Aller au contenu principal
2025 conference-abstract

Big whales and big data: A convolutional neural network approach to investigating long-term spatial-temporal patterns of blue and fin whales in the Southern California Bight

0Citations signalées, ce qui n’est pas une note de qualité
4Institutions déclarées
2Pays d’affiliation déclarés

Rattachement africain : us, no. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Blue (Balaenoptera musculus) and fin whales (Balaenoptera physalus) produce low-frequency calls associated with foraging, social interactions, and reproduction. Sonobuoys deployed during California Cooperative Oceanic Fisheries Investigation (CalCOFI) surveys contain recordings of distinct calls produced by these species; namely blue whale A, B, and D calls, and fin whale 20 and 40 Hz calls. Here, we fine-tuned the object detection model Faster-R-CNN with an initial dataset of 6598 labeled blue and fin whale calls and refined the model through an iterative human-in-the-loop labeling approach. The model performed well on blue whale A, B, and D, and fin whale 20 Hz calls (average precision 0.80–0.93), while fin whale 40 Hz calls proved more challenging (0.71). The best performing model was deployed on long-term CalCOFI recordings. Seasonal peaks were consistent with previous studies and long-term trends suggested an increase in the number of blue whale calls detected per survey over the study period (2004–2025). During the 2014–2016 marine heatwave, calling activity declined for both species, with blue whale calls largely restricted to the shelf break, suggesting habitat compression. This work illustrates the value of integrating passive acoustic monitoring and deep learning to investigate ecological patterns and track species’ responses to environmental change.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Big whales and big data: A convolutional neural network approach to investigating long-term spatial-temporal patterns of blue and fin whales in the Southern California Bight
Date Crossref
01/10/2025
Éditeur
Acoustical Society of America (ASA)
Type
journal-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

  • Scripps Institution of Oceanography pays non établi dans la notice
    Structure de recherche
  • San Diego State University pays non établi dans la notice
    Université ou école supérieure
  • University of California San Diego pays non établi dans la notice
    Université ou école supérieure
  • Norwegian University of Science and Technology pays non établi dans la notice
    Université ou école supérieure
  • Scripps Inst. of Oceanogr. pays non établi dans la notice
    Institution
  • Dept. of Comput. Sci. pays non établi dans la notice
    Institution
  • Norwegian Univ. of Sci. and Technol. (NTNU) pays non établi dans la notice
    Institution

Scripps Institution of Oceanography, San Diego State University et University of California San Diego, avec 4 autres affiliations.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Marine animal studies overviewAnimal Vocal Communication and BehaviorUnderwater Acoustics Research

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.