Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.uti.edu.ec//handle/123456789/4907
Título : Identificación de especies de aves ecuatorianas basada en el reconocimiento de sus vocalizaciones mediante redes neuronales para el impulso de la bioacústica como método de monitoreo de aves.
Otros títulos : Identification of Ecuadorian bird species based on the recognition of their vocalizations through neural networks for the promotion of bioacoustics as a method of monitoring birds.
Autor : Campozano Parra, Lenín Vladimir
Olmedo Becerra, Gabriela Estefanía
Palabras clave : Bioacústica
Identificación de Especies
Ornitofauna
Redes Neuronales
Fecha de publicación : 2022
Editorial : Quito: Universidad Tecnològica Indoamèrica
Citación : Olmedo Becerra, G. (2022). Identificación de especies de aves ecuatorianas basada en el reconocimiento de sus vocalizaciones mediante redes neuronales para el impulso de la bioacústica como método de monitoreo de aves. [Tesis de Maestría]. Quito: Universidad Tecnològica Indoamèrica. 105 p.
Resumen : Con el propósito de impulsar a la bioacústica como método de monitoreo de aves en el Ecuador, se ha analizado la eficiencia de utilizar como herramienta, la identificación de especies por sus cantos usando redes neuronales de inteligencia artificial. Adicionalmente, se ha analizado que factores influencian el modelo computacional, y la diferencia entre grupos de aves; como las Oscines, Suboscines y No Passerinos, así como también, especies en peligro de extinción y de preocupación menor. Para esto se ha trabajado con dos bases de datos de cantos de aves: la plataforma Xenocanto y una base nacional desarrollada en el año 2013. El modelo computacional se lo desarrolla en los lenguajes de programación R y Matlab. En los resultados se determina que se puede aplicar esta herramienta en el Ecuador, siempre y cuando se tomen en cuenta algunas consideraciones. En primer lugar, es necesario considerar la cantidad de réplicas que se tiene por especie y la cantidad de especies que se ingresen en la información de entrada del modelo. Es decir, mientras haya más réplicas de cantos por especie la eficiencia es mayor, por el contrario, mientras más especies se analicen por modelo la eficiencia es menor. Por lo que es recomendable, hacer modelos por grupos pequeños como géneros o familias. En segundo lugar, según los resultados, para desarrollar Redes Neuronales del tipo Shallow, es irrelevante el tipo de parámetros acústicos que se utilicen. Así como también, es irrelevante dividir al set de datos en grupos de aves según sus cantos, Oscines, Suboscines y No Passerinos. Al igual que, dividir al set de datos en especies amenazadas y de preocupación menor, debido a que no se obtuvieron diferencias de eficiencia significativas.
URI : https://repositorio.uti.edu.ec//handle/123456789/4907
Aparece en las colecciones: Maestria en Biodiversidad y Cambio Climático

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
OLMEDO BECERRA GABRIELA ESTEFANIA.pdf2,21 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons