Parallel processing and machine learning for long-timescale ambient noise measurements—Illustration with data from the Neptune Ocean Observatory offshore British Columbia
Notice bibliographique
Résumé
Seafloor observatories are a rapidly maturing technological approach, enabling the monitoring of marine soundscapes over large areas (basin scale) and long timescales (10 + years). However, the time needed to process broadband measurements, especially over large periods, often acts as a bottleneck. This is particularly true when combining multi-resolution analyses with assessing the impacts of relatively short transients. We are using parallel processing to enable machine learning approaches. To accelerate the computation of spectrograms, we have implemented a parallel processing method that uses the FFT algorithm FFTW3 (http://www.fftw.org/fftw3.pdf), using MPI/C + + on the High Performance Computing facilities at the University of Bath, and compared with spectrogram calculations from well-established software PAMGuide (Merchant et al., Meth. Ecol. Evol. 2015), with Matlab’s Parallel Computing Toolbox. This approach was tested on 1 month of broadband (96 kHz) measurements from the NEPTUNE node at Folger Deep. One month of data can be processed in <3 hours, to a dB accuracy even on short time segments, and that performance increases with the number of parallel processing units. Stability of the parallel approach has been tested with synthetic signals (e.g., chirps) and increasing signal-to-noise ratios. This enables much faster monitoring of long-term trends of important sound metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».