Resumo Técnico: PteroSet – Um Conjunto de Dados Acústicos Passivos Fortemente Anotado para Monitoramento de Aves Tropicais

Declaração do Problema

O monitoramento acústico passivo (PAM) tornou-se uma ferramenta crítica e não invasiva para avaliar a biodiversidade, particularmente em habitats remotos e densos onde levantamentos tradicionais são impraticáveis. Embora a escala dos conjuntos de dados modernos de PAM exija aprendizado de máquina (ML) para detecção e classificação automatizadas de sons, a adoção de métodos de aprendizado profundo supervisionado é dificultada pela escassez de conjuntos de dados anotados de alta qualidade e resolvidos no tempo. Essa lacuna é especialmente aguda em regiões tropicais, que abrigam biodiversidade excepcional, mas permanecem sub-representadas nas infraestruturas de dados globais. Os conjuntos de dados existentes são frequentemente enviesados para regiões temperadas, fracamente anotados (apenas rótulos em nível de clipe) ou carecem do limite tempo-frequência detalhado necessário para o treinamento robusto de modelos. Consequentemente, modelos treinados com dados temperados frequentemente apresentam desempenho inferior em paisagens sonoras tropicais complexas, caracterizadas por sobreposição acústica densa, alta rotatividade de espécies e deslocamentos de domínio significativos entre locais.

Metodologia

Coleta de Dados

O estudo coletou dados de áudio de dois locais ecologicamente contrastantes na Colômbia: Puerto Asís (Departamento de Putumayo), representando a zona de transição Andina-Amazônica, e Pivijay (Departamento de Magdalena), representando uma matriz de planície caribenha historicamente transformada.

• Hardware: Unidades de gravação autônomas (AudioMoth) equipadas com microfones omnidirecionais.
• Protocolo: Os dispositivos gravaram 1 minuto a cada 30 minutos ao longo de um período de 24 horas, resultando em 48 minutos de áudio por dia a 192 kHz, com resolução de 16 bits.
• Escopo: Os dados foram coletados em cinco estações de monitoramento entre 2023 e 2025.

Anotação de Dados

Para garantir dados de treinamento de alta qualidade, os autores desenvolveram um protocolo padronizado para anotações "fortes" (rótulos delimitados no tempo-frequência).

• Geração de Time-Lapse: Para gerenciar o volume de dados, os primeiros 10 segundos de cada uma das 48 gravações diárias foram concatenados em um único arquivo "time-lapse" de 480 segundos, preservando a cobertura temporal de 24 horas enquanto reduziam a carga de trabalho manual.
• Anotação Especializada: Quatro especialistas utilizaram o software Raven Pro para identificar e delimitar manualmente eventos vocais individuais. As anotações incluíram limites explícitos de início ($t_{min}$), fim ($t_{max}$), frequência inferior ($f_{min}$) e frequência superior ($f_{max}$).
• Resolução Taxonômica: As espécies foram identificadas com base em características acústicas diagnósticas, utilizando um sistema de codificação alfanumérico padronizado (por exemplo, MEGCHO para Megascops choliba). Apenas sinais claramente identificados tanto acusticamente quanto visualmente foram anotados; vocalizações fracas ou ambíguas foram excluídas.
• Filtragem: O conjunto de dados foi filtrado para reter apenas sons biológicos (BIO) e, especificamente, vocalizações de aves (AVEVOC), excluindo ruídos não biológicos e outros táxons.

Processamento Computacional

• Ressamplagem: O áudio foi reamostrado de 192 kHz para 48 kHz para análise, pois as vocalizações de aves neste conjunto de dados raramente excedem 24 kHz.
• Unificação do Esquema: As anotações foram convertidas de arquivos de texto do Raven Pro para um esquema JSON unificado inspirado no formato de anotação de imagens Common Objects in Context (COCO). Este esquema inclui metadados do conjunto de dados, definições de categoria, informações sobre arquivos de som e anotações tempo-frequência.
• Modelo de Referência: Uma tarefa de detecção binária de aves foi formulada. O áudio foi transformado em espectrogramas de mel de 5 segundos (FFT de 2048 pontos, salto de 512 amostras, 224 bandas de mel). Uma abordagem de janela deslizante (passo de 1 segundo) gerou amostras de treinamento.
• Arquitetura: Uma base ResNet-18, inicializada com pesos do ImageNet e modificada para entrada de canal único, foi treinada para classificação binária (presença vs. ausência de aves).
• Validação: Uma estratégia de validação cruzada leave-one-project-out (5 dobras) foi empregada para garantir separação temporal e espacial estrita entre os dados de treinamento e teste, testando rigorosamente a generalização do modelo entre diferentes locais de gravação.

