Vier minuten lezen
Hoe muziek Daniel DeLeon ertoe bracht om de oceaan te bestuderen met machine learning
Daniel wist niet wat engineering inhield toen hij ging studeren. Nu bereikt hij doorbraken en gebruikt hij machine learning om bedreigde walvissen op te sporen.
Toen de moeder van Daniel DeLeon zijn vader Narciso voor het eerst ontmoette op een kerkreis in San Blas in Mexico, sprak zij geen Spaans en hij geen Engels. Daarom communiceerden ze op een andere manier: met muziek.
Het is geen verrassing dat Daniel, nu een 26-jarige student aan de California Polytechnic State University, zelf is opgegroeid met een bijzondere belangstelling voor muziek. Zijn ouders maakten deel uit van een traditioneel Mexicaans trio met de naam Trio Guadalupeño. Hun wekelijkse repetities en de optredens bij lokale 'quinceañeras', bij doopplechtigheden en op feesten vormden het geluid van zijn jeugd.
Bij de natuurkundeles leerde ik hoe geluidsgolven zich voortplanten in het oor. Het was verbluffend. Deze geluidsgolven zorgen voor emoties, ze maken ons blij en peppen ons op.
Daniel DeLeon
Bij een natuurkundecollege ontwikkelde Daniels liefde voor muziek zich tot een fascinatie voor de wetenschap van geluid. Zijn muzikale achtergrond, gekoppeld aan een nieuw inzicht in akoestiek, leverde hem een hele goede stageplaats op aan het Monterey Bay Aquarium Research Institute (MBARI). Hier hielp hij wetenschappers Danelle Cline and John Ryan de oceaan te bestuderen door naar walvisgeluiden te luisteren.
De walvissen gebruiken de akoestiek om elkaar te begrijpen, net zoals mijn ouders dat deden toen ze elkaar ontmoetten. Daardoor ging ik nadenken over hun muziek en hoe belangrijk die was.
Daniel DeLeon
Door de geluiden van blauwe vinvissen en gewone vinvissen en hun veranderende migratiepatronen bij te houden, kunnen wetenschappers veel leren over de bredere gevolgen van de invloed van de mens op het leven onder water. Gezien Daniels passie voor muziek dachten John en Danelle dat hij wel een zomer zou willen doorbrengen met luisteren naar oceaangeluiden via de hydrofoon van het instituut: een onderwatermicrofoon die zich 900 meter onder de zeespiegel bevindt. De taak die Daniel te wachten stond, was echter wat ingewikkelder dan alleen maar luisteren.
De oceaan beslaat 70% van het aardoppervlak en is erg diep, maar als je 23 meter naar beneden duikt, is 99% van het licht verdwenen. Geluid kan daarentegen afstanden van duizenden kilometers afleggen. Zeezoogdieren gebruiken daarom geluid voor alle activiteiten die essentieel zijn voor hun voortbestaan. We kunnen veel over hun bestaan leren, puur door te luisteren.
John Ryan, biologisch oceanograaf
Door 24 uur per dag geluid op te nemen, stelt de hydrofoon wetenschappers voor een dilemma: te veel gegevens. Er zijn heel wat mensenlevens nodig om al het opgenomen geluid grondig te analyseren. Het was Daniels taak om TensorFlow te gebruiken, de open source-tool voor machine learning van Google. Hiermee kan de saaie taak van audiobestanden verwerken en walvisgeluiden identificeren in een paar dagen worden uitgevoerd in plaats van in meerdere jaren.
Toen Daniel met zijn stage begon, had hij nog nooit met TensorFlow gewerkt, maar hij was wel goed in wiskunde. In essentie is dat alles wat machine learning is: een reeks algoritmen waarmee gegevens worden geanalyseerd en wordt geleerd patronen te herkennen.
Blauwe vinvissen en gewone vinvissen behoren tot de dieren op aarde die het hardste geluid maken. Hun geluiden kunnen door de lage frequentie grote afstanden in de oceaan afleggen. Hierdoor zijn deze dieren ideale kandidaten voor onderzoek. De hydrofoon van het MBARI kan walvissen horen tot op 500 kilometer afstand.
De geluidsgolven die worden opgenomen door de hydrofoon, moeten worden omgezet in visuele gegevens in de vorm van een spectrogram: een kaart van het geluid gedurende een bepaalde tijd. Deze spectogrammen worden door Daniel ingevoerd in het TensorFlow-model om het te leren hoe de roep van blauwe vinvissen en gewone vinvissen eruitziet. Modellen voor machine learning leren door herhaling, net zoals je een puppy zindelijk maakt. Hoe meer voorbeelden Daniel invoert in het model, hoe nauwkeuriger het wordt. Alles bij elkaar heeft Daniel het TensorFlow-model getraind met meer dan 18.000 afzonderlijke walvisgeluiden.
Machine learning is ervoor zorgen dat de computer patronen leert herkennen.
Daniel DeLeon
In de loop van de tijd heeft Daniel TensorFlow kunnen leren om walvisgeluiden te identificeren met een nauwkeurigheid van 98,05%. Het model kan onderscheid maken tussen een blauwe vinvis en een gewone vinvis, vaststellen op welk moment van de dag het geluid zich voordeed, hoe luid het klonk en hoelang het duurde.
Blauwe vinvis
Gewone vinvis
We staan op een cruciaal punt in de oceaanwetenschap. Het is ook een erg interessante periode voor machine learning, omdat we eindelijk problemen beginnen op te lossen die we zelfs nog maar vijf jaar geleden niet konden aanpakken.
Danelle Cline, senior software-engineer
Dankzij Daniels onderzoek met behulp van machine learning hebben John en Danelle een basis kunnen leggen voor de automatische detectie en classificatie van walvisgeluiden. Ze kunnen nu meer tijd besteden aan de grote onderzoeksvragen, zoals hoe de eeuwenoude migratiepatronen van deze enorme wezens veranderen en wat dit ons leert over de bredere gevolgen van de invloed van de mens boven water op het leven onder water, van geluidshinder tot klimaatverandering.
Ik heb er nooit aan gedacht om wetenschapper te worden. Ik dacht niet dat ik dat zou kunnen. Maar door mijn nieuwsgierigheid naar de wereld en het universum in het algemeen, ontstond [bij mij] de wens om het te proberen.
Daniel DeLeon
Bekijk in de onderstaande film hoe Daniels reis verliep.
