Hacia la automatización a largo plazo | Grupo separador de gravedad Co., Ltd

Scientific Reports volumen 13, número de artículo: 10801 (2023) Citar este artículo

1382 Accesos

1 Citas

149 altmétrico

Detalles de métricas

Utilizando monitoreo acústico pasivo (PAM) y redes neuronales convolucionales (CNN), monitoreamos los movimientos de las dos especies de delfines del río Amazonas en peligro de extinción, el boto (Inia geoffrensis) y el tucuxi (Sotalia fluviatilis) desde los ríos principales hasta los hábitats de llanuras aluviales (várzea). en la Reserva Mamirauá (Amazonas, Brasil). Detectamos presencia de delfines en cuatro áreas principales según la clasificación de sus clics de ecolocalización. Utilizando el mismo método, detectamos automáticamente el paso de embarcaciones para estimar una posible interacción entre la presencia de embarcaciones y delfines. El rendimiento del clasificador CNN fue alto con una precisión promedio de 0,95 y 0,92 para clics de ecolocalización y barcos, respectivamente. Se detectaron picos de actividad acústica de forma sincrónica en la entrada y el canal del río, correspondientes a delfines ingresando estacionalmente a la várzea. Además, los delfines de río fueron detectados regularmente dentro del bosque inundado, lo que sugiere una amplia dispersión de sus poblaciones dentro de esta gran área, tradicionalmente poco estudiada y particularmente importante para las hembras de boto y sus crías. Los barcos coincidieron con la presencia de delfines el 9% del tiempo. PAM y los avances recientes en los métodos de clasificación aportan una nueva visión del uso que los delfines de río hacen de los hábitats de las várzeas, lo que contribuirá a las estrategias de conservación de estas especies.

En los últimos años, la Unión Internacional para la Conservación de la Naturaleza (UICN) reevaluó el estado de las dos especies de delfines de río del Amazonas, el delfín rosado de río (Inia geoffrensis) y el tucuxi (Sotalia fluviatilis) de 'Datos deficientes' a ' En peligro de extinción'1,2. Con estas nuevas categorizaciones, las cinco especies restantes de delfines de río ahora se consideran oficialmente amenazadas de extinción. Esta alarmante situación refleja la intrincada combinación de amenazas directas e indirectas que representan para los delfines de río en todo el mundo, donde los conflictos con las pesquerías comerciales (es decir, competencia por recursos y daños a las redes de pesca)3,4,5,6 se ven agravados por el alto nivel de presión antropogénica sobre Ecosistemas tropicales de agua dulce7. En la cuenca del Amazonas, las principales amenazas directas sobre las poblaciones de delfines de río son la captura como cebo en la pesquería comercial de piracatinga Calophysus macropterus y los enredos en redes de enmalle3,8,9,10,11,12,13. Además, la interrupción de la conectividad hidrológica a través de la construcción de represas, la minería, la agricultura y la ganadería está afectando profundamente las funciones ecológicas de los ríos y degradando cada vez más los ecosistemas de agua dulce14. Como consecuencia, las poblaciones de delfines del río Amazonas están disminuyendo. Estudios recientes destacan una alarmante reducción poblacional del 50% cada 10 años para boto y cada 9 años para tucuxi6. Los modelos actuales de viabilidad poblacional predicen una reducción del 95% de la población de boto en 50 años15. Estos dos estudios se llevaron a cabo en un área protegida, la Reserva de Desarrollo Sostenible de Mamirauá (Reserva de Desenvolvimento Sustentável Mamirauá—RDSM), donde las presiones antropogénicas sobre los delfines de río probablemente se reduzcan en comparación con las áreas no protegidas.

Los delfines del río Amazonas habitan en un entorno único caracterizado por cambios estacionales radicales en los regímenes hídricos. La mitad del año, grandes áreas de los bosques ribereños se inundan16, extendiendo el hábitat de los animales acuáticos desde los ríos principales a grandes áreas de llanuras aluviales periféricas llamadas localmente várzea e igapó. Estos proporcionan acceso a un entorno altamente complejo y rico en recursos formado por vegetación sumergida. El "pulso de inundación" estacional es el factor principal que impulsa la distribución y los movimientos de muchas especies acuáticas amazónicas, incluidos los peces de agua dulce que emprenden movimientos estacionales en pequeña escala entre los principales ríos y llanuras aluviales para completar su ciclo de vida17,18. Las familias de peces que se sabe constituyen la mayor parte de la dieta de los delfines de río, como los carácidos (characiformes) y los bagres dorádidos (siluriformes)19, muestran migraciones laterales sincronizadas y los cambios estacionales de la densidad del hábitat de los delfines amazónicos se han relacionado con la migración de los peces20 ,21,22,23.

Durante la temporada de estiaje, los delfines de río se concentran en los principales ríos21,24. Los hábitats preferidos son confluencias donde se unen dos o más corrientes de agua (por ejemplo, pequeños afluentes o canales más grandes se conectan con los ríos principales), bahías, lagos y márgenes de ríos 23,24,25,26. Cuando el nivel del agua comienza a subir, los delfines de río siguen los movimientos de los peces y ingresan a las llanuras aluviales a través de los canales de los ríos. Los botos están altamente adaptados al entorno complejo y desordenado de las llanuras aluviales; Las especializaciones anatómicas, como las vértebras cervicales no fusionadas, proporcionan flexibilidad adicional al cuello y una articulación única del hombro permite un rango de rotación más amplio de las aletas, lo que aumenta considerablemente la maniobrabilidad27. Los botos tienden a dispersarse a lo largo del mosaico de hábitats recientemente inundados, incluidos canales de llanura aluvial, lagos internos (estacionalmente aislados de los ríos) y bosques inundados, mientras que los tucuxis suelen permanecer en las partes más profundas de la llanura aluvial, es decir, ocupando los canales de los ríos y pequeñas confluencias21,28,29,30. Una vez que los niveles del agua comienzan a bajar, los delfines regresan a los ríos principales, probablemente para evitar quedar atrapados5,21. Los botos parecen utilizar preferentemente hábitats diferentes según su edad y estado reproductivo. Los botos machos y las hembras sin crías parecen tener preferencias de hábitat similares y exhiben patrones de movimiento similares desde los ríos principales hasta la várzea21. Por otro lado, las hembras con crías y los inmaduros pasan más tiempo en los hábitats de las várzeas (bahías o pequeñas confluencias, canales) que en el río principal, no regresando en ocasiones a los ríos principales durante la temporada de estiaje, si el nivel del agua se mantiene. suficientemente alto5.

La complejidad de los hábitats de la llanura aluvial hace que el estudio de los lagos internos y del bosque inundado sea extremadamente desafiante. Hasta ahora, la gran mayoría de la información sobre la distribución de los delfines de río se ha basado en estudios visuales desde embarcaciones que normalmente se realizan a lo largo de los ríos. Desafortunadamente, el comportamiento discreto en la superficie y la ocurrencia en áreas remotas hacen que los delfines de río sean difíciles de monitorear mediante técnicas visuales. Los métodos de seguimiento visual aéreo han surgido recientemente como un enfoque alternativo o complementario, con el uso de vehículos aéreos no tripulados (drones) o sistemas de dirigibles no rígidos (dirigibles) centrados en el seguimiento de los delfines en los principales ríos31,32. Estas técnicas, si bien prometen mejorar las estimaciones de conteo31, están restringidas a áreas abiertas y no pueden aplicarse en el bosque inundado donde la copa de los árboles impide la detección visual desde arriba. Los estudios de seguimiento por satélite pueden informar sobre los movimientos y las preferencias de hábitat de los animales33,34, pero presentan importantes limitaciones en cuanto a costos y complejidad operativa, riesgos asociados con la captura de animales y la colocación de etiquetas35. Un estudio relacionó los eventos de mortalidad con los implantes de etiquetas en belugas36, mientras que Martin et al.37] no encontraron que el etiquetado afectara la tasa de supervivencia de los botos marcados en el RDSM. Si bien los niveles de riesgo pueden ser parcialmente específicos de cada especie, las 'directrices de mejores prácticas para el marcado de cetáceos' publicadas recientemente recomiendan que esta técnica se limite a cuestiones de investigación que no pueden abordarse con otros métodos38.

El uso del monitoreo acústico pasivo (PAM) para realizar estudios de delfines de río aprovecha la producción vocal casi continua de los delfines de río39, lo que resulta en una alta detectabilidad acústica. Los delfines de río producen clics de ecolocalización para sentir su entorno, orientarse y buscar alimento, así como otras vocalizaciones, incluidas vocalizaciones pulsadas de baja frecuencia40 y silbidos41 específicos de los boto. Los clics de ecolocalización se producen casi continuamente y constituyen un medio acústico confiable, consistente y altamente detectable para investigar la presencia de delfines (para una revisión de los métodos y aplicaciones, ver 42). PAM se ha aplicado con éxito en estudios de delfines del río Amazonas, incluida la distribución de la población y el uso del hábitat43,44,45 y el comportamiento vocal39,44,46,47,48,49,50,51. Con los avances tecnológicos se puede detectar la presencia acústica de los delfines en tiempo real52. Sin embargo, el entorno amazónico presenta numerosos desafíos para la detección y clasificación de señales. La complejidad del paisaje sonoro del ecosistema de agua dulce incluye varias fuentes de sonido impulsivo además de los clics de ecolocalización de los delfines, como el ruido de cavitación de los motores de los barcos, la lluvia y los insectos estridulantes de alta frecuencia. Además, las complejas condiciones de propagación acústica en entornos restringidos de aguas poco profundas se complican por los sedimentos y detritos en suspensión que alteran la propagación de la señal mediante reflexión, refracción y dispersión.

