García Vargas, Johan Felipe2025-04-112025https://hdl.handle.net/10784/35303Las técnicas de monitoreo bioacústico permiten la detección no invasiva de poblaciones biológicas mediante grabadoras automáticas que capturan de manera continua vocalizaciones de especies en su entorno natural. Este estudio evalúa el impacto de técnicas de reducción de ruido basadas en transformadas wavelet sobre el procesamiento de señales bioacústicas y su influencia en modelos de clasificación de referencia, como BirdNET para aves y AnuraSet para anfibios. La metodología incluye una fase de preprocesamiento de reducción de ruido y un análisis detallado de métricas de rendimiento, como la similitud coseno MEL, la correlación temporal, el índice de entropía, la confianza y las curvas ROC-AUC. Los resultados muestran que la reducción de ruido mejora la claridad de la señal y reduce tasas de falsas alarmas, facilitando una discriminación más precisa en entornos acústicamente complejos como áreas urbanas y selvas. Aunque la técnica suprime ciertas características sutiles de las vocalizaciones, el análisis estadístico y los gráficos radar sugieren que con ajustes en el proceso de denoising es posible optimizar el balance entre reducción de ruido y preservación de características bioacústicas esenciales. Por tanto, la reducción de ruido mediante wavelets es una estrategia viable y robusta en entornos de alta interferencia, aunque podría no ser óptima para estudios que requieren la captura exhaustiva de todas las vocalizaciones, como en especies en peligro o de baja densidad. Además, el denoising regula la confianza en predicciones incorrectas y preserva las características relevantes en predicciones correctas, reduciendo falsas alarmas.Bioacoustic monitoring techniques enable non-invasive detection of biological populations through automatic recorders that continuously capture species vocalizations in natural habitats. This study assesses the impact of wavelet-based noise reduction on bioacoustic signal processing and evaluates its influence on benchmark classification models, specifically BirdNET for birds and AnuraSet for amphibians. Our methodology includes noise reduction preprocessing, followed by an in-depth analysis of classification performance metrics such as mel cosine similarity, temporal correlation, entropy ratio, and ROC-AUC curves. Results indicate that noise reduction enhances signal clarity and reduces false alarm rates, enabling more accurate discrimination in acoustically complex environments like urban areas and rainforests. Although the technique may suppress some subtle vocalization features, statistical analysis and radar plots suggest that adjustments to the denoising process can help optimize the balance between noise reduction and preservation of essential bioacoustic characteristics. Consequently, wavelet-based noise reduction is a robust strategy for high-interference environments, though it may be less suitable for studies requiring comprehensive capture of all vocalizations, such as endangered or low-density species. Moreover, denoising regulates confidence in incorrect predictions and preserves relevant features in correct predictions, reducing false alarms.spaTodos los derechos reservadosMonitoreo bioacústicoReducción de ruidoAnuraSetSeñales bioacústicasBirdNETmasterThesisinfo:eu-repo/semantics/openAccessCIENCIA DE LA INFORMACIÓNCONTROL DEL RUIDOAISLAMIENTO ACÚSTICOPOBLACIÓN ANIMALPROTECCIÓN DEL MEDIO AMBIENTEBioacoustic MonitoringNoise reductionWaveletsAcceso abierto2025-04-11Carvalho Salazar, Sebastián