Córdova Mora, David (2022) Modelos matemáticos y técnicas de aprendizaje automático para el estudio del movimiento animal / Mathematical models and machine learning in animal movement studies. Maestría en Ciencias Físicas, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Español 8Mb |
Resumen en español
La tortuga terrestre Chelonoidis chilensis es una especie que se encuentra en estado vulnerable a nivel nacional e internacional y está incluida en el Apéndice II de CITES, siendo el reptil autóctono más comercializado en el mercado ilegal de mascotas de Argentina [1]. Los estudios en campo son escasos, dado que su camuflaje con el entorno hace que sea difícil detectarla en su hábitat natural, lo que provoca la falta de datos necesarios para su estudio y conservación. Las técnicas de aprendizaje automático, podrían ayudar a resolver este problema puesto que se pueden utilizar para clasificar señales de sensores inerciales colocados sobre el animal, con distintos comportamientos del ejemplar, sin necesidad de la observación directa. En este trabajo se empleó una unidad de navegación que cuenta con acelerómetro, giroscopio, GPS, y termómetro. Se analizaron datos recolectados con este dispositivo sobre tortugas silvestres, en campos cercanos a la ciudad de San Antonio Oeste (Prov. de Río Negro), desde noviembre de 2020 hasta enero de 2022. También se recolectaron datos de tortugas de una especie de similares caracter´ısticas, Chelonoidis denticulata, en el Parque Amaru de la Ciudad de Cuenca- Ecuador y se grabaron sus movimientos con cámaras de vigilancia. Se logró diseñar un algoritmo de aprendizaje automático capaz de detectar en tiempo real cuando una tortuga se mueve, con una precisión de 99.83 %. También se diseñó un modelo que detecta cuando una tortuga pone huevos o copula aunque es necesario obtener más datos para estimar su precisión en el mundo real y detectar otras actividades como caminata y cópula. Se encontró una correlación positiva significativa entre los períodos de actividad y los de mayor temperatura. Adicionalmente se encontró un umbral en la temperatura ambiente a partir del cual las tortugas reducen su actividad. Este resultado puede ser relevante ya que se ha reportado la disminución en poblaciones de otros reptiles como consecuencia del incremento de temperatura ocasionado por el calentamiento global. En la próxima etapa del estudio se explorar´a la implementación de cambios en la unidad de navegación, como la adición de sensores (sonido, cámaras) que permitan etiquetar datos y la programación del algoritmo de adquisición de datos para mejorar la duración de la batería.
Resumen en inglés
The land turtle Chelonoidis chilensis is a species that is in a vulnerable state nationally and internationally and is included in CITES Appendix II, being the indigenous reptile most traded in the illegal pet market of Argentina [1]. Field studies are scarce, since their camouflage with the environment makes it difficult to detect it in its natural habitat, which causes the lack of data necessary for its study and conservation. Machine learning techniques could help solve this problem since they can be used to classify signals from inertial sensors placed on the animal, with different behaviors of the specimen, without direct observation. In this work a navigation unit was employed that has accelerometer, gyroscope, GPS, and thermometer. We analyzed data collected with this device on wild turtles, in fields near the city of San Antonio Oeste (Prov. de Río Negro), from November 2020 to January 2022. Data were also collected from turtles of a similar species, Chelonoidis denticulata, in the Amaru Park of the City of Cuenca-Ecuador and their movements were recorded with surveillance cameras. It was possible to design a machine learning algorithm capable of detecting in real time when a turtle moves, with an accuracy of 99.83%. A model was also designed that detects when a turtle lays eggs or copula although it is necessary to obtain more data to estimate its accuracy in the real world and detect other activities such as walking and copulation. A significant positive correlation was found between periods of activity and periods of higher temperature. Additionally, a threshold was found in the ambient temperature from which turtles reduce their activity.This result may be relevant since it has been reported the decrease in populations of other reptiles as a result of the increase in temperature caused by global warming. In the next stage of the study will explore the implementation of changes in the navigation unit, such as the addition of sensors (sound, cameras) allowing data labeling and programming of the data acquisition algorithm to improve battery life.