Existen varios métodos para detectar automáticamente sonidos impulsivos, como clics de ecolocalización. Se han utilizado metodologías de máquinas de vectores de soporte y detectores de clics basados en energía para los clics de odontocetos (delfines del río Amazonas43, zifios53), algunos de los cuales se han acoplado con redes neuronales (delfines jorobados del Indo-Pacífico54). Otros estudios han utilizado modelos de mezcla gaussiana (GMM) con señales representadas por características cepstrales55, entropía56 o redes basadas en núcleos gaussianos57 y redes neuronales de alimentación directa, el primer tipo de redes neuronales artificiales58. Los avances más recientes en el campo de la clasificación automática de señales acústicas utilizan Redes Neuronales Profundas (DNN). Para los clics de ecolocalización de cetáceos, este enfoque se ha desarrollado para los clics de cachalote59 y otros clics de odontocetos60,61. Hasta ahora, las redes neuronales convolucionales (CNN), una clase de DNN, no se han utilizado para clasificar las señales de los delfines de río.

En este estudio combinamos técnicas PAM con algoritmos de clasificación automática de última generación basados en CNN para monitorear la presencia de delfines de río en diferentes hábitats de llanuras aluviales dentro de la Reserva de Desarrollo Sostenible Mamirauá (RDSM) en el estado de Amazonas, Brasil. Específicamente, nos enfocamos en (1) desarrollar un modelo de clasificación confiable que pueda discriminar con precisión entre varios tipos de sonidos impulsivos presentes en los paisajes sonoros de la llanura aluvial (clics de ecolocalización de delfines, motores de barcos y lluvia); (2) detectar automáticamente la presencia acústica de delfines en grandes conjuntos de datos de diferentes hábitats de llanuras aluviales, incluidos sitios inundados permanentemente y estacionalmente; (3) identificar la superposición temporal entre la presencia de delfines y embarcaciones. Los clasificadores aquí desarrollados formarán parte de la estrategia de conservación del RDSM.

El área de estudio cubre alrededor de 800 km2 en la Reserva de Desarrollo Sostenible de Mamirauá (RDSM), en el estado de Amazonas, Brasil (Fig. 1). El RSDM comprende aproximadamente 11.000 km2 en la confluencia del río Solimões (alto río Amazonas) y el río Japurá y es el área protegida más grande de Brasil dedicada a la conservación de bosques tropicales inundados. El RDSM está habitado por poblaciones locales a lo largo de ríos y lagos, que participan en la gestión y seguimiento de la biodiversidad a través del desarrollo sostenible. Este estatus de protección garantiza que las áreas bajo protección contengan predominantemente sistemas naturales no modificados.

Mapa del sitio de estudio, la Reserva de Desarrollo Sostenible de Mamirauá (RDSM), estado de Amazonas, Brasil, y lugares de registro dentro de la RDSM. Los tipos de hábitat están modificados de Ferreira-Ferreira et al.64.

La región está formada por el hábitat de várzea (llanura de inundación de ríos de aguas blancas), un bosque de tierras bajas inundado estacionalmente por aguas blancas del Amazonas, con una variación anual promedio en los niveles de agua de 10 a 12 m62. La región también contiene parches de densa vegetación dominada por arbustos (chavascal) y vegetación herbácea. Durante la estación seca (septiembre a marzo), el bosque está atravesado por numerosos lagos y canales. Durante la estación húmeda (de abril a agosto), las inundaciones inundan progresivamente el bosque, sumergiendo la mayor parte de la tierra seca. En la RDSM están presentes dos especies de delfines de río, el boto o delfín rosado de río y el tucuxi. Cada especie tiene preferencias de hábitat específicas dentro y fuera de la várzea (es decir, los principales ríos bordeados por las llanuras aluviales)24.

Este estudio abarca cuatro tipos diferentes de hábitat de várzea que comprenden hábitats inundados permanente y temporalmente. (1) Las 'ressacas' se definen como bahías poco profundas adyacentes al cauce del río, con corrientes de baja velocidad y a menudo bordeadas de vegetación flotante21. (2) Los canales de los ríos (paranás) son sistemas acuáticos menores que conectan los ríos con los lagos de la llanura aluvial. (3) Los lagos internos son sistemas permanentemente inundados dentro de la llanura aluvial. Dependiendo de su tipo geomorfológico y su ubicación, los lagos presentan diversos grados de conectividad con los principales ríos y pueden estar cubiertos de macrófitos acuáticos que flotan libremente. (4) Los bosques bajos de várzea, como el bosque inundado en este estudio, están inundados durante más de 3 meses al año (a diferencia de los bosques altos de várzea) y cubiertos de árboles y arbustos63.

Los datos acústicos se adquirieron a través de diferentes sistemas de grabación. En la Tabla 1 se muestra una descripción general de la recopilación de datos. El nodo Providence, financiado por la National Marine Mammal Foundation (NMMF), está compuesto por un hidrófono digital icListen (modelo SB2-ETH de hidrófono inteligente de 24 bits, Ocean Sonics, Canadá). sensibilidad − 170 dB re 1 V/uPa) conectado a un sistema de procesamiento en tiempo real SONS-DCL (Sonsetc, España). Este nodo fue desplegado desde el albergue flotante de investigación Mamirauá, con acceso directo al canal Mamirauá, a una profundidad de 5 m. El sistema muestreó a 128 kHz con resolución de 24 bits y sin ganancia adicional. Los datos sin procesar de este sistema se transfirieron al almacenamiento conectado a la red (NAS) en el albergue flotante Uakari (cerca del albergue de investigación) siempre que la red estuviera disponible. Los datos utilizados de este sistema se registraron entre julio de 2019 y junio de 2020.

Además, se implementaron cuatro grabadores Wildlife Acoustics SM4 (Wildlife Acoustics, EE. UU.) equipados con hidrófonos HTI-96-Min (High Tech Inc., EE. UU., sensibilidad − 165 dB re 1 V/uPa) en diferentes tipos de hábitat de várzea. Un sistema estaba ubicado en Boca, una ressaca (o bahía) en la entrada del canal Mamirauá (situado a 2 km de la confluencia con el río Japurá), desplegado desde una casa flotante a una profundidad de 3 a 5 m, y registrado de noviembre de 2019 a abril de 2020. Otros dos sistemas fueron implementados dentro del bosque inundado, fijados a árboles: Rato (entre el canal Mamirauá y un lago de depresión) de febrero de 2019 a mayo de 2019; Juruazinho (entre un paraná y un lago de depresión) de julio de 2019 a septiembre de 2019. El último sistema se implementó en Aracazinho (un lago de volutas con conectividad intermedia con el río Japurá) de julio de 2019 a septiembre de 2019. Los últimos tres se desplegaron en áreas que no están conectados a los principales ríos durante la época seca del año. Todos los sistemas SM4 se muestrearon a 96 kHz con resolución de 16 bits y sin ganancia adicional.

Aparte de las grabadoras autónomas, se recopilaron grabaciones manuales durante estudios mensuales desde embarcaciones en la reserva de Mamirauá, de julio de 2019 a mayo de 2020. Las grabaciones se realizaron en las proximidades de grupos de delfines (< 50 m) utilizando un SoundTrap 300 HF (Ocean Instrumentos, Nueva Zelanda, sensibilidad − 176 dB re 1 V/uPa) desplegados desde el barco a 3 m de profundidad. Estos datos proporcionaron datos reales para el entrenamiento del clasificador, ya que las señales venían con identificación visual.

El etiquetado de datos se realizó utilizando una interfaz gráfica personalizada basada en Python (herramienta de etiquetado) que mostraba segmentos de espectrogramas de una duración determinada (aquí, 5 s) y permitía anotar la extensión de la señal en tiempo y frecuencia con cuadros delimitadores y asignar tipos de sonido. (clases). A los tipos de sonido se les asignó solo una etiqueta y podían estar presentes varias etiquetas de forma independiente a nivel de segmento. Las anotaciones se almacenaron incrementalmente en una base de datos dedicada (la base de datos del Repositorio Acústico Controlado, o CAR DB). Luego, los límites de frecuencia y tiempo de cada señal se extrajeron fácilmente de los cuadros delimitadores.

Se seleccionó un subconjunto (2,63 h) de datos de las grabaciones realizadas en barcos (9% seleccionados manualmente para contener señales de delfines de río y 91% seleccionados al azar para incluir una muestra representativa de la variabilidad del paisaje sonoro). También se seleccionó aleatoriamente un subconjunto (6,57 h) de datos para el nodo Providence durante un período de 2 días. Ambos subconjuntos de datos se etiquetaron inicialmente con dos clases de objetivos: clics de ecolocalización y ruido del motor del barco, en lo sucesivo denominados clases de "clic" y "barco". Se etiquetaron sonidos de fondo adicionales (por ejemplo, insectos acuáticos, silbidos de delfines, cantos de peces, etc.) para garantizar una representación adecuada en el conjunto de entrenamiento. Además de los segmentos etiquetados, se incluyeron segmentos que contenían sólo sonidos de fondo. Los clics de ecolocalización no se separaron por especie ya que actualmente no existe ningún método basado en clics desarrollado para discriminar entre las dos especies de delfines de río (boto y tucuxi) presentes en el área de estudio. Después de un primer entrenamiento del clasificador, este etiquetado inicial se completó con un etiquetado de aprendizaje activo (ver párrafo siguiente). En la Tabla 2 se ofrece una descripción general de la anotación de datos.

