技術概要：熱帯鳥類モニタリングのための強アノテーション付き受動音響データセット PteroSet

問題提起

受動音響モニタリング（PAM）は、特に従来の調査が非現実的な遠隔地や密生した生息地において、生物多様性を評価するための不可欠な非侵襲的ツールとなっている。現代の PAM データセットの規模は、自動的な音検出と分類のために機械学習（ML）を必要とするが、高品質で時間分解能のあるアノテーション付きデータセットの不足が、教師あり深層学習手法の採用を妨げている。このギャップは、卓越した生物多様性を持つがグローバルなデータインフラにおいて過小評価されている熱帯地域において特に深刻である。既存のデータセットは、温帯地域に偏っているか、アノテーションが不十分（クリップレベルのラベルのみ）であるか、堅牢なモデル訓練に必要な詳細な時間 - 周波数バウンディングを欠いていることが多い。その結果、温帯データで訓練されたモデルは、密な音響的重なり、高い種交代、およびサイト間の大きなドメインシフトを特徴とする複雑な熱帯のサウンドスケープにおいて、しばしば性能が低下する。

手法

データ収集

本研究は、コロンビアの 2 つの生態学的に対照的なサイトから音声データを収集した。すなわち、アンデス - アマゾン移行帯を表すプエルト・アシス（プトゥマヨ県）と、歴史的に変容したカリブ海低地マトリクスを表すピビハイ（マグダレナ県）である。

• ハードウェア： 全方向性マイクを搭載した自律型録音ユニット（AudioMoth）。
• プロトコル： 機器は 24 時間期間中、30 分ごとに 1 分間を録音し、192 kHz、16 ビット解像度で 1 日あたり 48 分の音声を生成した。
• 範囲： データは 2023 年から 2025 年にかけて 5 つのモニタリングシーズンにわたって収集された。

データアノテーション

高品質な訓練データを確保するため、著者は「強」アノテーション（時間 - 周波数バウンディング付きラベル）のための標準化プロトコルを開発した。

• タイムラプス生成： データ量を管理するため、1 日 48 回の録音それぞれの最初の 10 秒を連結し、24 時間の時間的カバレッジを維持しつつ手作業の負担を軽減する、単一の 480 秒「タイムラプス」ファイルを作成した。
• 専門家によるアノテーション： 4 名の専門家が Raven Pro ソフトウェアを使用して、個々の発声イベントを手動で特定し、区画化した。アノテーションには、明確な開始時刻（$t_{min}$）、終了時刻（$t_{max}$）、下限周波数（$f_{min}$）、上限周波数（$f_{max}$）のバウンディングが含まれた。
• 分類学的解像度： 種は、標準化された英数字コード体系（例：Megascops choliba に対する MEGCHO）を用いて、診断的な音響特徴に基づいて同定された。音響的および視覚的に明確に同定された信号のみがアノテーション対象となり、かすれたものや曖昧な発声は除外された。
• フィルタリング： データセットは、生物音（BIO）および特に鳥類の発声（AVEVOC）のみを保持するようにフィルタリングされ、非生物音や他の分類群は除外された。

計算処理

• リサンプリング： 本データセットにおける鳥の発声は 24 kHz を超えることが稀であるため、分析のために 192 kHz から 48 kHz にリサンプリングされた。
• スキーマの統一： アノテーションは、Common Objects in Context（COCO）画像アノテーション形式に触発された統一された JSON スキーマに変換された。このスキーマには、データセットのメタデータ、カテゴリ定義、音声ファイル情報、および時間 - 周波数アノテーションが含まれる。
• ベースラインモデル： 二値の鳥検出タスクが定義された。音声は、5 秒間のメルスペクトログラム（2048 点 FFT、512 サンプルのホップ、224 メルバンド）に変換された。スライディングウィンドウアプローチ（1 秒ステップ）により訓練サンプルが生成された。
• アーキテクチャ： ImageNet 重みで初期化され、単一チャネル入力用に修正された ResNet-18 バックボーンが、二値分類（鳥の存在対不在）のために訓練された。
• 検証： 訓練データとテストデータの間に厳密な時間的および空間的分離を確保し、異なる録音サイト間でのモデルの汎化性能を厳密にテストするため、5 フォールドの「プロジェクト外留去」交差検証戦略が採用された。

主な貢献

1. PteroSet データセット： 168 種のネオトロピカル鳥類にわたる 6,702 の種レベルラベルを含む、15,372 の時間 - 周波数アノテーションを備えた 563 のタイムラプス録音（73.62 時間）のキュレーションされたコレクション。これは、高アノテーション付きの熱帯音声データの規模を大幅に拡大する。
2. 現実的な熱帯ベンチマーク： このデータセットは、温帯データセットでしばしば過小評価されている、複数の種が同時に鳴く密な音響共存や録音サイト間のドメインシフトなど、ネオトロピカルなサウンドスケープに固有の課題を明示的に捉えている。
3. アノテーションスキーマ： 生物音響学に適応させた COCO 由来の JSON 形式の導入により、相互運用性の向上や他のデータセットとの統合が容易になった。
4. 参照ベースライン： 二値鳥検出のための再現可能な ResNet-18 ベースラインの提供により、将来の比較のための性能指標が確立された。
5. オープンアクセスリソース： 再現性を支援するため、生データおよび処理済みデータ、アノテーションファイル、コードの完全な公開。

結果

ベースラインの ResNet-18 モデルは、多様な条件下で鳥と非鳥の音響イベントを効果的に識別したが、サイトによって性能は変動した。

• 全体的な性能： 5 つの交差検証フォールド全体で、モデルは平均 F1 スコア 0.718 ± 0.039、AUPRC 0.797 ± 0.047、精度 0.850 ± 0.091 を達成した。
• ドメインシフト： 性能はフォールド間で著しく変動した。モデルは MAP1（マグダレナ）テストセットで最も弱く（F1: 0.650）、PPA4（プトゥマヨ）テストセットで最も強く（F1: 0.742）性能を発揮し、生態学的に異なる地域間での汎化の課題を浮き彫りにした。
• 音響的複雑性： データセットは高い音響密度を示しており、アノテーションの約 19.8% が時間的重なりを含み、重なり合うペアの 60% が周波数領域でも重なっている。これは、データの相当部分が複数の種からの同時発声を含んでいることを確認するものである。
• 誤差分析： 定性的分析により、モデルは明確で高 SNR の発声を正常に識別したが、鳥の発声とスペクトル特性を共有するかすれた鳴き声や非生物音（例：昆虫のトーンパターン）には苦労することが示された。

意義

本論文は、PteroSet を単なるデータリポジトリとしてではなく、熱帯における公平かつ効果的な生物音響モニタリングに向けた不可欠なステップとして位置づけている。ネオトロピックスの生物学的豊かさとデジタル表現の不足とのミスマッチに対処することで、このデータセットは厳格な訓練リソースとして、かつ挑戦的なベンチマークとして機能する。それは、これらの環境における成功した自動モニタリングには、密な音響的重なり、ドメインシフト、および長尾分布を持つ種を処理できるモデルが必要であることを浮き彫りにしている。著者らは、よりクリーンな温帯データセットに依存するのではなく、これらの現実世界の複雑さを中心とすることが、グローバルな生態系に汎化するモデルを開発するために不可欠であると主張している。統一されたアノテーションスキーマの採用は、大規模なマルチサイト訓練コーパスの構築に対する障壁を下げ、生物音響コミュニティにおける再現可能なベンチマークを促進することを目指している。