Vegetation, die einer großen Vielfalt und Fülle an Fischen Zuflucht bieten, sind auch ein beliebter Lebensraum für Flussdelfine21. Aufgrund der Schwierigkeiten, mit Booten in das komplexe Ökosystem der überschwemmten Wälder vorzudringen, gibt es jedoch nur sehr wenige Informationen über die Verbreitung von Delfinen im Mosaik der Auenlebensräume. Selbst mit alternativen Überwachungstechniken wie der Verfolgung von Tieren mithilfe von Markierungen ist es äußerst schwierig, Daten über die Verteilung der Delfine zu sammeln, sobald sie den Flusskanal verlassen. In einer Studie mit VHF-Sendern an 24 Botos berichteten Martin und da Silva21, dass sich die markierten Botos bei Hochwasser bis zu 100 % der Zeit außerhalb der Reichweite befanden, was ihre Lokalisierung innerhalb des Gebiets verhinderte. Unsere Ergebnisse deuten hier auf die regelmäßige Nutzung überfluteter Waldpassagen hin, die die Várzea-Kanäle mit Binnenseen verbinden, durch die Delfine bei Hochwasser.

Weibliche Botos mit Kälbern und unreifen Tieren verbringen mehr Zeit in den Várzea-Lebensräumen als männliche21. Einer der Gründe dafür ist, dass Várzea-Lebensräume Zugang zu reichhaltigen Beuteressourcen bieten. Auensysteme, die ein hohes Maß an Lebensraumkomplexität mit nährstoffreichen Gewässern kombinieren, beherbergen eine große Vielfalt an Fischen, die mit einer hohen Biomasse verbunden sind17,75,76. Eine andere Hypothese besagt, dass Várzea-Lebensräume Schutz vor aggressivem Verhalten der Männchen, insbesondere gegenüber Kälbern, zu bieten scheinen77,78. Schließlich bieten Lebensräume wie Binnenseen, überschwemmte Wälder und kleine Kanäle Rastplätze mit geringerer Strömung5,21, die normalerweise von Flussdelfinen bevorzugt werden. Diese einzigartige und vorteilhafte Kombination von Umweltbedingungen macht Várzea-Lebensräume für Weibchen mit Kälbern und Jungtieren und damit für das Überleben der Boto-Populationen von großer Bedeutung.

Von Juli bis September, am Ende des Hochwassers und bei fallendem Wasser, sammelte unsere Studie Daten an zwei Standorten: einem im überschwemmten Wald (Juruazinho) und einem in einem Binnensee (Aracazinho). Die Erkennungsraten waren an beiden Standorten sehr niedrig und lagen in der gleichen Größenordnung. An 12 % der Tage wurden Delfine entdeckt, die meisten davon im Juli und Anfang August. Leider konnten im gleichen Zeitraum an den anderen Untersuchungsstandorten keine Daten gesammelt werden, und es war nicht möglich, eindeutige Schlussfolgerungen über den Zusammenhang zwischen der begrenzten Präsenz von Delfinen und dem Rückgang des Wasserspiegels zu ziehen. Dennoch stimmen unsere Ergebnisse mit bekannten Delfinbewegungen außerhalb der Várzea überein. Es ist bekannt, dass beide Flussdelfinarten in diesem Zeitraum zurück in die Hauptflüsse wandern, indem sie Fischbewegungen außerhalb der Überschwemmungsgebiete folgen und die drohende Gefahr eines Einschlusses antizipieren5,21,29,79.

Die Quantifizierung des Ausmaßes des räumlich-zeitlichen Zusammentreffens von Delfinen und Booten in Süßwasserumgebungen ist von entscheidender Bedeutung, insbesondere in Kerngebieten, in denen die Tiere einen großen Teil ihres Zeitbudgets für lebenswichtige Aktivitäten wie die Nahrungssuche aufwenden. Die Durchfahrt von Booten in diesen räumlich begrenzten Bereichen führt zu Motorkavitationsgeräuschen in der Unterwasserumgebung. Chronischer Stress, Maskierungseffekte, Verhaltens- und akustische Reaktionen wurden für Meerespopulationen im offenen Ozean gemeldet80 und es kann davon ausgegangen werden, dass solche Reaktionen in Süßwassersystemen (z. B. Flüssen, Kanälen, Buchten), die räumlich begrenzt sind und weniger Möglichkeiten bieten, noch stärker sind damit Tiere Störungen entgehen können. Unsere Ergebnisse zeigen, dass in Boca, wo während des fünfmonatigen Aufzeichnungszeitraums eine kontinuierliche und signifikante Anwesenheit von Delfinen festgestellt wurde, der Grad des gleichzeitigen Vorkommens etwa 10 % der aufgezeichneten Zeit betrug. Dennoch wurden die Daten bei einem Arbeitszyklus von 10 % erhoben und können nur eine Schätzung darüber liefern, wie stark sich der Bootsverkehr mit der Anwesenheit von Delfinen überschneidet. Es ist jedoch wahrscheinlich, dass an diesem Ort das Ausmaß der Störungen aufgrund des geringen Bootsverkehrs (hauptsächlich Fischer aus den örtlichen Gemeinden und Touristenboote, die einige Male pro Woche vorbeifahren) geringer ist. Die Auswirkungen von Unterwasserlärm auf Flussdelfinpopulationen sind jedoch bemerkenswert wenig erforscht80 und bisher haben sich nur eine Handvoll Veröffentlichungen mit den Auswirkungen des Schiffsverkehrs auf Süßwasserwalpopulationen befasst81,82,83. Daher können die Auswirkungen der Lärmbelastung, die 10 % der Zeit ausmacht, die Flussdelfine in Kerngebieten verbringen, nicht bewertet werden. Kontinuierliche Aufzeichnungen sind erforderlich, um die Überschneidung der Anwesenheit von Booten und Delfinen genau zu beurteilen und die potenzielle Störung durch diese Unterwasserlärmquelle einzuschätzen. Weitere Studien werden an anderen Zusammenflusslebensräumen durchgeführt, die regelmäßig von Flussdelfinen genutzt werden und in denen der Bootsverkehr höher ist (z. B. am Tefé-See).

Die hier entwickelte CNN-Methode klassifizierte drei Geräuschtypen (Echoortungsklicks von Flussdelfinen, Bootslärm durch Motorkavitation und Regen) mit einer mittleren durchschnittlichen Präzision von 0,95. Die Geräusche werden als Spektrogrammbilder dargestellt und dies zeigt die Gültigkeit der Verwendung eines bildbasierten Ansatzes zur Klassifizierung und Unterscheidung von akustischen Unterwasserereignissen impulsiver Natur. Sobald die Etiketten erstellt waren (eine zeitintensive Aufgabe), erforderte unser CNN-basierter Workflow nur wenige Vorverarbeitungsschritte. Darüber hinaus ermöglichte dieser Workflow durch die Integration der On-the-Fly-Datenerweiterung das Trainieren erster Modelle für unterabgetastete Klassen. Diese Modelle wurden verwendet, um in einer aktiven Lernschleife automatisch zusätzliche Beispiele für echte positive (gute Art von Interesse) und falsche positive (Fehlklassifizierungen) abzurufen, um die Modellleistung schnell zu verbessern.

Es besteht ein zunehmendes Interesse an der Verwendung von Faltungs-Neuronalen Netzen zur automatischen Erkennung und Klassifizierung von Odontozeten-Echoortungsklicks. Einige Studien konzentrieren sich auf die Klassifizierung einzelner Klicks in einem einzigen Klassenklassifikator und erzielen eine hohe Leistung60,84. Im Vergleich zu monospezifischen Aufnahmen (also mit einer Klangklasse) stellen Klassifizierungsaufgaben mit Klanglandschaftsaufnahmen (also mit mehreren Klangklassen) eine große Herausforderung für Klassifizierungsalgorithmen dar. Jüngste Klassifizierungswettbewerbe haben gezeigt, dass die bei Klanglandschaftsaufnahmen erzielten Leistungswerte viermal niedriger waren als bei monospezifischen Aufnahmen85. Wir haben uns dafür entschieden, unseren Arbeitsablauf auf 5-Sekunden-Soundscape-Aufnahmen zu stützen, mit dem Ziel, darüber hinaus ein allgemeines Klassifizierungsmodell für verschiedene Arten von Geräuschen (impulsiv oder tonal) aus biologischen (Amazonas-Wasserarten), anthropogenen (z. B. Boot) und natürlichen (z. B. Regen) zu entwickeln ) Quellen.

Diese Studie zeigt die Eignung der Verwendung einer CNN-basierten Klassifizierung zur automatischen Erkennung von Echoortungsklicks von Flussdelfinen in der komplexen Geräuschkulisse von Süßwasserlebensräumen. Die Effizienz und Geschwindigkeit der CNN-Methode ermöglichen die Analyse der Gesamtheit der gesammelten Daten, ohne dass eine Unterabtastung durchgeführt werden muss, wie dies normalerweise bei manuellen Analysen der Fall ist. Dadurch ist es möglich, größere Bewegungen von Delfinen im Untersuchungsgebiet und seltene Passagen in bestimmten Lebensräumen oder Jahreszeiten zu erkennen . Der Einsatz passiver akustischer Überwachung in Verbindung mit automatischen Analysemethoden wie der CNN-basierten Klassifizierung von Delfinsignalen kann unser Wissen über gefährdete Delfinpopulationen in einer Reihe überfluteter Lebensräume, insbesondere in abgelegenen und wenig erforschten Lebensräumen überfluteter Wälder und Seen, effizient erweitern und ermöglicht um die Bewegungen von Flussdelfinen zwischen Várzea-Lebensräumen im Verhältnis zum Überschwemmungsimpuls genau zu messen. Der Klassifikator in dieser Studie wurde um die automatische Erkennung von Bootspassagen in Delfinkerngebieten erweitert, um das Ausmaß der Unterwasserlärmbelästigung bei Flussdelfinen zu beurteilen.

