Einflussfaktoren auf die Lokalisationsgüte von Passive Audio Monitoring Systems (PAMS)
Der Bedarf und theoretische Nutzen von Passive Audio Monitoring Systems (PAMS) als kosteneffiziente Umweltüberwachungssysteme ist groß. Die praktische Anwendung dieser Systeme ist jedoch unzureichend erforscht und der Einfluss von Vegetation auf die Klassifikation und Lokalisation bisher unbekannt. Dieser Beitrag untersucht die Zusammenhänge zwischen PAMS-Algorithmen zur Klassifikation und Lokalisation sowie schallverschattenden Objekten, der Schallausrichtung und In-vitro-Vogellauten von drei verschiedenen Vogelarten. Im Detail werden vier Hypothesen geprüft: 1. Die Güte der Klassifikation korreliert positiv mit der Güte der Lokalisation. 2. Die Güte der Lokalisation ist abhängig von: a) der Schallverschattung des Schallgebers zum Mikrofon, b) der Art des Schalls, c) der Richtung des Schalls. Zur Untersuchung wurde ein aus Raspberry Pi bestehendes PAMS installiert und eingemessen. An fünf Lautsprecherpositionen wurden Vogellaute von drei verschiedenen Arten (Phylloscopus collybita, Alauda arvensis, Carduelis carduelis) abgespielt. Insgesamt konnten 15.412 Vogellaute detektiert werden. Hierbei sind ~ 14,8 % derPhylloscopus collybita, ~ 15,5 % der Alauda arvensis sowie 100 % der Carduelis carduelis Detektionen falsch klassifiziert worden. Die Lokalisation ergab Abweichungen vom Signal zum verortetem Punkt von x-- 34,96 ±19,49 m (min: 1,1 m, max: 95,8 m), mit Häufungen bei 10 und 45 m Abweichung zu unterschiedlicher Zeit und an verschiedenen Abspielpositionen. Das verwendete PAMS kann die Erfolge bei Klassifikation und Lokalisation in der Literatur nicht bestätigen. Hiermit ist das verwendete PAMS nicht für die Beantwortung der Forschungsfragen nutzbar. Als Gründe dieser Abweichung werden sechs Faktoren diskutiert. Keine der genannten Faktoren kann eindeutig als Ursache identifiziert werden.
The need and theoretical benefit of Passive Audio Monitoring Systems (PAMS) as cost-effective environmental monitoring systems are high. However, the practical application of these systems has been insufficiently researched and the impact of vegetation on classification and localization has been unknown. This article examines the relationships between PAMS algorithms for classification and localization as well as sound-shading objects, the sound orientation, and in vitro bird sounds of three different bird species. In detail, four hypotheses are tested: 1. The classification accuracy positively correlates with the localization accuracy 2. The localization accuracy is determined by: a) the number of obstacles between signal source and microphone (sound shading), b) the type and kind of sound (species, song type), c) the direction of the sound. A PAMS consisting of four Raspberry Pi was installed. Bird sounds of three different species (Phylloscopus collybita, Alauda arvensis, Carduelis carduelis) were played at five loudspeaker positions. A total of 15,412 bird sounds were detected. The classification resulted in ~ 14.8 % Phylloscopus collybitaand ~ 15.5 % Alauda arvensis false-positives, and 100 % false-negatives for Carduelis carduelis. Localization accuracy was measured as x-- 34.96 ±19.49 m (min: 1,1 m, max: 95,8 m) with clusters at 10 and 45 m at different signal locations and sound directions. The used PAMS cannot confirm the successes in classification and localization reported in literature. Thus, the used PAMS is not feasable for answering the research questions. The reasons for this deviation are six factors. None of these factors can clearly be identified as a cause.
Dateien
Zitieren
Zugriffsstatistik
Rechte
Nutzung und Vervielfältigung:
Alle Rechte vorbehalten