El aumento de datos para expandir artificialmente el conjunto de datos de entrenamiento se realizó en dos pasos, enfocándose en proporcionar espectrogramas adicionales que contenían tipos de sonido que estaban subrepresentados en los datos de entrenamiento. El primer paso fue el sobremuestreo de datos, donde las etiquetas de clases pequeñas se duplicaron para tener una cantidad mínima de etiquetas por época para el entrenamiento. En este caso, el número mínimo de etiquetas se estableció en 300. La duplicación se realizó duplicando segmentos que contenían las clases subrepresentadas. Dado que un segmento puede haber contenido varias etiquetas, esto también puede duplicar etiquetas de otras clases. En segundo lugar, con el conjunto de datos duplicados, se realizó un aumento de datos "sobre la marcha"65,66. Esto se hizo transformando los datos originales, incluidas transformaciones en el dominio de la frecuencia (pequeño desplazamiento circular a lo largo del eje de frecuencia), desplazamientos en el tiempo (pequeño desplazamiento circular de los datos a lo largo del eje del tiempo), ajustes de contraste modificando la potencia del espectrograma y distorsión del tiempo. (estirando el espectrograma a lo largo del eje del tiempo y recortándolo a su longitud original). Para cada época, todo el conjunto de entrenamiento se ejecutó a través de las transformaciones, proporcionando segmentos ligeramente diferentes de los datos base. En la Tabla 2 se puede encontrar un resumen del conjunto de datos de etiquetas.

El enfoque para clasificar automáticamente las señales acústicas se basó en una red neuronal convolucional (CNN), una clase de algoritmos de aprendizaje profundo, que fue entrenada para realizar automáticamente una clasificación basada en imágenes en la representación visual (espectrograma) de los sonidos67. Este enfoque requirió espectrogramas de entrada con anotaciones que identificaran las clases de sonido que se clasificarían. La predicción de la red consistió en la convolución sucesiva de filtros (o núcleos) entrenados en la imagen del espectrograma para extraer características relevantes para la predicción de clases (clasificación). A lo largo de una serie de épocas (iteraciones de la red sobre el conjunto de datos de entrenamiento), el modelo CNN que se describe a continuación se entrenó utilizando la función de pérdida binaria de entropía cruzada (con la pérdida sumando las etiquetas y el lote) y el optimizador Adam68 para realizar predicciones sobre la presencia de las clases dentro de un espectrograma. El conjunto de datos utilizado para producir el clasificador CNN se dividió entre un conjunto de datos de entrenamiento y uno de prueba, cada conjunto contenía datos de la encuesta desde el barco (diferentes sesiones de grabación), el albergue de investigación (diferentes días) y la várzea (división igual en un selección aleatoria) (ver Tabla 2). Según la predicción de salida, se evaluó el rendimiento del clasificador.

Utilizamos una red neuronal convolucional (CNN) con la arquitectura que se muestra en la Figura S1 de Materiales complementarios. Para calcular las características de entrada, las formas de onda que aún no se muestrearon a 96 kHz se redujeron primero a 96 kHz mediante filtrado de paso bajo y diezmado en 2 o 4, según la frecuencia de muestreo original. Luego, todos los datos de la forma de onda se combinaron y segmentaron en segmentos de 5 s que no se superponen. El clasificador funcionó en una banda de frecuencia de CC a 48 kHz. Cada segmento se transformó en Fourier utilizando una ventana Hamming de 2048 muestras con 1112 muestras de superposición para calcular la densidad espectral de potencia (PSD). Esto resultó en una matriz tiempo-frecuencia de 1024 por 1024 valores PSD. Los valores de PSD se transformaron logarítmicamente por elementos. Luego, la dimensión de frecuencia de la matriz se transformó en escala Mel de modo que se asignaron 1024 frecuencias lineales a 128 bandas Mel espaciadas logarítmicamente. Finalmente, la matriz se igualó en la dimensión temporal (resta de la mediana para cada fila de Mel) y luego se presentó como entrada al clasificador. La primera parte del clasificador CNN constaba de 5 bloques que estaban estructurados de manera idéntica, y cada bloque contenía dos capas de convolución 2D que usaban la misma cantidad de filtros 3 × 3 con la función de activación lineal rectificada, seguidas de una capa de agrupación máxima ( usando filtro 2 × 2 sin superposición). El número de filtros se cambió en cada iteración de un bloque: 32, 64, 96, 128, 160. Todas las capas de convolución estaban precedidas por una capa de normalización por lotes. Después del último bloque de convolución, los mapas de características resultantes se reformaron para obtener una matriz bidimensional que se ejecutó a través de dos capas de convolución unidimensionales con normalización por lotes, cada convolución con 256 filtros, tamaño de núcleo 1 y activaciones lineales rectificadas. Finalmente, la salida por clase se obtuvo a través de una capa de convolución unidimensional con activación sigmoidea.

Teniendo en cuenta el gran conjunto de datos y la presencia relativamente rara de algunas de las señales objetivo, se siguió un enfoque de aprendizaje activo. Después del primer entrenamiento utilizando el conjunto de datos del nodo de Providence y del barco, el modelo clasificador se evaluó en otros conjuntos de datos (sitios de Boca y Várzea) para identificar clasificaciones erróneas, es decir, nuevos tipos de sonido no presentes en el paisaje sonoro de los datos del entrenamiento inicial que entraban en conflicto con clases clasificadas. Las predicciones del modelo inicial se verificaron manualmente para detectar errores fuera de la muestra (errores de generalización). Se crearon secuencias de comandos Python personalizadas para extraer y mostrar automáticamente espectrogramas de sonidos clasificados positivamente seleccionados al azar, por encima de un umbral de la salida de clasificación seleccionada del rendimiento del modelo (consulte el párrafo siguiente). Las clasificaciones erróneas para las clases 'clic' y 'bote' se identificaron mediante la observación visual de segmentos de espectrograma y, por lo general, contenían sonidos no relacionados con características acústicas similares o superpuestas a las de los tipos de sonido de interés (por ejemplo, lluvia, ver Fig. 2). Los segmentos de audio que contenían sonidos clasificados correctamente y mal clasificados se extrajeron automáticamente y se combinaron con el conjunto de datos de entrenamiento inicial para volver a entrenar el modelo. En la Tabla 2 se puede encontrar una descripción general de las etiquetas sonoras por sitio utilizadas para la clasificación inicial y el aprendizaje activo.

Curvas de recuperación de precisión para clic de clase, barco y lluvia (izquierda) y espectrogramas de los tres sonidos impulsivos correspondientes clasificados (derecha).

El clasificador final se entrenó con un conjunto de datos que constaba de los conjuntos de datos de aprendizaje inicial y activo, y clasificó tres tipos de sonidos impulsivos: clics de ecolocalización, ruido de envío y lluvia. Primero, generamos un resultado de clasificación resumido calculado en un segmento de 5 s. La dimensión del espectrograma (escalado) enviado al clasificador fue una matriz de 512 × 128 (contenedores de tiempo x frecuencia). Después de la iteración de las capas de agrupación convolucional, esto se redujo a una matriz de 16 × 3 y se realizó la clasificación en cada columna produciendo 16 valores de salida por clase (3) por segmento. Después del entrenamiento de CNN, los 16 valores por clase se resumieron tomando la media de los valores entre el percentil 75 y el 100 como resultado de la clasificación basada en segmentos, denominado Q75. Después de evaluar varias opciones, encontramos que el percentil 75 tenía el mejor rendimiento para una señal que esperamos que se repita varias veces dentro del espectrograma. Este enfoque debería reducir la cantidad de valores de clasificación altos falsos bajo el supuesto de que nuestras clases objetivo tienen múltiples valores de salida altos por segmento de 5 s.

Algunas métricas de desempeño, por ejemplo la precisión, pueden ser engañosas cuando se considera el desempeño real de un clasificador, ya que los datos están desequilibrados (es decir, algunas clases prevalecen más que otras en el conjunto de datos) y cuando los modelos dan la puntuación de probabilidad69. En este caso, preferimos informar sobre precisión y recuperación, métricas que pueden proporcionar una mejor visión cuando se trata de una representación de clases desequilibrada69,70. La precisión (también llamada Valor Predicho Positivo, VPP) se definió como la fracción de observaciones predichas como positivas que de hecho lo fueron. El recuerdo (o Tasa de Verdaderos Positivos, TPR) fue la fracción de observaciones clasificadas como positivas de todas las observaciones positivas (es decir, una probabilidad de detección). Se trazó una curva de recuperación de precisión en la que estas dos métricas de rendimiento se trazaron respectivamente en los ejes xey para una secuencia de umbrales de decisión. Luego, se calculó la precisión promedio (área bajo la curva de recuperación de precisión, AP) para cada clase para evaluar el desempeño de la clase individual. El rendimiento global del clasificador en las tres clases se calculó utilizando la precisión promedio media (mAP) mediante micropromediado, donde todos los resultados de clasificación de las diferentes clases se combinaron para calcular una única curva de recuperación de precisión, y luego el AP de esta curva. se calculó para dar el mAP; este enfoque tuvo en cuenta el desequilibrio de clases.

con T el número de umbrales y TPR(T) = 0, PPV(T) = 1.

Todo el conjunto de datos, excepto los estudios realizados desde barcos (2931 h de registros), se evaluó con el modelo final. Para cada segmento de 5 s, esto da 3 puntuaciones previstas para las 3 clases de objetivos (clic, barco, lluvia). Los resultados de validación (curvas de precisión promedio y diagramas de dispersión) del modelo final se utilizaron para identificar el umbral de clasificación óptimo para cada tipo de sonido. El umbral óptimo (o umbral de decisión) se determinó como el punto de valor de la curva de precisión promedio donde tanto la precisión como la recuperación son iguales. Luego se probaron y evaluaron los umbrales de decisión por ubicación en segmentos clasificados seleccionados al azar de todo el conjunto de datos. Se evaluaron la TPR y la tasa de verdaderos negativos (TNR) y los umbrales se ajustaron y reevaluaron si era necesario. Luego se comparó el umbral de decisión para cada clase y ubicación con el puntaje de predicción de cada segmento clasificado, y el segmento se asignó como positivo para la presencia de delfines (clase de clic), barco (clase de bote) o lluvia (clase de lluvia) si el puntaje de predicción estaba por encima del umbral de clase.