Unsere Studie fordert eine Verallgemeinerung der Verwendung von PAM innerhalb des Mosaiks von Auenlebensräumen, um Lebensraumpräferenzen und -anforderungen von Flussdelfinen, insbesondere der Boto-Weibchen und -Kälber, zu verstehen. Praktische Anwendungen zur Vorhersage der Reaktion der Delfine auf den Verlust und die Verschlechterung des Lebensraums (z. B. Abholzung von Weiden, Plantagen, selektiver Holzeinschlag usw.) werden zu den Managementstrategien der aquatisch-terrestrischen Übergangszone (ATTZ) beitragen, die für die Aufrechterhaltung der Habitatkonnektivität von entscheidender Bedeutung ist16 ,86. Ein weiterer Anwendungsbereich ist die Entwicklung und Implementierung standardisierter Protokolle zur Überwachung von Verteilungsverschiebungen im Zusammenhang mit der jüngsten Zunahme von Dürre- und Überschwemmungsereignissen im Amazonasbecken87. Als Wächterarten der von ihnen bewohnten Wassersysteme können Flussdelfine ein Früherkennungssystem für Ungleichgewichte im Ökosystem darstellen26.

Die während der aktuellen Studie generierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

da Silva, V. et al. Inia geoffrensis, Amazonas-Delfin. in der Roten Liste der IUCN als Bedrohung aufgeführt. Art 2018 ET10831A50358152 https://doi.org/10.2305/IUCN.UK.2018-2.RLTS.T10831A50358152.en. (2018).

da Silva, V., Martin, AR, Fettuccia, D. de C., Bivaqua, L. & Trujillo, F. Sotalia fluviatilis. in der Roten Liste der IUCN als Bedrohung aufgeführt. Art 2020 ET190871A50386457 https://doi.org/10.2305/IUCN.UK.2020-3.RLTS.T190871A50386457.en. (2020).

Trujillo, F., Crespo, E., Van Damme, PA & Usma, JS Status und Schutz der Flussdelfine Inia geoffrensis und Sotalia fluviatilis im Amazonas- und Orinoco-Becken in Kolumbien. im Aktionsplan für südamerikanische Flussdelfine 2010–2020. WWF, Fundación Omacha, WDS, WDCS, Solamac. 29–57 (2010).

Sinha, RK & Kannan, K. Ganges-Flussdelfin: Ein Überblick über Biologie, Ökologie und Erhaltungszustand in Indien. Ambio 43, 1029–1046 (2014).

Artikel PubMed PubMed Central Google Scholar

Mintzer, VJ, Lorenzen, K., Frazer, TK, da Silva, VMF & Martin, AR Saisonale Bewegungen von Flussdelfinen (Inia geoffrensis) in einer geschützten Amazonas-Überschwemmungsebene. Mar. Säugetierwissenschaft. 32, 664–681 (2016).

Artikel Google Scholar

da Silva, VMF, Freitas, CEC, Dias, RL & Martin, AR Beide Wale im brasilianischen Amazonasgebiet weisen über zwei Jahrzehnte hinweg einen anhaltenden, tiefgreifenden Bevölkerungsrückgang auf. PLoS One 13, e0191304 (2018).

Artikel Google Scholar

Dudgeon, D. et al. Süßwasserbiodiversität: Bedeutung, Bedrohungen, Status und Erhaltungsherausforderungen. Biol. Rev. 81, 163–182 (2006).

Artikel PubMed Google Scholar

Loch, C., Marmontel, M. & Simoes-Lopes, PC Konflikte mit der Fischerei und vorsätzliche Tötung von Süßwasserdelfinen (Cetacea: Odontoceti) im westlichen brasilianischen Amazonasgebiet. Biodivers. Konserv. 18, 3979–3988 (2009).

Artikel Google Scholar

da Silva, VMF, Martin, AR & Do Carmo, NA Boto-Köder: Die Fischerei im Amazonasgebiet stellt eine Bedrohung für schwer fassbare Delfinarten dar. Arten 53, 10–11 (2011).

Google Scholar

Alves, LCPDS, Zappes, CA & Andriolo, A. Konflikte zwischen Flussdelfinen (Cetacea: Odontoceti) und der Fischerei im zentralen Amazonas: ein Weg in die Tragödie?. Zool. Curitiba 29, 420–429 (2012).

