京都大學研究生院理學研究科的木村楓（研究生）和曾田貞滋名譽教授的研究團隊發表研究成果稱，確立了使用AI自動識別青蛙叫聲，並用於繁殖活動的監測方法。這種AI使用「卷積神經網路（CNN）」深水層學習青蛙叫聲，能夠以超過90%的高精度辨別出現於調查地的5種青蛙。透過在調查地幾乎每天對青蛙進行計數，證實了叫聲活躍度指標越高，出現的青蛙個體數就越多。該成果有望在田野調查中用於青蛙的聲音監測。相關成果已刊登在美國國際學術雜誌《Ichthyology & Herpetology》11月17日號上。
圖1 鼓起喉嚨鳴叫的日本樹蛙（撮影：木村楓、供圖：京都大學）
圖2 使用深度學習分析5種青蛙的繁殖活動。顏色越深表示叫聲越活躍（供圖：京都大學）
進入繁殖期後，聚集在水坑處並開始大聲鳴叫的蛙類比起用眼睛看，用耳朵聽會更容易找到配偶，因此在棲息調查中，研究人員使用錄音機進行聲音監測的方法被廣泛應用。但另一方面，大量資料的分析成爲一大課題。爲此研究人員想到使用AI，但目前還不清楚AI能否在充滿各種聲音的複雜野外錄音中準確區分青蛙的叫聲。
對此，研究團隊使用一種名爲CNN的模式，驗證了是否可以識別調查地出現的5種青蛙的叫聲。
研究人員在山裏的小水池和水田的2個地點安裝了記錄器，記錄青蛙在繁殖期的叫聲，並從錄製的音頻中提取了約2,700個簡短的音頻片段，標記了青蛙的種類，然後將其作爲培訓資料讓AI進行了學習。
結果表明，根據蛙的種類，能夠以90～100%的準確度和75～98%的靈敏度識別出叫聲。
據研究人員推測，斑點側褶蛙的靈敏度之所以較低（75%），是因爲叫聲被個體數量較多的日本樹蛙淹沒，很難檢測出來。
利用AI對錄音資料進行分析後發現，根據物種不同，繁殖模式也完全不同，如日本蟾蜍僅在早春時節進行為期數天的集體繁殖，而日本樹蛙和粗皮蛙則在夏季夜晚進行長達數月的繁殖。
此外，根據青蛙個體數量較多的日子裏，叫聲會持續整夜的經驗規律，研究人員依據叫聲被檢測到的時間長短定義了叫聲的活躍指標，並將其與雄性個體數和雌雄對數進行了比較。結果表明，對於大多數物種來說，叫聲越活躍的日子，雄性個體數和成對的數量就越多。同時還發現，成對數量和叫聲之間的相關較弱。
使用該方法，只需安裝記錄器，便可以在以前無法實施的大範圍内詳細觀察繁殖活動。
木村先生表示：「再嘗試使用AI後，我們驚訝地發現，AI比預想得能更準確地識別青蛙物種。青蛙的數量在全國範圍内正在減量，也有許多物種被指定爲瀕危物種。我希望以本研究爲基礎，使用AI對青蛙得棲息狀況監測進行大範圍調查」。
原文：《科學新聞》
翻譯：JST客觀日本編輯部
【論文資訊】
雜誌：Ichthyology & Herpetology
論文：Evaluation of Deep Learning-Based Monitoring of Frog Reproductive Phenology
DOI：doi.org/10.1643/h2023018
