Nel presente studio, si analizza l’efficacia e la messa in pratica del monitoraggio acustico passivo nell’ambito dell’identificazione di lupi tramite i loro ululati. Il monitoraggio acustico passivo è uno strumento molto utile per la salvaguardia della fauna selvatica, poiché permette di monitorare e censire gli animali, senza dover ricorrere a tecniche invasive, o estremamente costose e quindi poco applicabili. Sono stati utilizzati gli ululati appartenenti a 9 lupi differenti (sia selvatici, che in cattività) originari della penisola indiana. Da questi 70 ululati, rappresentati da 13 features, sono stati estratti un set di testing e uno di addestramento, su cui è poi stata applicata una PCA (principal component analysis). È quindi stata addestrata una rete neurale sul training set, che è poi stata utilizzata per assegnare a ciascun vettore di testing uno score in base alla sua somiglianza con ogni vettore del set di addestramento. Su questo score è stato poi eseguito un clustering gerarchico che ha permesso di creare dei cluster, che sono stati poi valutati in base all’accuratezza rispetto ai lupi di appartenenza. Infine, considerando i dati ottenuti, questa tecnica può essere considerata efficace, seppure ancora in fase di sviluppo, e con ampi margini di miglioramento, definiti in gran parte dai dati a disposizione per l’addestramento della rete.
IL MONITORAGGIO ACUSTICO PASSIVO DI STIMOLI ECOLOGICI NEI SISTEMI DI RETI ARTIFICIALI
FAGGION, LEONARDO
2022/2023
Abstract
Nel presente studio, si analizza l’efficacia e la messa in pratica del monitoraggio acustico passivo nell’ambito dell’identificazione di lupi tramite i loro ululati. Il monitoraggio acustico passivo è uno strumento molto utile per la salvaguardia della fauna selvatica, poiché permette di monitorare e censire gli animali, senza dover ricorrere a tecniche invasive, o estremamente costose e quindi poco applicabili. Sono stati utilizzati gli ululati appartenenti a 9 lupi differenti (sia selvatici, che in cattività) originari della penisola indiana. Da questi 70 ululati, rappresentati da 13 features, sono stati estratti un set di testing e uno di addestramento, su cui è poi stata applicata una PCA (principal component analysis). È quindi stata addestrata una rete neurale sul training set, che è poi stata utilizzata per assegnare a ciascun vettore di testing uno score in base alla sua somiglianza con ogni vettore del set di addestramento. Su questo score è stato poi eseguito un clustering gerarchico che ha permesso di creare dei cluster, che sono stati poi valutati in base all’accuratezza rispetto ai lupi di appartenenza. Infine, considerando i dati ottenuti, questa tecnica può essere considerata efficace, seppure ancora in fase di sviluppo, e con ampi margini di miglioramento, definiti in gran parte dai dati a disposizione per l’addestramento della rete.File | Dimensione | Formato | |
---|---|---|---|
Faggion_Leonardo.pdf
accesso aperto
Dimensione
637.49 kB
Formato
Adobe PDF
|
637.49 kB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/44026