Google Scholar

Iriarte, V. Sterblichkeitsereignisse bei Flussdelfinen (Inia geoffrensis, Sotalia fluviatilis), die auf die handwerkliche Fischerei im westlichen brasilianischen Amazonasgebiet zurückzuführen sind. Aquat. Mamm. 39, 116–124 (2013).

Artikel Google Scholar

Brum, SM, da Silva, VMF, Rossoni, F. & Castello, L. Verwendung von Delfinen und Kaimanen als Köder für Calophysus Macropterus (Lichtenstein, 1819) (Siluriforme: Pimelodidae) im Amazonas. J. Appl. Ichthyol. 31, 675–680 (2015).

Artikel Google Scholar

Mosquera-Guerra, F. et al. Strategie zur Identifizierung der Einsatzgebiete der Amazonas-Delfine. Vorderseite. Mar. Sci. 9, 838988 (2022).

Artikel Google Scholar

Castello, L. & Macedo, MN Großflächige Verschlechterung der Süßwasserökosysteme des Amazonas. Globus. Biol. ändern 22, 990–1007 (2016).

Artikel ADS Google Scholar

Martin, AR & da Silva, VMF Der Amazonas-Flussdelfin Inia geoffrensis ist im Herzen seines Verbreitungsgebiets vom Aussterben bedroht. Oryx 56(4), 587–591. https://doi.org/10.1017/S0030605320001350 (2021).

Artikel Google Scholar

Junk, WJ, Bayley, PB & Sparks, RE Das Hochwasserimpulskonzept in Fluss-Auen-Systemen. Dürfen. Spez. Publ. Fisch. Aquat. Wissenschaft. 106, 110–127 (1989).

Google Scholar

Goulding, M. Die Fische und der Wald: Erkundungen in der Naturgeschichte des Amazonas (University of California Press, 1980). https://doi.org/10.1525/9780520316133.

Buchen Sie Google Scholar

Duponchelle, F. et al. Schutz der Wanderfische im Amazonasbecken. Aquat. Sparen. Beschädigen. Frischw. Ökosystem. Rev. 31, 1087–1105 (2021).

Artikel Google Scholar

da Silva, VMF in Lebensmittelökologie der Amazonasdelfine (FUA/INPA, 1983).

Google Scholar

Vidal, O. et al. Verbreitung und Häufigkeit des Amazonas-Flussdelfins (Inia geoffrensis) und des Tucuxi (Sotalia fluviatilis) im oberen Amazonas. Mar. Säugetierwissenschaft. 13, 427–445 (1997).

Artikel Google Scholar

Martin, AR & da Silva, VMF Flussdelfine und überschwemmter Wald: saisonale Lebensraumnutzung und sexuelle Segregation von Botos (Inia geoffrensis) in einer extremen Walumgebung. J. Zool. 263, 295–305 (2004).

Artikel Google Scholar

Gomez-Salazar, C., Trujillo, F., Portocarrero-Aya, M. & Whitehead, H. Population, Dichteschätzungen und Schutz von Flussdelfinen (Inia und Sotalia) im Amazonas- und Orinoco-Flussbecken. Mar. Säugetierwissenschaft. 28, 124–153 (2012).

Artikel Google Scholar

Reis, RE in der Checkliste der Süßwasserfische Süd- und Mittelamerikas (Edipucrs, 2003).

Google Scholar

Martin, AR, Silva, VMF & Salmon, DL Flusslebensraumpräferenzen von Botos (Inia geoffrensis) und Tucuxis (Sotalia fluviatilis) im zentralen Amazonasgebiet. Beschädigen. Säugetierwissenschaft. 20, 189–200 (2004).

Artikel Google Scholar

McGuire, TL & Winemiller, KO Vorkommensmuster, Lebensraumassoziationen und potenzielle Beute des Flussdelfins Inia geoffrensis im Cinaruco-Fluss in Venezuela. Biotropica 30, 625–638 (1998).

Artikel Google Scholar

Gomez-Salazar, C., Coll, M. & Whitehead, H. Flussdelfine als Indikatoren für die Verschlechterung des Ökosystems in großen tropischen Flüssen. Ökologisch. Indik. 23, 19–26 (2012).

Artikel Google Scholar

Gutstein, CS, Cozzuol, MA & Pyenson, ND Das Alter von Flussanpassungen bei Iniidae (Cetacea, Odontoceti), dokumentiert durch einen Humerus aus dem späten Miozän der Ituzaingó-Formation, Argentinien: Alter von Flussanpassungen bei Iniidae (Cetacea, Odontoceti). Anat. Empf. Rev. 297, 1096–1102 (2014).

Artikel Google Scholar

Best, RC & da Silva, VM Amazonas-Flussdelfin, Boto Inia geoffrensis (de Blainville, 1817). Handb. Beschädigen. Mamm. 4, 1–23 (1989).