Cinco segundos segmentos con puntuaciones de CNN por encima del umbral se contaron como apariciones acústicas de delfines de río. La presencia acústica diaria es una proporción que se obtuvo como la duración diaria de ocurrencias acústicas dividida por la duración total de grabación diaria. Informar una proporción compensa las diferencias en los ciclos de trabajo de grabación entre el nodo Providence y las grabaciones SM4. Para los sitios de várzea, donde se suponía que los pasos de delfines eran poco frecuentes y más alejados de los equipos de registro con condiciones de propagación complejas (bosques inundados), las detecciones positivas se verificaron manualmente.

Para los sitios de várzea, las detecciones de delfines generalmente tuvieron relaciones señal-ruido (SNR) muy bajas en comparación con las detecciones en los canales del río. Esto llevó a un aumento en las clasificaciones erróneas de clics con el tipo de sonido de lluvia. Como el clasificador final tiene un mayor rendimiento para la lluvia que para los clics (ver Resultados), la clase de lluvia se usó como filtro posterior para clasificaciones erróneas de todos los sitios de grabación (por ejemplo, cualquier segmento de 5 s que contenía un valor por encima del umbral tanto para clics como para lluvia). tipos de sonido se atribuyó a la lluvia).

Para investigar la superposición espacio-temporal de delfines y barcos, se calculó un recuento de coocurrencia en Boca, el lugar con la mayor presencia acústica de delfines. Este recuento corresponde al número de minutos que contienen tanto la clasificación de clic positivo como la clasificación de barco positiva.

El rendimiento inicial y final del clasificador se evaluó basándose en la curva de recuperación de precisión para los 3 tipos de sonidos impulsivos: clics de ecolocalización de delfines de río, ruido de motor de barcos que pasan y lluvia.

El clasificador inicial tenía una precisión promedio Q75 de 0,90. Después del procedimiento de aprendizaje activo, pruebas con longitud de segmento reducida y la adición de la clase de lluvia, el clasificador final tuvo una precisión promedio de 0,95. Esto corresponde a un aumento general del 5,5 % en la precisión promedio después del procedimiento de aprendizaje activo. La precisión promedio más alta se logró en la clase de lluvia con 0,98. Las clases click y boat también mostraron un alto rendimiento con valores respectivos de 0,95 y 0,92 (Fig. 2). El umbral de clasificación positiva para los clics de ecolocalización se estableció en los valores que se muestran en la Tabla 3, seleccionados de la evaluación de rendimiento semiautomática realizada para cada ubicación de grabación. La Tabla 3 también muestra el TPR y TNR correspondientes para un umbral determinado en una ubicación determinada. Click TPR y TNR estuvieron entre 0,88 y 1, mientras que estos valores oscilaron entre 0,94 y 1 para la clase de barco.

La detección acústica de delfines fue frecuente en los dos sitios ubicados en cuerpos de agua permanentes (Fig. 3). En Boca (la ubicación de ressaca), se detectó presencia de delfines basada en clics de ecolocalización durante todo el período de implementación, desde noviembre de 2019 hasta mayo de 2020. La presencia de delfines aumentó desde noviembre hasta principios de enero de 2020, cuando las detecciones alcanzaron su punto máximo brevemente a mediados de enero ( presencia de delfines detectada aproximadamente el 70% del tiempo diario). Las detecciones alcanzaron su punto máximo de manera similar a finales de febrero y principios de abril y mayo (Fig. 3, centro). En el albergue de investigación (la ubicación del canal del río), hubo un nivel muy bajo de detecciones a principios de julio y de septiembre a noviembre. Las detecciones comenzaron a aumentar hasta alcanzar la presencia máxima a mediados de enero, cuando se detectaron delfines en aproximadamente el 30% de la población. tiempo. Entre marzo y abril y finales de mayo, las detecciones disminuyeron a valores mínimos (Fig. 3, abajo).

Presencia acústica de delfines de río en la ressaca y en el cauce del río (barras azules), según clasificación de clics de CNN. Niveles de agua (arriba); Presencia en la entrada del cauce del río (centro); Presencia en el albergue de investigación (abajo). El cuadro rosa indica el período de subida del agua. La línea gris es la duración de la grabación diaria. Las áreas grises indican ausencia de grabaciones.

El ciclo anual de inundaciones entre junio de 2019 y junio de 2020 (Fig. 3, arriba) mostró el patrón típico de fluctuaciones entre los niveles altos y bajos del agua. De junio a octubre los niveles de agua disminuyeron hasta alcanzar un mínimo. Esto correspondió a un número nulo o muy bajo de clics detectados en el albergue de investigación en el cauce del río. Posteriormente, en ambos sitios (ressaca y canal del río), la presencia de delfines aumentó durante un período de 3 meses de noviembre a enero, con un pico claramente sincronizado a mediados de enero en los dos lugares. Esta época del año corresponde al período de crecida del ciclo anual de inundaciones. En 2019, los niveles de agua aumentaron 8 m desde octubre hasta alcanzar su nivel más alto a mediados de enero (Fig. 3, arriba). Finalmente, durante el mes siguiente (de febrero a finales de mayo), los niveles de agua se mantuvieron altos y se detectaron delfines regularmente en ambos sitios con variaciones similares en la tasa de detección (picos coincidentes en marzo, abril y mayo).

La presencia acústica de delfines de río fue menor en los sitios periódicamente inundados que en los cuerpos de agua permanentes. En Rato, uno de los sitios de bosque inundado, los delfines estuvieron presentes principalmente en febrero-marzo y en mayo, durante el 64% de los días de muestreo, con un valor máximo del 1,7% del tiempo diario. El período de registro corresponde al final del período de crecida (Fig. 4, arriba). En Juruazinho, el otro sitio de bosque inundado, durante los 2 meses y medio de registro disponibles, las tasas de detección fueron muy bajas y la presencia de delfines se detectó esencialmente durante 8 días (12% de los días de muestreo) entre finales de julio y principios de Agosto. Las detecciones fueron del mismo orden de magnitud en Aracazinho, la ubicación interna del lago (menos del 0,6% del tiempo, 9 días de detecciones). En términos de nivel de agua, este período corresponde al retroceso del agua, donde los niveles de agua a principios de julio comenzaron a bajar hasta alcanzar aproximadamente 30 m sobre el nivel del mar a principios de septiembre.

Presencia acústica de delfines de río en tres sitios periódicamente inundados, según la clasificación de clics de CNN. Niveles de agua (arriba); Presencia de delfines en Rato (centro izquierda); Presencia en Aracazinho (centro derecha). Presencia en Juruazinho (abajo a la derecha). Los cuadros rosados indican el período de marea alta (cuadro de la izquierda) y el período de retroceso de las aguas (cuadro de la derecha).

La actividad de los delfines varió mucho según el mes, pero cuando estuvieron presentes no pareció haber una gran diferencia entre la actividad diurna y nocturna (Fig. 5, izquierda). Se utilizó una prueba de suma de rangos de Wilcoxon para cada mes para comparar las distribuciones del número de segmentos clasificados positivamente entre el día (amanecer-anochecer) y la noche (anochecer-amanecer), ambos escalados por el período de tiempo medido en minutos como la duración. del día y la noche cambiaron con el tiempo (H0: la actividad día/noche es la misma; H1: un momento del día tiene mayor actividad que el otro). Se seleccionó una prueba no paramétrica porque las formas de distribución entre día y noche parecían ser diferentes y anormales. Sólo febrero mostró una diferencia significativa entre día/noche (p = 0,00 con N = 18 ya que faltaban datos al comienzo del mes). Pero en los demás meses no se encontró tal diferencia. Los pasos de embarcaciones se detectaron casi exclusivamente durante las horas del día sin diferencias notables entre las horas del día o entre meses (Fig. 5, centro).

Presencia acústica de delfines, embarcaciones y co-ocurrencia agrupada por hora del día en el sitio de Boca. Las líneas de color gris oscuro representan el anochecer y el amanecer. Las áreas de color gris claro representan un período sin recopilación de datos (reemplazo de batería). Tenga en cuenta que los valores de 6 min por hora es el valor máximo que se puede obtener en función del ciclo de trabajo de recopilación de datos (1 min encendido, 9 min apagado, consulte la sección Métodos).

La superposición temporal entre barcos y delfines se estimó mediante la coexistencia de segmentos con clics positivos y clasificación de barcos dentro de un período de tiempo de 1 minuto. La Figura 5 muestra valores relativamente bajos en términos de tiempo con coexistencia. En el conjunto de datos completo de 5 meses, la cantidad de minutos con coexistencia es baja (media 0,54, DE = 0,94), lo que representa un promedio del 9 % del tiempo registrado. Estos valores permanecen bajos cuando se calculan durante el período de 3 meses correspondiente a la mayor presencia de delfines en enero-marzo (media = 0,67, DE = 1,05) con el 11% del tiempo registrado.

