Xiang M, Wang L, Chen Y, Li K, Zhao Z, Chen J. · 2026

Advancing Dolphin Acoustic Monitoring: A Comprehensive Whistle Classification Framework

Resumo em português

Os golfinhos são amplamente reconhecidos como mamíferos marinhos inteligentes, com comunicação sofisticada e ecolocalização. A classificação precisa de seus assobios é essencial para entender como se comunicam e para monitorar o tamanho, a estrutura e a distribuição populacional. Aqui, reunimos um grande conjunto de dados de alta qualidade de sinais de assobio do golfinho-nariz-de-garrafa-do-Índico (Tursiops aduncus) coletados no Chimelong Ocean Kingdom, incluindo um tipo de assobio ainda não disponível para pesquisadores. Exploramos Redes Neurais Convolucionais (CNNs) para classificar os assobios, testando cinco arquiteturas de CNN para analisar os sinais. O desempenho dos modelos foi avaliado usando a precisão média (mAP), demonstrando que abordagens com CNN podem separar de forma confiável diferentes classes de assobios. Para avaliar a robustez, também introduzimos ruído em níveis definidos de relação sinal-ruído (SNR) para aumentar a complexidade dos testes e verificar a estabilidade do classificador. Utilizamos o Bellhop para simulação de canal a fim de construir a resposta ao impulso do canal. Os dados simulados podem ser usados como dados aumentados para complementar o conjunto de treinamento original. Os resultados indicaram que isso pode melhorar a robustez do modelo de classificação. Este trabalho fornece ferramentas valiosas para biólogos marinhos e pesquisadores especializados em acústica animal, ampliando o entendimento da comunicação dos golfinhos. Além disso, contribui para os esforços de conservação e manejo das populações de golfinho, oferecendo insights importantes sobre seu comportamento e necessidades ecológicas.

Resumo original em inglês

Dolphins are widely recognized as intelligent marine mammals with sophisticated communication and echolocation. Accurately classifying their whistles is essential for understanding how they communicate and for tracking population size, structure, and distribution. Here, we assemble a large, high-quality dataset of dolphin whistle signals collected at the Chimelong Ocean Kingdom, including a whistle type not previously available to researchers. We then explore Convolutional Neural Networks (CNNs) for classifying whistles of the Indo-Pacific bottlenose dolphin (Tursiops aduncus), testing 5 CNN architectures to analyse the signals. Model performance is reported using mean Average Precision (mAP), showing that CNN approaches can reliably separate different whistle classes. To probe robustness, we also introduce noise at defined SNR levels to increase testing complexity and assess the stability of the classifier. We use Bellhop for channel simulation to construct the channel impulse response. The simulated data can be used as augmented data to add to the original data training set. The results did indicate that this can enhance the robustness of the classification model. This work provides valuable tools for marine biologists and researchers specialising in animal acoustics, enhancing the understanding of dolphin communication. It also contributes to the conservation and management efforts of dolphin populations, offering significant insights into their behaviour and ecological needs.

Espécies citadas

• Tursiops aduncus · golfinho-nariz-de-garrafa-do-Índico
  ?

  Nomes populares variam entre regiões e uma mesma palavra pode designar espécies diferentes. Confira sempre o nome científico: Tursiops aduncus.