Contribuições Principais

1. Conjunto de Dados PteroSet: Uma coleção curada de 563 gravações time-lapse (73,62 horas) contendo 15.372 anotações tempo-frequência, incluindo 6.702 rótulos em nível de espécie em 168 espécies de aves neotropicais. Isso expande significativamente a escala de dados de áudio tropicais altamente anotados.
2. Benchmark Tropical Realista: O conjunto de dados captura explicitamente desafios inerentes às paisagens sonoras neotropicais, como co-ocorrência acústica densa (múltiplas espécies cantando simultaneamente) e deslocamentos de domínio entre locais de gravação, que são frequentemente sub-representados em conjuntos de dados temperados.
3. Esquema de Anotação: Introdução de um formato JSON inspirado no COCO, adaptado para bioacústica, facilitando a interoperabilidade e a integração com outros conjuntos de dados.
4. Linha de Base de Referência: Fornecimento de uma linha de base ResNet-18 reproduzível para detecção binária de aves, estabelecendo métricas de desempenho para comparações futuras.
5. Recursos de Acesso Aberto: Liberação completa de dados brutos e processados, arquivos de anotação e código para apoiar a reprodutibilidade.

Resultados

O modelo de referência ResNet-18 demonstrou discriminação eficaz entre eventos acústicos de aves e não-aves em diversas condições, embora o desempenho tenha variado por local.

• Desempenho Geral: Em cinco dobras de validação cruzada, o modelo alcançou uma F1-score média de 0,718 ± 0,039, um AUPRC de 0,797 ± 0,047 e uma acurácia de 0,850 ± 0,091.
• Deslocamento de Domínio: O desempenho variou significativamente entre as dobras. O modelo apresentou o desempenho mais fraco no conjunto de teste MAP1 (Magdalena) (F1: 0,650) e o mais forte no conjunto de teste PPA4 (Putumayo) (F1: 0,742), destacando o desafio de generalizar entre regiões ecologicamente distintas.
• Complexidade Acústica: O conjunto de dados exibe alta densidade acústica; aproximadamente 19,8% das anotações envolvem sobreposições temporais, e 60% dos pares sobrepostos também se sobrepõem no domínio da frequência. Isso confirma que uma parte significativa dos dados contém vocalizações simultâneas de múltiplas espécies.
• Análise de Erros: A análise qualitativa mostrou que o modelo identificou com sucesso vocalizações claras e de alta relação sinal-ruído (SNR), mas teve dificuldades com chamadas fracas e sons não biológicos que compartilhavam características espectrais com chamadas de aves (por exemplo, padrões tonais de insetos).

Significado

O artigo posiciona o PteroSet não meramente como um repositório de dados, mas como um passo necessário em direção a um monitoramento bioacústico equitativo e eficaz nos trópicos. Ao abordar a incompatibilidade entre a riqueza biológica dos Neotrópicos e a escassez de representação digital, o conjunto de dados serve como um recurso de treinamento rigoroso e um benchmark desafiador. Ele destaca que o monitoramento automatizado bem-sucedido nesses ambientes requer modelos capazes de lidar com sobreposição acústica densa, deslocamentos de domínio e distribuições de espécies de cauda longa. Os autores argumentam que centralizar essas complexidades do mundo real, em vez de depender de conjuntos de dados temperados mais limpos, é crítico para desenvolver modelos que generalizem para ecossistemas globais. A adoção de um esquema de anotação unificado visa ainda reduzir barreiras para a construção de corpora de treinamento em grande escala e multi-sítio, facilitando a padronização reprodutível na comunidade de bioacústica.