SoundLib is een jaar lang project dat door de Vlaamse regering aan het Vlaams Instituut voor de Zee (VLIZ) is toegekend met als doel een onderwatergeluidsbibliotheek van de Noordzee te creëren voor toepassingen in Machine leren (ML). SoundLib zal met name een strategie ontwikkelen voor het verzamelen van geluidsevenementen, het ontwerpen van een kosteneffectieve, flexibele en schaalbare prototype- en databasearchitectuur en het onderzoeken van machine leer-methoden voor het automatisch verwerken van het onderwatergeluid. Tegelijkertijd zullen veldopnames van verschillende geluidsbronnen worden uitgevoerd om de onderwatergeluidsbibliotheek te vullen. 

Geluid legt in aquatische omgevingen veel grotere afstanden af dan licht, waardoor het een essentieel hulpmiddel is voor veel zeedieren in wisselwerking met hun omgeving of als communicatiemiddel. Alle geluiden in het mariene milieu vormen het ‘geluidslandschap ’. Natuurlijke geluidsbronnen kunnen abiotisch zijn (geofonie) zoals regen, golven, sedimenttransport, enz., of kunnen biotisch zijn (biofonie) zoals visvocalisaties, echolocatie van dolfijnen en bruinvissen, enz. De menselijke aanwezigheid op zee is alomtegenwoordig en brengt geluid (antrofonie) in zijn omgeving. Door de toenemende activiteiten, zoals scheepvaart, seismische activiteiten en offshore-energie, nemen ook de geluidsoverlast toe. Specifiek in de Noordzee, een ondiepe, veel geëxploiteerde zee, maakt de mix van alle geluidsbronnen het complex om het geluidslandschap te analyseren en te begrijpen.

Het SoundLib-project zal zich richten op de langdurige onderwateropnames in het Belgische deel van de Noordzee binnen het LifeWatch-project. Een focus op alle drie de categorieën is belangrijk en zal ons begrip van de aanwezigheid en impact van geluid op het zeeleven vergroten. Goed beschreven geluidsevenementen worden opgenomen door de bibliotheek en zijn beschikbaar volgens de FAIR-gegevensprincipes. Om het aantal geluidsevenementen per geluidscategorie of geluidstype te vergroten, moeten machine learning-technieken worden toegepast om langetermijn- en vaak complexe opnames efficiënt te evalueren door automatisch geluid te detecteren en te classificeren, aangezien dit handmatig tijdrovend, omslachtig is, en vatbaar voor menselijke fouten. Het verhogen van het aantal voorbeelden per geluidstype kan in ruil daarvoor worden gebruikt als invoer voor ML-modellen om geluidsgebeurtenissen te detecteren en te classificeren. In de loop van het project zullen aanvullende opnames worden verzameld, geannoteerd en vervolgens in de bibliotheek worden ingevoerd, die dienen als invoergegevens voor het trainen en evalueren van modellen. Ons doel is om deze modellen toe te passen op langetermijnopnames van de Noordzee om de veiligheid van offshore-infrastructuur te verbeteren en bepaalde (illegale) menselijke activiteiten te stoppen, de biodiversiteit en ecologische gezondheid te bewaken en nieuw onderzoek op het gebied van machine learning en andere relevante gebieden te stimuleren.

Het opnemen, detecteren, annoteren en beschrijven van geluidsevenementen brengt een grote menselijke inspanning en kosten met zich mee. De SoundLib wil de inspanning verlichten en samenwerking tussen wetenschappers aanmoedigen door geluidstypen beschikbaar te stellen. Een voorbeeld van een langdurige opname van een soundscape van het Birkenfels-station (N51 ° 38.940 ', E2 ° 32.200') in de Noordzee met gelabelde geluidsgebeurtenissen wordt hieronder weergegeven.

Spectrogram op lange termijn bekeken in Raven Pro (versie 1.6.5, Bioacoustics Research Program) met geannoteerde geluidsevenementen (Spectrogram-parameters: 2048 pts FFT, 92% overlap, Hann-venster)

SoundLib wil verbinding maken met de Global Library of Underwater Biological Sounds en de kennis over onbekende en bekende geluiden over de hele wereld helpen vergroten. Onderzoekers voorzien van de datasets en tools die nodig zijn om het mariene milieu te bestuderen.