Google Scholar

Faustino, C. & Da Silva, VMF Saisonale Nutzung der Amazonas-Überschwemmungsgebiete durch die Tucuxi Sotalia fluviatilis (Gervais 1853) im zentralen Amazonas, Brasilien. Lat. Bin. J. Aquat. Mamm. https://doi.org/10.5597/lajam00100 (2006).

Artikel Google Scholar

Trujillo, F., Diazgranados, MC, Galindo, ALF & Fuentes, L. Grauer Delphin Sotalia fluviatilis. im Roten Buch der kolumbischen Säugetiere 2006. Frei sein Rote gefährdete Arten Colomb. Konserv. Int. Minister. Umwelt-Wohnsiedlung. Territ. Bogota Kolumbien. 273–278 (2006).

Fürstenau Oliveira, JS, Georgiadis, G., Campello, S., Brandão, RA & Ciuti, S. Verbesserung der Überwachung von Flussdelfinen mithilfe von Luftaufnahmen. Ecosphere 8, e01912 (2017).

Artikel Google Scholar

Oliveira-da-Costa, M. et al. Wirksamkeit unbemannter Luftfahrzeuge zur Erkennung von Amazonasdelfinen. Oryx 54(5), 696–698. https://doi.org/10.1017/S0030605319000279 (2019).

Artikel Google Scholar

Mosquera-Guerra, F. et al. Heimatgebiet und Bewegungen des Amazonas-Flussdelfins Inia geoffrensis im Amazonas- und Orinoco-Flussbecken. Bedrohen. Artenres. 45, 269–282 (2021).

Artikel Google Scholar

Mosquera-Guerra, F. et al. Identifizierung von Lebensraumpräferenzen und Kerngebieten der Aktivität von Amazonas-Delfinen mithilfe einer räumlichen Ökologieanalyse. Landsk. Ökologisch. 37, 2099–2119 (2022).

Artikel Google Scholar

Norman, SA, Hobbs, RC, Foster, J., Schroeder, JP & Townsend, FI Ein Überblick über gesundheitliche Bedenken bei Tieren und Menschen beim Einfangen und Freilassen, bei der Handhabung und Markierung von Odontozeten. J. Cetacean Res. Geschäftsführer 6, 53–62 (2004).

Artikel Google Scholar

Burek-Huntington, KA et al. Postmortale pathologische Untersuchung der Wunden durch invasives Markieren bei Belugas (Delphinapterus leucas) aus Cook Inlet und Bristol Bay, Alaska. Mar. Mammal Sci 39(2), 492–514. https://doi.org/10.1111/mms.12981 (2022).

Artikel Google Scholar

Martin, AR, Da Silva, VMF & Rothery, PR Beeinflusst die Radiomarkierung das Überleben oder die Fortpflanzung kleiner Wale? Ein Test. Mar. Säugetierwissenschaft. 22, 17–24 (2006).

Artikel Google Scholar

Andrews, RD et al. Best-Practice-Richtlinien für die Kennzeichnung von Walen. J. Cetacean Res. Geschäftsführer 20, 27–66 (2019).

Artikel ADS Google Scholar

Ladegaard, M., Jensen, FH, de Freitas, M., Ferreira da Silva, VM & Madsen, PT Amazonas-Flussdelfine (Inia geoffrensis) verwenden ein hochfrequentes Biosonar mit kurzer Reichweite. J. Exp. Biol. 218, 3091–3101 (2015).

Artikel PubMed Google Scholar

Podos, J., Da Silva, VM & Rossi-Santos, MR Lautäußerungen von Amazonas-Flussdelfinen, Inia geoffrensis: Einblicke in die evolutionären Ursprünge der Delphinidpfeifen. Ethologie 108, 601–612 (2002).

Artikel Google Scholar

Wang, D., Würsig, B. & Leatherwood, S. Pfeifen von Boto, Inia geoffrensis und Tucuxi Sotalia fluviatilis. J. Acoust. Soc. Bin. 109, 407–411 (2001).

Artikel ADS Google Scholar

Zimmer, WMX Passive Acoustic Monitoring of Cetaceans (Cambridge University Press, 2011). https://doi.org/10.1017/CBO9780511977107.

Buchen Sie Google Scholar

Yamamoto, Y., Akamatsu, T., da Silva, VMF & Kohshima, S. Lokale Lebensraumnutzung durch Botos (Amazonas-Flussdelfine) unter Verwendung passiver akustischer Methoden. Beschädigen. Säugetierwissenschaft. 32, 220–240 (2016).

Artikel Google Scholar

Campbell, EC, Alfaro Shigueto, J., Godley, B. & Mangel, J. Häufigkeitsschätzungen des Amazonasdelfins (Inia geoffrensis) und des Tucuxi (Sotalia fluviatilis) im südlichen Ucayali-Peru. Lat. Bin. J. Aquat. Res. Rev. 45, 957–969 (2017).