| Tipo de objeto: | Tesis (Maestría en Ciencias Físicas) |
|---|---|
| Palabras Clave: | Machine learning; Aprendizaje automático; [Animal behavior; Comportamiento animal; Tortoise; Tortuga terrestre; Tiny machine learning; Chelonoidis chilensis; Chelonoidis denticulata] |
| Referencias: | [1] Tortoise I& Freshwater Turtle Specialist Group. Chelonoidis chilensis., 1996. URL https://dx.doi.org/10.2305/IUCN.UK.1996.RLTS.T9007A12949680.en. [2] Mench, J. Why it is important to understand animal behavior. ILAR Journal, 39 (1), 20–26, 01 1998. URL https://doi.org/10.1093/ilar.39.1.20. [3] Hager, S. B. The diversity of behavior. Nature Education Knowledge, 2010. [4] Kubisch, E., Echave, E., Echave, M. E. Chelonoidis Chilensis (Chaco Tortoise). Herpetological Review, 45 (4), 684–685, 2014. [5] Zacarias, G., Diaz Gómez, J. M., de la Fuente, M. S. Biología, ecología, paleontología y filogenia de nuestra tortuga chaqueña (Chelonoidis chilensis): Pequeño pariente de las tortugas terrestres de las Islas Galápagos. Instituto de Bio y Geociencias del NOA; Temas de Biología y Geología del NOA, 6, 8–21, 2016. [6] Holden, K. G., Gangloff, E. J., Gomez-Mancillas, E., Hagerty, K., Bronikowski, A. M. Surviving winter: Physiological regulation of energy balance in a temperate ectotherm entering and exiting brumation. General and Comparative Endocrinology, 307, 113758, 2021. URL https://www.sciencedirect.com/science/article/pii/S0016648021000514. [7] Varela, R., Bucher, E. Seed dispersal by Chelonoidis chilensis in the Chaco dry woodland of Argentina. Journal of Herpetology, 36, 137–140, 2002. [8] Cabrera, M. R. Las tortugas continentales de Sudamérica Austral. 1a ed. Editorial de la UNC, 1998. [9] Ruete, A., Leynaud, G. Identification of limiting climatic and geographical variables for the distribution of the tortoise chelonoidis chilensis (testudinidae): a baseline for conservation actions. PeerJ, pag. 3:e1298, 2015. [10] Ríos-Saldaña, C. A., Delibes-Mateos, M., Ferreira, C. C. Are fieldwork studies being relegated to second place in conservation science? Global Ecology and Conservation, 14, e00389, 2018. URL https://www.sciencedirect.com/ science/article/pii/S2351989418300295. [11] Jason, S., Catalano, N., Laneri, K., Kubisch, E., Kazimierski, L., Rodick, C., et al. Unidad de navegación de bajo consumo para seguimiento de animales. Laboratorio de Investigación aplicada en Telecomunicaciones, 2020. [12] Kazimierski, L. D., Kubisch, E., Joseph, J., Echave, M. E., Catalano, N., Abramson, G., et al. Study of the movement of the vulnerable tortoise Chelonoidis chilensis complementing monitoring techniques. South American Journal of Herpetology, En revisi´on. [13] Valletta, J. J., Torney, C., Kings, M., Thornton, A., Madden, J. Applications of machine learning in animal behaviour studies. Animal Behaviour, 124, 203–220, 2017. URL https://www.sciencedirect.com/science/article/pii/S0003347216303360. [14] Strubell, E., Ganesh, A., McCallum, A. Energy and policy considerations for deep learning in NLP, 2019. [15] Sinervo, B., Méndez-de-la Cruz, F., Miles, D., Heulin, B., Bastiaans, E., Cruz, M., et al. Erosion of lizard diversity by climate change and altered thermal niches. Science, 328, 894–899, 05 2010. [16] Buskirk, J. R. Distribution, status and biology of the tortoise, Geochelone chilensis, in Río Negro province, Argentina. Studies on Neotropical Fauna and Environment, 28 (4), 233–249, 1993. URL https://doi.org/10.1080/01650529309360907. [17] Zenaro, M. SciTinyML: Scientific Useof Machine Learning on Low-Power Devices. 2021. [18] Smith, S. W. The Scientist and Engineer’s Guide to Digital Signal Processing. USA: California Technical Publishing, 1997. [19] Ramsauer, H., Schafl, B., Lehner, J., Seidl, P., Widrich, M., Adler, T., et al.Hopfield networks is all you need, 2020. URL https://arxiv.org/abs/2008.02217. [20] Terespolsky, A., Brereton, J. E. Investigating the thermal biology and behaviour of captive radiated tortoises. 2021. [21] Parlin, A., Schaeffer, P. Plastron-mounted loggers predict terrestrial turtle body temperature better than carapace-mounted loggers: Predicting body temperature in box turtles. Wildlife Society Bulletin, 43, 02 2019. [22] Leistner, C., Saffari, A., Santner, J., Bischof, H. Semi-supervised random forests. En: 2009 IEEE 12th international conference on computer vision, p´ags. 506–513. IEEE, 2009. [23] Disabato, S., Roveri, M. Incremental on-device tiny machine learning. En: Proceedings of the 2nd International Workshop on Challenges in Artificial Intelligence and Machine Learning for Internet of Things, AIChallengeIoT ’20, pag. 7–13. New York, NY, USA: Association for Computing Machinery, 2020. URL https://doi.org/10.1145/3417313.3429378. |
| Materias: | Física > Sistemas complejos |
| Divisiones: | Gcia. de área de Investigación y aplicaciones no nucleares > Gcia. de Física > Sistemas complejos y altas energías > Física estadística interdisciplinaria |
| Código ID: | 1161 |
| Depositado Por: | Tamara Cárcamo |
| Depositado En: | 07 Aug 2023 14:50 |
| Última Modificación: | 07 Aug 2023 14:50 |
Personal del repositorio solamente: página de control del documento