Los resultados de la clasificación automática de CNN de los clics de ecolocalización de delfines de río revelaron patrones de presencia en relación con el período de inundación anual. En la bahía y en el cauce del río, la presencia acústica de delfines aumentó claramente durante el período de crecida de aguas, de noviembre a enero. Este patrón fue especialmente notorio en la bahía (entrada del cauce del río), donde la presencia acústica diaria aumentó de aproximadamente el 10% al 70% durante este período. Curiosamente, el pico principal de presencia acústica se detectó en ambos sitios simultáneamente. El pico de detección sincronizado en ambos lugares sugiere movimientos a escala de población local de delfines que ingresan a la várzea desde el río principal a través del canal del río. Estos resultados concuerdan con los datos publicados sobre los movimientos de los delfines en la várzea en relación con el ciclo de inundaciones. Martin y da Silva21 informaron sobre los movimientos de los delfines dentro del RDSM a través del canal del río durante el aumento de las aguas basándose en estudios visuales y datos de seguimiento por radio, con una presencia cada vez mayor de delfines que alcanzaba su punto máximo “aproximadamente a un nivel de 10 m”. Nuestros resultados muestran un patrón similar de detecciones, con un pico en el aumento del agua, cuando los niveles de agua alcanzaron 8 m por encima del nivel más bajo. En niveles altos de agua (de febrero a junio), los delfines permanecieron presentes en la bahía, donde fueron detectados acústicamente entre el 20 y el 60% del tiempo. También se detectaron delfines regularmente en el cauce del río, aunque no de forma continua, y con una presencia acústica considerablemente menor (0-15% del tiempo).

Estos hallazgos respaldan aún más la idea de que las bahías formadas en áreas de confluencia son un hábitat importante para los delfines de río. Mintzer et al.5 estudiaron los movimientos estacionales de los botos dentro del RDSM estimando una probabilidad de transición entre hábitats y caracterizaron la entrada del sistema de lagos Mamirauá como un área central para los botos (es decir, donde los animales pasan una cantidad máxima de tiempo). Especialmente las parejas de madre/cría y los inmaduros parecieron pasar más tiempo en las bahías antes de regresar al sistema de lagos de Mamirauá en aguas bajas o crecientes. Esta preferencia también quedó demostrada a través de un estudio PAM realizado en el mismo lugar al final del ascenso de las aguas43. Tucuxis también parece favorecer las confluencias29,71. La importancia de este hábitat parece ser compartida por las poblaciones y subpoblaciones de delfines del río Amazonas en toda su distribución33,34. Un estudio reciente que cubre varios lugares tanto en la cuenca del Orinoco como en la del Amazonas destacó que las mayores densidades de delfines para ambas especies de delfines del río Amazonas se encontraron en las áreas de confluencia, con densidades promedio de 23 y 16 ind./km2 para botos y tucuxis respectivamente, y alcanzando 61 y 64 ind./km2 en las confluencias de la Reserva Mamirauá72.

Además, los delfines, especialmente los botos, parecían utilizar los canales de los ríos como puerta de entrada para acceder a partes remotas de la várzea. Los resultados de un estudio PAM anterior en el RDSM que investigaba los trenes de clics y las trayectorias de los delfines mostraron que los animales utilizaban principalmente el canal Mamirauá como paso hacia otras ubicaciones de la várzea43. Desde este canal, los botos podían acceder a lagos permanentes conectados (por ejemplo, lago Mamirauá) o desconectados del sistema fluvial en aguas bajas (por ejemplo, lago Rato) y a lagos inundados estacionalmente (por ejemplo, lagos Juruazinho y Aracazinho). También se sabe que los tucuxis están presentes en el canal, aunque limitan su uso del canal a la parte inferior, más cerca del río principal29.

Por lo tanto, la diferencia entre los valores de detección en los dos sitios (situados a 10 km de distancia en el mismo canal del río) podría explicarse no sólo por una diferencia en el número de delfines presentes sino también por una diferencia en el uso de su hábitat. La entrada del canal es una bahía (ressaca), cerca de la confluencia de dos importantes cursos de agua, los ríos Solimões (parte alta del Amazonas) y Japurá. Las condiciones ambientales locales crean hábitats favorables y ricos en presas para los delfines. Una mayor actividad acústica podría reflejar un aumento en el tiempo que los delfines individuales pasan en el área, un aumento en el número de delfines que utilizan esta área, pero también un aumento en la actividad acústica debido a la mayor producción de clics utilizados para buscar alimento en comparación con los comportamientos de viaje47 ,73,74.

Las detecciones de delfines en aguas altas en el bosque inundado (Rato) fueron muy bajas en términos de duración (menos del 2% del tiempo diario) pero regulares en términos de presencia (es decir, número de días). El sitio del bosque inundado de Rato es un acceso al lago Rato y las detecciones de delfines probablemente reflejan el paso regular de botos a las partes remotas de las llanuras aluviales. Los lagos de Várzea, especialmente aquellos con vegetación flotante que sirven de refugio a una gran variedad y abundancia de peces, también son el hábitat favorito de los delfines de río21. Sin embargo, debido a las dificultades para penetrar con embarcaciones en el intrincado ecosistema del bosque inundado, hay muy poca información sobre la distribución de los delfines en el mosaico de hábitats de las llanuras aluviales. Incluso utilizando técnicas de seguimiento alternativas, como el seguimiento de los animales mediante etiquetas, es excesivamente difícil recopilar datos sobre la distribución de los delfines una vez que abandonan el canal del río. En un estudio utilizando transmisores VHF en 24 botos, Martin y da Silva21 informaron que durante las aguas altas los botos marcados estaban fuera de alcance hasta el 100% del tiempo, impidiendo su localización dentro del área. Nuestros resultados indican aquí el uso regular de pasajes de bosque inundados que conectan los canales de várzea con los lagos internos por parte de los delfines durante las aguas altas.

Las hembras de botos con crías y animales inmaduros pasan más tiempo en los hábitats de las várzeas que los machos21. Una de las razones es que los hábitats de las várzea brindan acceso a ricos recursos de presas. Los sistemas de llanuras aluviales, que combinan altos niveles de complejidad de hábitat con aguas ricas en nutrientes, albergan una gran diversidad de peces asociados con una alta biomasa17,75,76. Otra hipótesis es que los hábitats de las várzeas parecen ofrecer refugio contra el comportamiento agresivo de los machos, especialmente hacia las crías77,78. Finalmente, hábitats como lagos internos, bosques inundados y pequeños canales proporcionan áreas de descanso con corrientes más bajas5,21 que generalmente son favorecidas por los delfines de río. Esta combinación única y beneficiosa de condiciones ambientales hace que los hábitats de várzea sean de gran importancia para hembras con crías e inmaduros y, por tanto, para la supervivencia de las poblaciones de boto.

De julio a septiembre, al final de la crecida y durante la caída de las aguas, nuestro estudio recopiló datos en dos sitios: uno dentro del bosque inundado (Juruazinho) y otro en un lago interno (Aracazinho). Los niveles de detección fueron muy bajos y del mismo orden de magnitud en ambos sitios, con un 12% de los días con detecciones de delfines, ocurriendo principalmente en julio y principios de agosto. Desafortunadamente, no se pudieron recopilar datos durante el mismo período en los otros sitios de estudio y no fue posible sacar conclusiones sólidas sobre la relación entre la presencia limitada de delfines y la disminución de los niveles del agua. Sin embargo, nuestros resultados están alineados con los movimientos conocidos de delfines fuera de la várzea. Se sabe que ambas especies de delfines de río regresan a los ríos principales durante este período, siguiendo los movimientos de los peces fuera de las llanuras aluviales y anticipando el riesgo inminente de quedar atrapados5,21,29,79.

Cuantificar el alcance de la coocurrencia espaciotemporal entre delfines y barcos en ambientes de agua dulce es de importancia crítica, especialmente en áreas centrales donde los animales dedican una gran cantidad de su tiempo a actividades vitales como la búsqueda de alimento. El paso de embarcaciones por estas zonas espacialmente restringidas introduce ruido de cavitación del motor en el entorno submarino. Se informaron estrés crónico, efectos de enmascaramiento y respuestas conductuales y acústicas para las poblaciones marinas en mar abierto80 y se puede suponer que tales respuestas son aún más fuertes en sistemas de agua dulce (por ejemplo, ríos, canales, bahías) que están espacialmente restringidos y brindan menos oportunidades. para que los animales eviten las perturbaciones. Nuestros resultados muestran que en Boca, donde se detectó una presencia continua y significativa de delfines durante el período de registro de 5 meses, el nivel de co-ocurrencia fue aproximadamente el 10% del tiempo registrado. Sin embargo, los datos se recopilaron en un ciclo de trabajo del 10% y sólo pueden proporcionar una estimación de en qué medida el tráfico de embarcaciones se superpone con la presencia de delfines. Sin embargo, es probable que en este lugar el nivel de perturbación se reduzca debido al bajo nivel de tráfico de embarcaciones (esencialmente pescadores de comunidades locales y embarcaciones turísticas que pasan algunas veces por semana). Sin embargo, los efectos del ruido submarino en las poblaciones de delfines de río están notablemente poco estudiados80 y hasta ahora sólo unas pocas publicaciones han abordado los efectos del tráfico marítimo en las poblaciones de cetáceos de agua dulce81,82,83. Por lo tanto, no se pueden evaluar los efectos de la exposición al ruido que representa el 10% del tiempo que pasan los delfines de río en las áreas centrales. Se necesitan grabaciones continuas para evaluar con precisión la superposición de la presencia de embarcaciones y delfines y evaluar la posible perturbación causada por esta fuente de ruido submarino. Se realizarán más estudios en otros hábitats de confluencia utilizados habitualmente por los delfines de río, donde el tráfico de embarcaciones es mayor (por ejemplo, el lago Tefé).

