Classificação automática de cliques de delfinídeos em projetos de pesquisa sísmica

Abstract

O Monitoramento Acústico Passivo (MAP) é uma técnica amplamente utilizada para o estudo de mamíferos marinhos; entretanto, sua aplicação em larga escala apresenta desafios significativos devido à necessidade de classificação manual por especialistas ? um processo demorado e laborioso. Com os avanços em inteligência artificial, modelos de aprendizado de máquina tornaram-se ferramentas promissoras para automatizar essa tarefa. Este estudo propõe uma abordagem baseada em aprendizado de máquina para análise de dados acústicos coletados durante campanhas de prospecção sísmica, onde o monitoramento ocorre em condições de baixa relação sinal-ruído para detecção de cetáceos. Os dados foram obtidos em campanhas realizadas no Brasil, seguindo regulamentações do Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis (IBAMA), que exigem o arquivamento de registros acústicos quando fontes sísmicas são desativadas devido à presença de espécies protegidas na zona de exclusão. Construiu-se um conjunto de dados para classificação binária, discriminando cliques de ecolocalização de golfinhos de ruído de fundo. Geraram-se espectrogramas a partir dos áudios, divididos em conjuntos de treinamento, validação e teste. Para abordar o desbalanceamento de classes, empregaram-se técnicas de subamostragem. Avaliou-se o desempenho de oito arquiteturas de redes neurais convolucionais (MobileNetV1, MobileNetV2, AlexNet, VGG16, VGG19, EfficientNetB0, DenseNet121 e ResNet18), pré-treinadas no ImageNet e adaptadas para esta tarefa. A MobileNetV2 obteve os melhores resultados, com acurácia de 0,9159, recall de 0,9230, AUC de 0,9188 e F1-score de 0,7878 no conjunto de teste. Demonstrou-se ainda como o ruído da embarcação afeta o MAP de cetáceos, destacando-se a importância do posicionamento dos hidrofones em relação à popa do navio. Este trabalho contribui com um conjunto de dados robusto e comprova o potencial de modelos de inteligência artificial para aprimorar processos de auditoria ambiental. A abordagem desenvolvida possibilita maior fiscalização do MAP durante atividades de pesquisa sísmica, apoiando esforços na conservação marinha.

Abstract: Passive Acoustic Monitoring (PAM) is a widely used technique for studying marine mammals; however, its large-scale application presents significant challenges due to the need for manual classification by specialists?a time-consuming and labor-intensive process. With advances in artificial intelligence, machine learning models have emerged as promising tools to automate this task. This study proposes a machine learning-based approach for analyzing acoustic data collected during seismic surveys, where monitoring occurs under low signal-to-noise conditions for cetacean detection. The data were obtained from seismic surveys conducted in Brazil, following regulations from the Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis (IBAMA), which require the archiving of acoustic records when sound sources are deactivated due to the presence of protected species within exclusion zones. A binary classification dataset was constructed to distinguish dolphin echolocation clicks from background noise. Spectrograms were generated from audio recordings and divided into training, validation, and test sets. Class imbalance was addressed using undersampling techniques. Eight convolutional neural network architectures (MobileNetV1, MobileNetV2, AlexNet, VGG16, VGG19, EfficientNetB0, DenseNet121, and ResNet18) were evaluated, using ImageNet pre-trained models fine-tuned for this specific task. MobileNetV2 achieved the best performance, with 0.9159 accuracy, 0.9230 recall, 0.9188 AUC, and 0.7878 F1-score on the test set. The analysis also demonstrated how vessel noise affects cetacean PAM, emphasizing the importance of hydrophone positioning relative to the ship?s stern. This work contributes a robust dataset and highlights the potential of deep learning models to enhance environmental auditing processes. The proposed approach enables improved PAM oversight during seismic research activities, supporting marine conservation efforts.