Forskare har utvecklat en ny algoritm som kan identifiera distinkta delfinklickmönster bland miljontals klick i inspelningar av vilda delfiner. Detta tillvägagångssätt, presenteras i PLOS beräkningsbiologi av Kaitlin Frasier från Scripps Institution of Oceanography, Kalifornien, och kollegor, kan eventuellt hjälpa till att skilja mellan delfiner i naturen.

Frasier och hennes kollegor bygger autonoma undervattensakustiska sensorer som kan registrera delfinernas ekolokaliseringsklick i naturen i över ett år i taget. Dessa instrument fungerar som icke-invasiva verktyg för att studera många aspekter av delfinpopulationer, inklusive hur de påverkas av Deepwater Horizons oljeutsläpp, utveckling av naturresurser, och klimatförändringar.

Eftersom sensorerna registrerar miljontals klick, det är svårt för en människa att känna igen några artspecifika mönster i inspelningarna. Så, forskarna använde framsteg inom maskininlärning för att utveckla en algoritm som kan avslöja konsekventa klickmönster i mycket stora datamängder. Algoritmen är "utan tillsyn, "betyder att den söker mönster och definierar olika klicktyper på egen hand, istället för att ”lära” sig att känna igen mönster som redan är kända.

Den nya algoritmen kunde identifiera konsekventa mönster i en datamängd med över 50 miljoner ekolokeringsklick som spelades in i Mexikanska golfen under en tvåårsperiod. Dessa klicktyper var konsekventa på övervakningsplatser i olika regioner i viken, och en av klicktyperna som framkom är associerad med en känd delfinart.

Forskargruppen antar att några av de konsekventa klicktyper som avslöjas av algoritmen kan matchas med andra delfinarter och därför kan vara användbara för fjärrövervakning av vilda delfiner. Detta skulle förbättra de flesta nuvarande övervakningsmetoder, som är beroende av att människor gör visuella observationer från stora fartyg eller flygplan och endast är möjliga i dagsljus och bra väderförhållanden.

Nästa, teamet planerar att integrera detta arbete med djupa inlärningsmetoder för att förbättra deras förmåga att identifiera klicktyper i nya datamängder som spelats in olika regioner. De kommer också att utföra fältarbete för att verifiera vilken art som matchar några av de nya klicktyper som avslöjas av algoritmen.

"Det är roligt att tänka på hur maskininlärningsalgoritmerna som användes för att föreslå musik eller sociala medier för människor skulle kunna tolkas om för att hjälpa till med ekologiska utmaningar, "Frasier säger." Innovationer inom sensorteknik har öppnat slussarna när det gäller data om den naturliga världen, och det finns mycket utrymme för kreativitet just nu i ekologisk dataanalys. "