El método CNN desarrollado aquí clasificó tres tipos de sonido (clics de ecolocalización de delfines de río, ruido de barco debido a la cavitación del motor y lluvia), con una precisión promedio media de 0,95. Los sonidos se representan como imágenes de espectrograma y esto demuestra la validez de utilizar un enfoque basado en imágenes para clasificar y discriminar eventos acústicos submarinos de naturaleza impulsiva. Una vez que se crearon las etiquetas (una tarea que requiere mucho tiempo), nuestro flujo de trabajo basado en CNN requirió solo unos pocos pasos de preprocesamiento. Además, con la integración del aumento de datos sobre la marcha, este flujo de trabajo permitió entrenar modelos iniciales para clases submuestreadas. Estos modelos se utilizaron para recuperar automáticamente ejemplos adicionales verdaderos positivos (tipo de interés sonoro) y falsos positivos (clasificaciones erróneas) en un ciclo de aprendizaje activo para fortalecer rápidamente el rendimiento del modelo.

Existe un interés creciente en el uso de redes neuronales convolucionales para detectar y clasificar automáticamente los clics de ecolocalización de odontocetos. Algunos estudios se centran en clasificar clics únicos en un clasificador de clase única y lograr un alto rendimiento60,84. Sin embargo, en comparación con las grabaciones monoespecíficas (es decir, que contienen una clase de sonido), las tareas de clasificación que utilizan grabaciones de paisajes sonoros (es decir, que contienen múltiples clases de sonido) representan un desafío importante para los algoritmos de clasificación. Concursos de clasificación recientes demostraron que las puntuaciones de rendimiento obtenidas en grabaciones de paisajes sonoros eran 4 veces menores que en grabaciones monoespecíficas85. Elegimos basar nuestro flujo de trabajo en grabaciones de paisajes sonoros de 5 segundos con el objetivo de desarrollar además un modelo de clasificación general para diferentes tipos de sonidos (impulsivos o tonales), desde biológicos (especies acuáticas del Amazonas), antropogénicos (por ejemplo, un barco) y naturales (por ejemplo, lluvia). ) fuentes.

Este estudio demuestra la idoneidad de utilizar la clasificación basada en CNN para detectar automáticamente los clics de ecolocalización de delfines de río en el complejo paisaje sonoro de los hábitats de agua dulce. La eficiencia y rapidez del método CNN permiten analizar la totalidad de los datos recolectados sin tener que submuestrear como se hace habitualmente para el análisis manual, permitiendo detectar movimientos importantes de delfines en el área de estudio, y pasajes raros en hábitats o estaciones específicas. . El uso del monitoreo acústico pasivo junto con métodos analíticos automáticos, como la clasificación de señales de delfines basada en CNN, puede aumentar eficientemente nuestro conocimiento sobre las poblaciones de delfines en peligro de extinción en una variedad de hábitats inundados, especialmente en hábitats remotos y poco estudiados de bosques y lagos inundados, y permite cronometrar con precisión los movimientos de los delfines de río entre los hábitats de las várzeas en relación con el pulso de las inundaciones. El clasificador en este estudio se amplió para incluir la detección automática de pasos de embarcaciones en áreas centrales de delfines para evaluar el alcance de la perturbación del ruido submarino en los delfines de río.

Nuestro estudio exige una generalización del uso de PAM dentro del mosaico de hábitats de llanuras aluviales para comprender las preferencias y requisitos de hábitat de los delfines de río, especialmente las hembras y las crías de boto. Las aplicaciones prácticas para predecir la respuesta de los delfines a la pérdida y degradación del hábitat (por ejemplo, deforestación para pastos, plantaciones, tala selectiva,…) contribuirán a las estrategias de gestión de la zona de transición acuático-terrestre (ZATT), crítica para el mantenimiento de la conectividad del hábitat16 ,86. Otra área de aplicaciones es el desarrollo e implementación de protocolos estandarizados para monitorear los cambios de distribución en relación con la reciente amplificación de los eventos de sequía e inundaciones en la cuenca del Amazonas87. Como especies centinela de los sistemas acuáticos que habitan, los delfines de río pueden constituir un sistema de detección temprana del desequilibrio de los ecosistemas26.

Los conjuntos de datos generados durante el estudio actual están disponibles del autor correspondiente a solicitud razonable.

da Silva, V. et al. Inia geoffrensis, delfín del río Amazonas. en la Lista Roja de Amenazas de la UICN. Especie 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. en la Lista Roja de Amenazas de la UICN. Especie 2020 ET190871A50386457 https://doi.org/10.2305/IUCN.UK.2020-3.RLTS.T190871A50386457.en. (2020).

Trujillo, F., Crespo, E., Van Damme, PA & Usma, JS Estado y conservación de los delfines de río Inia geoffrensis y Sotalia fluviatilis en las cuencas del Amazonas y del Orinoco en Colombia. en El plan de acción para los delfines de río de América del Sur 2010-2020. WWF, Fundación Omacha, WDS, WDCS, Solamac. 29–57 (2010).

Sinha, RK y Kannan, K. Delfín del río Ganges: una descripción general de la biología, la ecología y el estado de conservación en la India. Ambito 43, 1029-1046 (2014).

Artículo PubMed PubMed Central Google Scholar

Mintzer, VJ, Lorenzen, K., Frazer, TK, da Silva, VMF & Martin, AR Movimientos estacionales de delfines de río (Inia geoffrensis) en una llanura aluvial protegida del Amazonas. Mar. Ciencia de mamíferos. 32, 664–681 (2016).

Artículo de Google Scholar

da Silva, VMF, Freitas, CEC, Dias, RL y Martin, AR Ambos cetáceos en la Amazonia brasileña muestran disminuciones poblacionales profundas y sostenidas durante dos décadas. PLoS One 13, e0191304 (2018).

Artículo de Google Scholar

Dudgeon, D. y col. Biodiversidad de agua dulce: importancia, amenazas, estado y desafíos de conservación. Biol. Rev. 81, 163–182 (2006).

Artículo PubMed Google Scholar

Loch, C., Marmontel, M. & Simoes-Lopes, PC Conflictos con la pesca y matanza intencional de delfines de agua dulce (Cetacea: Odontoceti) en la Amazonia occidental de Brasil. Biodiversores. Conservar. 18, 3979–3988 (2009).

Artículo de Google Scholar

da Silva, VMF, Martin, AR & Do Carmo, NA Cebo Boto: las pesquerías amazónicas representan una amenaza para las esquivas especies de delfines. Especies 53, 10-11 (2011).

Google Académico

Alves, LCPDS, Zappes, CA & Andriolo, A. Conflictos entre delfines de río (Cetacea: Odontoceti) y pesquerías en la Amazonía Central: ¿un camino hacia la tragedia?. Zoológico. Curitiba 29, 420–429 (2012).

Google Académico

Iriarte, V. Eventos de mortalidad de delfines de río (Inia geoffrensis, Sotalia fluviatilis) atribuidos a la pesca artesanal en la Amazonia occidental brasileña. Agua. Mamá. 39, 116-124 (2013).

Artículo de Google Scholar

Brum, SM, da Silva, VMF, Rossoni, F. & Castello, L. Uso de delfines y caimanes como cebo para Calophysus macropterus (Lichtenstein, 1819) (Siluriforme: Pimelodidae) en el Amazonas. J. Aplica. Ictiol. 31, 675–680 (2015).

Artículo de Google Scholar

Mosquera-Guerra, F. et al. Estrategia para identificar áreas de aprovechamiento de los delfines del río Amazonas. Frente. Marzo ciencia. 9, 838988 (2022).

Artículo de Google Scholar

Castello, L. & Macedo, MN Degradación a gran escala de los ecosistemas de agua dulce del Amazonas. Globo. Cambiar Biol. 22, 990–1007 (2016).

ADS del artículo Google Scholar

Martin, AR & da Silva, VMF Los delfines del río Amazonas Inia geoffrensis están en camino a la extinción en el corazón de su área de distribución. Orix 56(4), 587–591. https://doi.org/10.1017/S0030605320001350 (2021).

Artículo de Google Scholar

Junk, WJ, Bayley, PB y Sparks, RE El concepto de pulso de inundación en sistemas de llanuras aluviales fluviales. Poder. Especificaciones. Publ. Pez. Agua. Ciencia. 106, 110-127 (1989).

Google Académico

Goulding, M. Los peces y el bosque: exploraciones en la historia natural del Amazonas (University of California Press, 1980). https://doi.org/10.1525/9780520316133.

Reservar Google Académico

Duponchelle, F. y col. Conservación de peces migratorios en la cuenca del Amazonas. Agua. Conservar. Mar. Fresco. Ecosistema. Rev. 31, 1087–1105 (2021).

Artículo de Google Scholar

da Silva, VMF en Ecología alimentaria de los delfines amazónicos (FUA/INPA, 1983).

Google Académico

Vidal, O. et al. Distribución y abundancia del delfín de río Amazonas (Inia geoffrensis) y del tucuxi (Sotalia fluviatilis) en el alto río Amazonas. Mar. Ciencia de mamíferos. 13, 427–445 (1997).

Artículo de Google Scholar

Martin, AR & da Silva, VMF Delfines de río y bosques inundados: uso estacional del hábitat y segregación sexual de botos (Inia geoffrensis) en un ambiente extremo de cetáceos. J. Zool. 263, 295–305 (2004).

Artículo de Google Scholar

Gomez-Salazar, C., Trujillo, F., Portocarrero-Aya, M. & Whitehead, H. Estimaciones de población, densidad y conservación de delfines de río (Inia y Sotalia) en las cuencas de los ríos Amazonas y Orinoco. Mar. Ciencia de mamíferos. 28, 124-153 (2012).

Artículo de Google Scholar

Reis, RE en Lista de verificación de peces de agua dulce de América del Sur y Central (Edipucrs, 2003).