Artikel Google Scholar

Muirhead, CA Passive akustische Überwachung der Präsenz von Flussdelfinen (Inia geoffrensis und Sotalia fluviatilis): Ein Vergleich zwischen Gewässern in der Nähe der Stadt Iquitos und innerhalb des Pacaya-Samiria-Nationalreservats. Lat. Bin. J. Aquat. Mamm. 16, 3–11 (2021).

Google Scholar

Melo, JF, Amorim, T. & Andriolo, A. Gepulste Geräusche, die vom Amazonas-Flussdelfin (Inia geoffrensis) im brasilianischen Amazonasgebiet erzeugt werden: Vergleich zwischen zwei Wassertrübungsbedingungen. J. Acoust. Soc. Bin. 138, 1792–1793 (2015).

Artikel Google Scholar

Yamamoto, Y., Akamatsu, T., da Silva, VMF, Yoshida, Y. & Kohshima, S. Akustische Eigenschaften von Biosonargeräuschen frei lebender Botos (Inia geoffrensis) und Tucuxis (Sotalia fluviatilis) im Negro River, Amazonas , Brasilien. (2015).

Ladegaard, M., Jensen, FH, Beedholm, K., da Silva, VMF & Madsen, PT Amazonas-Flussdelfine (Inia geoffrensis) verändern den Pegel und die Richtwirkung des Biosonars beim Abfangen von Beute in freier Wildbahn. J. Exp. Biol. 220, 2654–2665 (2017).

PubMed Google Scholar

Melo-Santos, G. et al. Die neu beschriebenen Araguay-Flussdelfine, Inia araguaiaensis (Cetartiodactyla, Iniidae), erzeugen ein vielfältiges Repertoire an akustischen Signalen. PeerJ 7, e6670 (2019).

Artikel PubMed PubMed Central Google Scholar

Melo-Santos, G., Walmsley, SF, Marmontel, M., Oliveira-da-Costa, M. & Janik, VM Wiederholte Abwärtsbewegungen des Aragua-Flussdelfins Inia araguaiaensis. J. Acoust. Soc. Bin. 147, 748–756 (2020).

Artikel ADS PubMed Google Scholar

Melo, JF Das Biosonar des Boto: Hinweise auf Unterschiede zwischen Flussdelfinarten (Inia spp.) aus dem Amazonas. PeerJ 9, e11105 (2021).

Artikel PubMed PubMed Central Google Scholar

André, M. et al. Der Tiefe lauschen: Live-Überwachung von Meereslärm und akustischen Signalen von Walen. Mar. Pollut. Stier. 63, 18–26 (2011).

Artikel PubMed Google Scholar

Jarvis, S., Dimarzio, N., Morrisey, R. & Moretti, D. Ein neuartiger Mehrklassen-Support-Vector-Maschinenklassifikator zur automatisierten Klassifizierung von Schnabelwalen und anderen kleinen Odontozeten. Dürfen. Akustisch. 36(1), 34–40 (2008).

Google Scholar

Liu, J., Yang, X., Wang, C. & Tao, Y. Ein Faltungs-Neuronales Netzwerk zur Identifizierung von Delfinarten mithilfe von Echoortungs-Klicksignalen. im Jahr 2018 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC) 1–4 (IEEE, 2018). https://doi.org/10.1109/ICSPCC.2018.8567796.

Roch, MA, Soldevilla, MS, Burtenshaw, JC, Henderson, EE & Hildebrand, JA Gaußsche Mischungsmodellklassifizierung von Odontozeten in der Südkalifornischen Bucht und im Golf von Kalifornien. J. Acoust. Soc. Bin. 121, 1737–1748 (2007).

Artikel ADS PubMed Google Scholar

Siddagangaiah, S. et al. Automatische Erkennung von Delfinpfiffen und -klicks basierend auf dem Entropieansatz. Ökologisch. Indik. 117, 106559 (2020).

Artikel Google Scholar

Van der Schaar, M., Delory, E. & André, M. Klassifizierung von Pottwalklicks (Physeter Macrocephalus) mit Gaußschen Kernel-basierten Netzwerken. Algorithmen 2, 1232–1247 (2009).

Artikel Google Scholar

Zaugg, S., van der Schaar, M., Houégnigan, L., Gervaise, C. & André, M. Akustische Echtzeitklassifizierung von Pottwalklicks und Schiffsimpulsen von Tiefseeobservatorien. Appl. Akustisch. 71, 1011–1019 (2010).

