Ming Xiang, Luobin Wang, Yankun Chen, Kangrong Li, Zhengqiao Zhao, Jie Chen · Journal of Marine Science and Engineering · 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. Classificar com precisão os assobios desses animais é essencial para entender seus padrões de comunicação e monitorar o tamanho, a estrutura e a distribuição da população. Neste estudo, 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. O conjunto de dados incluiu múltiplas categorias de assobios, incluindo um tipo de assobio nunca antes disponível para pesquisa. Em seguida, aplicamos redes neurais convolucionais (CNNs) para classificar os sinais de assobio, utilizando cinco arquiteturas de CNN para analisar os sinais. O desempenho dos modelos foi avaliado usando a média da precisão média (mAP), e o modelo com melhor desempenho atingiu 0,929 em mAP no conjunto de teste, demonstrando que abordagens baseadas em CNN podem distinguir efetivamente entre diferentes classes de assobios. Para testar a robustez, também introduzimos ruído em níveis definidos de relação sinal-ruído (SNR) para aumentar a complexidade dos testes e avaliar a estabilidade do classificador. A modelagem de propagação acústica BELLHOP foi usada para gerar respostas ao impulso do canal. Esses sinais simulados foram combinados com os dados originais para construir um conjunto de treinamento aumentado. Os resultados indicam que essa estratégia de aumento melhorou a robustez do modelo de classificação. Diferenciar os tipos de assobio é crucial, pois as categorias podem refletir variações na estrutura da comunicação, no contexto comportamental ou em padrões acústicos a nível grupal. Portanto, a abordagem proposta pode apoiar análises bioacústicas em larga escala e fornecer informações úteis para estudos futuros sobre comunicação, comportamento e conservação de golfinhos.

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 their communication patterns and monitoring their population size, structure, and distribution. In this study, we assembled a large, high-quality dataset of Indo-Pacific bottlenose dolphin (Tursiops aduncus) whistle signals collected at the Chimelong Ocean Kingdom. The dataset included multiple whistle categories, including a whistle type that has not previously been available for research. We then applied convolutional neural networks (CNNs) for classifying whistle signals, using five CNN architectures to analyze the signals. Model performance was evaluated using mean average precision (mAP), and the best-performing model achieved 0.929 in mAP on the test set, demonstrating that CNN-based approaches can effectively distinguish among different whistle classes. To probe robustness, we also introduced noise at defined SNR levels to increase testing complexity and assess the stability of the classifier. BELLHOP acoustic propagation modeling was used to generate channel impulse responses. These simulated signals were combined with the original signal data to construct an augmented training set. The results indicate that this augmentation enhanced the robustness of the classification model. Differentiating the whistle types is crucial as whistle categories may reflect variation in communication structure, behavioral context, or group-level acoustic patterns. Therefore, the proposed approach can support large-scale bioacoustic analysis and provide useful information for future studies on dolphin communication, behavior, and conservation.

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.