Google Académico

Martin, AR, Silva, VMF & Salmon, DL Preferencias de hábitat ribereño de botos (Inia geoffrensis) y tucuxis (Sotalia fluviatilis) en la Amazonia central. Mar. Ciencia de mamíferos. 20, 189-200 (2004).

Artículo de Google Scholar

McGuire, TL & Winemiller, KO Patrones de ocurrencia, asociaciones de hábitat y presas potenciales del delfín de río, Inia geoffrensis, en el río Cinaruco Venezuela. Biotrópica 30, 625–638 (1998).

Artículo de Google Scholar

Gomez-Salazar, C., Coll, M. & Whitehead, H. Los delfines de río como indicadores de la degradación del ecosistema en grandes ríos tropicales. Ecológico. Índico. 23, 19-26 (2012).

Artículo de Google Scholar

Gutstein, CS, Cozzuol, MA & Pyenson, ND La antigüedad de las adaptaciones ribereñas en Iniidae (Cetacea, Odontoceti) documentada por un húmero del Mioceno tardío de la Formación Ituzaingó, Argentina: Antigüedad de las adaptaciones ribereñas en Iniidae (Cetacea, Odontoceti). anat. Rec. Rev. 297, 1096–1102 (2014).

Artículo de Google Scholar

Best, RC y da Silva, VM Delfín del río Amazonas, boto Inia geoffrensis (de Blainville, 1817). Mano. Mar. Mamá. 4, 1-23 (1989).

Google Académico

Faustino, C. & Da Silva, VMF Uso estacional de las llanuras aluviales del Amazonas por parte del tucuxi Sotalia fluviatilis (Gervais 1853), en la Amazonia central, Brasil. Lat. Soy. J. Aquat. Mamá. https://doi.org/10.5597/lajam00100 (2006).

Artículo de Google Scholar

Trujillo, F., Diazgranados, M. C., Galindo, A. L. F. & Fuentes, L. Delfín gris Sotalia fluviatilis. in 2006 Libro Rojo Los Mamíferos Colomb. Ser. Libr. Rojos Especies Amenazadas Colomb. Conserv. Int. Minist. Ambiente Vivienda Desarro. Territ. Bogota Colomb. 273–278 (2006).

Fürstenau Oliveira, JS, Georgiadis, G., Campello, S., Brandão, RA & Ciuti, S. Mejora del seguimiento de los delfines de río mediante estudios aéreos. Ecosfera 8, e01912 (2017).

Artículo de Google Scholar

Oliveira-da-Costa, M. et al. Efectividad de vehículos aéreos no tripulados para detectar delfines amazónicos. Orix 54(5), 696–698. https://doi.org/10.1017/S0030605319000279 (2019).

Artículo de Google Scholar

Mosquera-Guerra, F. et al. Área de distribución y movimientos de los delfines del río Amazonas Inia geoffrensis en las cuencas de los ríos Amazonas y Orinoco. Poner en peligro. Res. de especies. 45, 269–282 (2021).

Artículo de Google Scholar

Mosquera-Guerra, F. et al. Identificación de preferencias de hábitat y áreas centrales de la actividad de los delfines del río Amazonas mediante análisis de ecología espacial. Landsc. Ecológico. 37, 2099-2119 (2022).

Artículo de Google Scholar

Norman, SA, Hobbs, RC, Foster, J., Schroeder, JP y Townsend, FI Una revisión de los problemas de salud humana y animal durante la captura, liberación, manipulación y etiquetado de odontocetos. J. Cetáceo Res. Gestionar. 6, 53–62 (2004).

Artículo de Google Scholar

Burek‐Huntington, KA et al. Investigación de patología postmortem de las heridas causadas por etiquetado invasivo en belugas (Delphinapterus leucas) de Cook Inlet y Bristol Bay, Alaska. Mar. Mammal Sci 39(2), 492–514. https://doi.org/10.1111/mms.12981 (2022).

Artículo de Google Scholar

Martin, AR, Da Silva, VMF & Rothery, PR ¿El radioetiquetado afecta la supervivencia o reproducción de pequeños cetáceos?. Una prueba. Mar. Ciencia de mamíferos. 22, 17-24 (2006).

Artículo de Google Scholar

Andrews, RD y cols. Directrices de mejores prácticas para el marcado de cetáceos. J. Cetáceo Res. Gestionar. 20, 27–66 (2019).

ADS del artículo Google Scholar

Ladegaard, M., Jensen, FH, de Freitas, M., Ferreira da Silva, VM & Madsen, PT Los delfines del río Amazonas (Inia geoffrensis) utilizan un biosonar de alta frecuencia y corto alcance. J. Exp. Biol. 218, 3091–3101 (2015).

Artículo PubMed Google Scholar

Podos, J., Da Silva, VM y Rossi-Santos, MR Vocalizaciones de los delfines del río Amazonas, Inia geoffrensis: conocimientos sobre los orígenes evolutivos de los silbidos de los delfínidos. Etología 108, 601–612 (2002).

Artículo de Google Scholar

Wang, D., Würsig, B. & Leatherwood, S. Silbatos de boto, Inia geoffrensis y tucuxi Sotalia fluviatilis. J. acústico. Soc. Soy. 109, 407–411 (2001).

ADS del artículo Google Scholar

Zimmer, Monitoreo acústico pasivo de cetáceos WMX (Cambridge University Press, 2011). https://doi.org/10.1017/CBO9780511977107.

Reservar Google Académico

Yamamoto, Y., Akamatsu, T., da Silva, VMF y Kohshima, S. Uso del hábitat local por botos (delfines del río Amazonas) utilizando métodos acústicos pasivos. Mar. Ciencia de mamíferos. 32, 220–240 (2016).

Artículo de Google Scholar

Campbell, EC, Alfaro Shigueto, J., Godley, B. & Mangel, J. Estimaciones de abundancia del delfín del río Amazonas (Inia geoffrensis) y del tucuxi (Sotalia fluviatilis) en el sur de Ucayali Perú. Lat. Soy. J. Aquat. Res. Rev. 45, 957–969 (2017).

Artículo de Google Scholar

Muirhead, CA Monitoreo acústico pasivo de la presencia de delfines de río (Inia geoffrensis y Sotalia fluviatilis): una comparación entre aguas cercanas a la ciudad de Iquitos y dentro de la Reserva Nacional Pacaya-Samiria. Lat. Soy. J. Aquat. Mamá. 16, 3-11 (2021).

Google Académico

Melo, JF, Amorim, T. & Andriolo, A. Sonidos pulsados producidos por delfines del río Amazonas (Inia geoffrensis) en la Amazonía brasileña: comparación entre dos condiciones de turbidez del agua. J. acústico. Soc. Soy. 138, 1792-1793 (2015).

Artículo de Google Scholar

Yamamoto, Y., Akamatsu, T., da Silva, VMF, Yoshida, Y. & Kohshima, S. Características acústicas de los sonidos biosonares de botos (Inia geoffrensis) y tucuxis (Sotalia fluviatilis) en libertad en el río Negro, Amazonas , Brasil. (2015).

Ladegaard, M., Jensen, FH, Beedholm, K., da Silva, VMF y Madsen, PT Los delfines del río Amazonas (Inia geoffrensis) modifican el nivel de producción del biosonar y la directividad durante la interceptación de presas en la naturaleza. J. Exp. Biol. 220, 2654–2665 (2017).

PubMed Google Académico

Melo-Santos, G. et al. Los delfines de río Araguayo recientemente descritos, Inia araguaiaensis (Cetartiodactyla, Iniidae), producen un repertorio diverso de señales acústicas. PeerJ 7, e6670 (2019).

Artículo PubMed PubMed Central Google Scholar

Melo-Santos, G., Walmsley, SF, Marmontel, M., Oliveira-da-Costa, M. & Janik, VM Vocalizaciones repetidas descendentes del delfín del río Araguaiano Inia araguaiaensis. J. acústico. Soc. Soy. 147, 748–756 (2020).

Artículo ADS PubMed Google Scholar

Melo, JF El biosonar del boto: Evidencia de diferencias entre especies de delfines de río (Inia spp.) del Amazonas. PeerJ 9, e11105 (2021).

Artículo PubMed PubMed Central Google Scholar

André, M. et al. Escuchando las profundidades: Monitoreo en vivo del ruido del océano y señales acústicas de cetáceos. Mar. Contaminación. Toro. 63, 18-26 (2011).

Artículo PubMed Google Scholar

Jarvis, S., Dimarzio, N., Morrisey, R. & Moretti, D. Una novedosa máquina clasificadora de vectores de soporte multiclase para la clasificación automatizada de zifios y otros odontocetos pequeños. Poder. Acústico. 36(1), 34–40 (2008).

Google Académico

Liu, J., Yang, X., Wang, C. y Tao, Y. Una red neuronal convolucional para la identificación de especies de delfines mediante señales de clics de ecolocalización. en la Conferencia Internacional IEEE de 2018 sobre Procesamiento de Señales, Comunicaciones y Computación (ICSPCC) 1–4 (IEEE, 2018). https://doi.org/10.1109/ICSPCC.2018.8567796.

Roch, MA, Soldevilla, MS, Burtenshaw, JC, Henderson, EE y Hildebrand, JA Clasificación del modelo de mezcla gaussiana de odontocetos en la ensenada del sur de California y el Golfo de California. J. acústico. Soc. Soy. 121, 1737-1748 (2007).

Artículo ADS PubMed Google Scholar

Siddagangaiah, S. y col. Detección automática de silbidos y clics de delfines basada en un enfoque de entropía. Ecológico. Índico. 117, 106559 (2020).

Artículo de Google Scholar

Van der Schaar, M., Delory, E. & André, M. Clasificación de clics de cachalote (Physeter macrocephalus) con redes basadas en núcleos gaussianos. Algoritmos 2, 1232-1247 (2009).