Artikel Google Scholar

Bermant, PC, Bronstein, MM, Wood, RJ, Gero, S. & Gruber, DF Tiefgreifende maschinelle Lerntechniken zur Erkennung und Klassifizierung der Bioakustik von Pottwalen. Wissenschaft. Rep. 9, 12588 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Luo, W., Yang, W. & Zhang, Y. Faltungs-Neuronales Netzwerk zur Erkennung von Odontozeten-Echolokalisierungsklicks. J. Acoust. Soc. Bin. 145(1), EL7–EL12. https://doi.org/10.1121/1.5085647 (2019).

Artikel ADS PubMed Google Scholar

Ziegenhorn, MA et al. Unterscheidung und Klassifizierung von Odontozeten-Echoortungsklicks auf den Hawaii-Inseln mithilfe von Methoden des maschinellen Lernens. PLoS One 17, e0266424 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Ramalho, EE et al. Wasserkreislauf in den Überschwemmungsgebieten des Mamirauá-Reservats für nachhaltige Entwicklung – Mittlerer Solimões-Fluss, Zeitraum von 1990 bis 2008. 25 (2009).

Junk, WJ, Piedade, MTF, Schöngart, J. & Wittmann, F. Eine Klassifizierung der wichtigsten natürlichen Lebensräume der Wildwasserflussauen des Amazonas (Várzeas). Wetl. Ökologisch. Geschäftsführer 20, 461–475 (2012).

Artikel Google Scholar

Ferreira-Ferreira, J. et al. Kombination der von ALOS/PALSAR abgeleiteten Vegetationsstruktur und Überschwemmungsmuster zur Charakterisierung wichtiger Vegetationstypen im Mamirauá-Reservat für nachhaltige Entwicklung in der zentralen Amazonas-Überschwemmungsebene in Brasilien. Wetl. Ökologisch. Geschäftsführer 23, 41–59 (2015).

Artikel Google Scholar

Takahashi, N., Gygli, M., Pfister, B. & Van Gool, L. Deep Convolutional Neural Networks und Datenerweiterung zur akustischen Ereigniserkennung. Vorabdruck unter http://arxiv.org/abs/1604.07160 (2016).

Salamon, J. & Bello, JP Deep Convolutional Neural Networks und Datenerweiterung zur Klassifizierung von Umgebungsgeräuschen. IEEE-Signalprozess. Lette. 24, 279–283 (2017).

Artikel ADS Google Scholar

Hershey, S. et al. CNN-Architekturen für die umfassende Audioklassifizierung. im Jahr 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 131–135 (2017).

Kingma, DP & Ba, J. Adam: Eine Methode zur stochastischen Optimierung. in (arXiv, 2017).

Branco, P., Torgo, L. & Ribeiro, R. Eine Übersicht über prädiktive Modellierung bei unausgeglichenen Verteilungen. ACM-Computing. Überleben. CSUR 49, 1–50 (2015).

Google Scholar

Saito, T. & Rehmsmeier, M. Das Precision-Recall-Plot ist bei der Auswertung binärer Klassifikatoren für unausgeglichene Datensätze informativer als das ROC-Plot. PLoS One 10, e0118432 (2015).

Artikel PubMed PubMed Central Google Scholar

Magnusson, WE, Best, RC & Da Silva, VMF Anzahl und Verhalten der Amazonas-Delfine, Inia geoffrensis und Sotalia fluviatilis fluviatilis, im Rio Solimoes. Brasilien. Aquat. Mamm. 8, 27–32 (1980).

Google Scholar

Paschoalini, M. et al. Schätzung der Dichte und Häufigkeit von Amazonas-Flussdelfinen: Verständnis der Variabilität der Populationsgröße. J. Mar. Sci. Ing. 9, 1184 (2021).

Artikel Google Scholar

Jones, GJ & Sayigh, LS Geografische Variation der Stimmproduktionsraten frei lebender Großer Tümmler. Mar. Säugetierwissenschaft. 18, 374–393 (2002).

Artikel Google Scholar

Nowacek, DP Akustische Ökologie futtersuchender Großer Tümmler (Tursiops truncatus), lebensraumspezifische Nutzung von drei Schalltypen. Mar. Säugetierwissenschaft. 21, 587–602 (2005).

Artikel Google Scholar

Junk, WJ (Hrsg.) The Central Amazon Floodplain (Springer Berlin Heidelberg, Berlin, Heidelberg, 1997).

Google Scholar

Crampton, WGR, Castello, L. & Viana, JP 6. Fischerei im Amazonasgebiet Várzea: Historische Trends, aktueller Status und Faktoren, die die Nachhaltigkeit beeinflussen. In People in Nature: Wildlife Conservation in South and Central America (Hrsg. Silvius, KM et al.), 76–98 (Columbia University Press, 2004). https://doi.org/10.7312/silv12782-006.

Kapitel Google Scholar

Martin, AR & Da Silva, VMF Sexueller Dimorphismus und Körpernarben beim Boto (Amazonas-Flussdelfin) Inia geoffrensis. Mar. Säugetierwissenschaft. 22, 25–33 (2006).

