Análise comparativa entre o algoritmo clássico e quântico de K-Vizinhos mais próximos na classificação de vocalizações de aves : aplicações de Machine Learning na bioacústica com enfoque em computação quântica

Abstract

As aves desempenham um papel ambiental fundamental, estando presentes em diversos nichos e habitats devido à sua grande adaptabilidade a diferentes meios. Dessa forma, esses animais funcionam como importantes bioindicadores, fornecendo informações sobre a saúde dos ecossistemas por meio de parâmetros como desaparecimento, redução populacional, padrões de movimentação, entre outros. Com o aumento do aquecimento global e de atividades humanas que geram devastação e poluição, torna-se essencial compreender o estado do meio ambiente para subsidiar a tomada de decisões futuras. Nesse contexto, a tecnologia apresenta-se como ferramenta estratégica para monitoramento e proteção ambiental, permitindo a extração de informações relevantes do ambiente. Assim, este trabalho investiga a aplicação do algoritmo KNN no monitoramento de 20 espécies brasileiras de aves, avaliando seu desempenho na classificação multi-classe, de modo que este número possa ser ampliado conforme a performance do algoritmo. Considerando que redes neurais demandam maior poder computacional, optou-se por explorar um algoritmo simples de ML, aprimorado por técnicas de pré-processamento e extração de características. Além disso, o estudo contempla a versão quântica do KNN, evidenciando o potencial emergente desse tipo de tecnologia para aplicações de classificação. Os resultados obtidos indicam acurácia de aproximadamente 98,66% para o KNN clássico e de cerca de 89% para a versão quântica no melhor caso de ambos, como será apresentado no trabalho, demonstrando que abordagens leves podem ser eficazes em aplicações de bioacústica.

Birds play a fundamental environmental role, occupying various niches and habitats due to their high adaptability to different environments. In this way, these animals serve as important bioindicators, providing information about ecosystem health through parameters such as disappearance, population decline, movement patterns, among others. With the increase in global warming and human activities that cause devastation and pollution, understanding the state of the environment becomes essential to support future decision-making. In this context, technology emerges as a strategic tool for environmental monitoring and protection, allowing the extraction of relevant information from the environment. Thus, this work investigates the application of the KNN algorithm in monitoring 20 Brazilian bird species, evaluating its performance in this multi-class classification, with the possibility of expanding this number depending on the algorithm’s effectiveness. Considering that neural networks require greater computational power, a simple ML algorithm was chosen, enhanced through preprocessing and feature extraction techniques. Moreover, the study also considers the quantum version of KNN, highlighting the emerging potential of this type of technology for classification applications. The results obtained indicate an accuracy of approximately 98,66% for classical KNN and approximately 89% for the quantum version in the best case for both algorithms, as will be presented in the study, demonstrating that lightweight approaches can be effective in bioacustic applications.