Artículo de Google Scholar

Zaugg, S., van der Schaar, M., Houégnigan, L., Gervaise, C. y André, M. Clasificación acústica en tiempo real de los clics de cachalote y los impulsos de envío desde observatorios de aguas profundas. Aplica. Acústico. 71, 1011-1019 (2010).

Artículo de Google Scholar

Bermant, PC, Bronstein, MM, Wood, RJ, Gero, S. & Gruber, DF Técnicas de aprendizaje automático profundo para la detección y clasificación bioacústica de cachalote. Ciencia. Rep. 9, 12588 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Luo, W., Yang, W. y Zhang, Y. Red neuronal convolucional para detectar clics de ecolocalización de odontocetos. J. acústico. Soc. Soy. 145(1), EL7–EL12. https://doi.org/10.1121/1.5085647 (2019).

Artículo ADS PubMed Google Scholar

Ziegenhorn, MA y cols. Discriminar y clasificar los clics de ecolocalización de odontocetos en las islas hawaianas utilizando métodos de aprendizaje automático. PLoS One 17, e0266424 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Ramalho, EE et al. Ciclo hidrológico en los ambientes de llanura de inundación de la Reserva de Desarrollo Sostenible Mamirauá - Medio Río Solimões, Período de 1990 a 2008. 25 (2009).

Junk, WJ, Piedade, MTF, Schöngart, J. & Wittmann, F. Una clasificación de los principales hábitats naturales de las llanuras aluviales de los ríos de aguas blancas del Amazonas (várzeas). Wetl. Ecológico. Gestionar. 20, 461–475 (2012).

Artículo de Google Scholar

Ferreira-Ferreira, J. et al. Combinando la estructura de vegetación derivada de ALOS/PALSAR y los patrones de inundación para caracterizar los principales tipos de vegetación en la reserva de desarrollo sostenible de Mamirauá, llanura aluvial del Amazonas central en Brasil. Wetl. Ecológico. Gestionar. 23, 41–59 (2015).

Artículo de Google Scholar

Takahashi, N., Gygli, M., Pfister, B. y Van Gool, L. Redes neuronales convolucionales profundas y aumento de datos para la detección de eventos acústicos. Preimpresión en http://arxiv.org/abs/1604.07160 (2016).

Salamon, J. & Bello, JP Redes neuronales convolucionales profundas y aumento de datos para la clasificación del sonido ambiental. Proceso de señal IEEE. Letón. 24, 279–283 (2017).

ADS del artículo Google Scholar

Hershey, S. y col. Arquitecturas CNN para clasificación de audio a gran escala. en la Conferencia Internacional IEEE de 2017 sobre Acústica, Habla y Procesamiento de Señales (ICASSP) 131–135 (2017).

Kingma, DP y Ba, J. Adam: un método de optimización estocástica. en (arXiv, 2017).

Branco, P., Torgo, L. y Ribeiro, R. Un estudio de modelos predictivos en distribuciones desequilibradas. Computación ACM. Sobrevivir. CSUR 49, 1–50 (2015).

Google Académico

Saito, T. & Rehmsmeier, M. El gráfico de recuperación de precisión es más informativo que el gráfico ROC cuando se evalúan clasificadores binarios en conjuntos de datos desequilibrados. Más uno 10, e0118432 (2015).

Artículo PubMed PubMed Central Google Scholar

Magnusson, WE, Best, RC & Da Silva, VMF Número y comportamiento de los delfines amazónicos, Inia geoffrensis y Sotalia fluviatilis fluviatilis, en el Río Solimoes. Brasil. Agua. Mamá. 8, 27–32 (1980).

Google Académico

Paschoalini, M. et al. Estimación de la densidad y abundancia de los delfines de río amazónicos: comprensión de la variabilidad del tamaño de la población. J. Mar. Ciencias. Ing. 9, 1184 (2021).

Artículo de Google Scholar

Jones, GJ y Sayigh, LS Variación geográfica en las tasas de producción vocal de los delfines mulares en libertad. Mar. Ciencia de mamíferos. 18, 374–393 (2002).

Artículo de Google Scholar

Nowacek, DP Ecología acústica de delfines mulares (Tursiops truncatus) en busca de alimento, uso de tres tipos de sonido en hábitats específicos. Mar. Ciencia de mamíferos. 21, 587–602 (2005).

Artículo de Google Scholar

Junk, WJ (ed.) La llanura aluvial del Amazonas central (Springer Berlin Heidelberg, Berlín, Heidelberg, 1997).

Google Académico

Crampton, WGR, Castello, L. & Viana, JP 6. Pesquerías en la Amazonía Várzea: tendencias históricas, estado actual y factores que afectan la sostenibilidad. En People in Nature: Conservación de la vida silvestre en América del Sur y Central (eds Silvius, KM et al.) 76–98 (Columbia University Press, 2004). https://doi.org/10.7312/silv12782-006.

Capítulo Google Scholar

Martin, AR & Da Silva, VMF Dimorfismo sexual y cicatrices corporales en el Boto (delfín del río Amazonas) Inia geoffrensis. Mar. Ciencia de mamíferos. 22, 25-33 (2006).

Artículo de Google Scholar

da Silva, VMF et al. Agresión hacia neonatos y posible infanticidio del boto, o delfín del río Amazonas (Inia geoffrensis). Comportamiento 158, 971–984 (2021).

Artículo de Google Scholar

Trebbau, P. & Van Bree, PJH Notas sobre el delfín de agua dulce Inia geoffrensis (de Blainville, 1817) en Venezuela. Z Säugetierkd. 39, 50–57 (1974).

Google Académico

Erbe, C. y col. Los efectos del ruido de los barcos en los mamíferos marinos: una revisión. Frente. Marzo ciencia. 6, 606 (2019).

Artículo de Google Scholar

Kreb, D. & Rahadi, KD Vivir bajo una autopista acuática: efectos de los barcos sobre los delfines del Irrawaddy (Orcaella brevirostris) en un entorno costero y fluvial en Indonesia. Agua. Mamá. 30, 363–375 (2004).

Artículo de Google Scholar

Nabi, G., Hao, Y., McLaughlin, RW y Wang, D. Los posibles efectos del alto tráfico de embarcaciones en los parámetros fisiológicos de la marsopa sin aletas del Yangtze (Neophocaena asiaeorientalis ssp. asiaeorientalis), en peligro crítico de extinción. Frente. Fisiol. 9, 11 (2018).

Artículo de Google Scholar

Dey, M., Krishnaswamy, J., Morisaka, T. y Kelkar, N. Los efectos interactivos del ruido de los barcos y la poca profundidad del río elevan el estrés metabólico en los delfines del río Ganges. Ciencia. Rep. 9, 15426 (2019).

Artículo ADS PubMed PubMed Central Google Scholar

Buchanan, C. y col. Redes neuronales convolucionales profundas para detectar clics de ecolocalización de delfines. en 2021, 36.a Conferencia Internacional sobre Computación de la Imagen y la Visión de Nueva Zelanda (IVCNZ) 1–6 (IEEE, 2021). https://doi.org/10.1109/IVCNZ54163.2021.9653250.

Goeau, H. y col. Descripción general de BirdCLEF 2018: identificación de aves de monoespecies versus paisajes sonoros. Trabajar. Notas CLEF 2018-Conf. Evaluación de laboratorios. Foro 2125, 13 (2018).

Google Académico

Hurd, LE et al. Comunidades de peces de la llanura aluvial del Amazonas: conectividad y conservación del hábitat en un medio ambiente en rápido deterioro. Biol. Conservar. 195, 118-127 (2016).

Artículo de Google Scholar

Bodmer, R. y col. Grandes cambios en las poblaciones de vida silvestre del Amazonas debido a la reciente intensificación de las inundaciones y la sequía. Conservar. Biol. 32, 333–344 (2018).

Artículo PubMed Google Scholar

Descargar referencias

Los autores agradecen al equipo de campo del IDSM y a los guías de campo Izael Miranha y Alcibdes 'Bide' Martins por su ayuda durante el despliegue y mantenimiento del equipo. Este trabajo fue financiado en parte por una generosa subvención de la Fundación Nacional de Mamíferos Marinos.

Laboratorio de Aplicaciones Bioacústicas, Universidad Politécnica de Cataluña - BarcelonaTech, Barcelona, Spain

Florencia Erbs, Marina Gaona, Mike van der Schaar, Serge Zaugg y Michel André

Instituto de Desarrollo Sostenible Mamirauá, Tefé, Brasil

Marina Gaona y Emiliano Ramalho

Fundación Nacional de Mamíferos Marinos, San Diego, EE.UU.

Dorian Houser

También puedes buscar este autor en PubMed Google Scholar.

FE: recopilación de datos, diseño del estudio, análisis de datos, redacción de manuscritos. MG: recolección de datos. MVDS: diseño del estudio, análisis de datos. SZ: marco de clasificación. RE: recogida de datos. DH: recopilación de datos, financiación. MA: financiación, diseño de estudios, recopilación de datos, redacción de manuscritos. Todos los autores contribuyeron al manuscrito final.

Correspondencia a Michel André.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Erbs, F., Gaona, M., van der Schaar, M. et al. Hacia un monitoreo acústico automatizado a largo plazo de delfines de río en peligro de extinción: un estudio de caso en las llanuras aluviales del Amazonas brasileño. Representante científico 13, 10801 (2023). https://doi.org/10.1038/s41598-023-36518-1

Descargar cita

Recibido: 03 de diciembre de 2022

Aceptado: 05 de junio de 2023

Publicado: 27 de julio de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Naturaleza (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.