Artikel Google Scholar

da Silva, VMF et al. Aggression gegenüber Neugeborenen und möglicher Kindsmord beim Boto oder Amazonas-Flussdelfin (Inia geoffrensis). Verhalten 158, 971–984 (2021).

Artikel Google Scholar

Trebbau, P. & Van Bree, PJH Anmerkungen zum Süßwasserdelfin Inia geoffrensis (de Blainville, 1817) in Venezuela. Z Säugetierkd. 39, 50–57 (1974).

Google Scholar

Erbe, C. et al. Die Auswirkungen von Schiffslärm auf Meeressäuger – Ein Rückblick. Vorderseite. Mar. Sci. 6, 606 (2019).

Artikel Google Scholar

Kreb, D. & Rahadi, KD Leben unter einer Wasserautobahn: Auswirkungen von Booten auf Irawadi-Delfine (Orcaella brevirostris) in einer Küsten- und Flussumgebung in Indonesien. Aquat. Mamm. 30, 363–375 (2004).

Artikel Google Scholar

Nabi, G., Hao, Y., McLaughlin, RW & Wang, D. Die möglichen Auswirkungen eines hohen Schiffsverkehrs auf die physiologischen Parameter des vom Aussterben bedrohten Jangtse-Schweinswals (Neophocaena asiaeorientalis ssp. asiaeorientalis). Vorderseite. Physiol. 9, 11 (2018).

Artikel Google Scholar

Dey, M., Krishnaswamy, J., Morisaka, T. & Kelkar, N. Wechselwirkungen von Schiffslärm und geringer Flusstiefe erhöhen den Stoffwechselstress bei Gangesdelfinen. Wissenschaft. Rep. 9, 15426 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Buchanan, C. et al. Tiefe Faltungs-Neuronale Netze zur Erkennung von Echoortungsklicks bei Delfinen. im Jahr 2021 36. International Conference on Image and Vision Computing New Zealand (IVCNZ) 1–6 (IEEE, 2021). https://doi.org/10.1109/IVCNZ54163.2021.9653250.

Goeau, H. et al. Überblick über BirdCLEF 2018: Identifizierung von Monospezies versus Klanglandschaftsvögeln. Arbeiten. Notizen CLEF 2018-Conf. Laborbewertung. Forum 2125, 13 (2018).

Google Scholar

Hurd, LE et al. Fischgemeinschaften im Amazonas-Überschwemmungsgebiet: Lebensraumvernetzung und Erhaltung in einer sich schnell verschlechternden Umwelt. Biol. Konserv. 195, 118–127 (2016).

Artikel Google Scholar

Bodmer, R. et al. Erhebliche Veränderungen in den Wildtierpopulationen des Amazonas aufgrund der jüngsten Verschärfung von Überschwemmungen und Dürren. Konserv. Biol. 32, 333–344 (2018).

Artikel PubMed Google Scholar

Referenzen herunterladen

Die Autoren danken dem IDSM-Feldteam und den Feldführern Izael Miranha und Alcibdes „Bide“ Martins für ihre Hilfe beim Einsatz und der Wartung der Ausrüstung. Diese Arbeit wurde teilweise durch ein großzügiges Stipendium der National Marine Mammal Foundation finanziert.

Labor für bioakustische Anwendungen, Polytechnische Universität Katalonien – BarcelonaTech, Barcelona, ​​​​Spanien

Florence Erbs, Marina Gaona, Mike van der Schaar, Serge Zaugg und Michel André

Mamirauá Sustainable Development Institute, Tefé, Brasilien

Marina Gaona und Emiliano Ramalho

National Marine Mammal Foundation, San Diego, USA

Dorian Houser

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

FE: Datenerfassung, Studiendesign, Datenanalyse, Verfassen von Manuskripten. MG: Datenerfassung. MVDS: Studiendesign, Datenanalyse. SZ: Klassifizierungsrahmen. ER: Datenerfassung. DH: Datenerhebung, Finanzierung. MA: Finanzierung, Studiendesign, Datenerfassung, Manuskripterstellung. Alle Autoren haben zum endgültigen Manuskript beigetragen.

Korrespondenz mit Michel André.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Erbs, F., Gaona, M., van der Schaar, M. et al. Auf dem Weg zur automatisierten akustischen Langzeitüberwachung gefährdeter Flussdelfine: eine Fallstudie in den brasilianischen Amazonas-Überschwemmungsgebieten. Sci Rep 13, 10801 (2023). https://doi.org/10.1038/s41598-023-36518-1

Zitat herunterladen

Eingegangen: 03. Dezember 2022

Angenommen: 05. Juni 2023

Veröffentlicht: 27. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-36518-1

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Natur (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.