Predicting long-term environmental acoustic urban patterns using 2-slot short-term measurement and feed-forward artificial neural networks

Abstract

Monitoring acoustic environments in urban ecosystems poses a major challenge due to the temporal and spatial variability of soundscapes. Long-term data collection, often extending over a year, is recommended by regulations to establish reliable acoustic profiles, but such efforts are resource-intensive. In this study, we introduce a computational ecology approach to predict long-term acoustic patterns in cities using optimized combinations of time intervals as input for artificial neural networks. Unlike conventional methods relying on a single temporal window, our framework evaluates paired time intervals to enhance predictive performance and capture the dynamics of complex urban soundscapes. Multiple neural network architectures were designed and comparatively assessed, demonstrating that 2-slot datasets consistently improved classification accuracy and Balanced Accuracy Micro-Averaging across all categories. On average, temporal pairing increased Balanced Accuracy from 0.576 to 0.763 in the most variable category, reflecting a 32.4% improvement. These results highlight the importance of temporal diversity in ecological data modeling and underscore the potential of computational techniques to optimize temporary monitoring stations. The proposed method supports more efficient, data-driven strategies for environmental noise prediction, with direct implications for sustainable urban ecosystem management and decision-making in the context of global environmental change.

La monitorización de los entornos acústicos en los ecosistemas urbanos supone un gran reto debido a la variabilidad temporal y espacial de los paisajes sonoros. Las normativas recomiendan la recopilación de datos a largo plazo, que a menudo se prolonga durante más de un año, para establecer perfiles acústicos fiables, pero estos esfuerzos requieren muchos recursos. En este estudio, presentamos un enfoque de ecología computacional para predecir los patrones acústicos a largo plazo en las ciudades utilizando combinaciones optimizadas de intervalos de tiempo como entrada para redes neuronales artificiales. A diferencia de los métodos convencionales que se basan en una única ventana temporal, nuestro marco evalúa intervalos de tiempo emparejados para mejorar el rendimiento predictivo y capturar la dinámica de los complejos paisajes sonoros urbanos. Se diseñaron y evaluaron comparativamente múltiples arquitecturas de redes neuronales, lo que demostró que los conjuntos de datos de dos intervalos mejoraban de forma sistemática la precisión de la clasificación y la precisión equilibrada del micropromedio en todas las categorías. En promedio, el emparejamiento temporal aumentó la precisión equilibrada de 0,576 a 0,763 en la categoría más variable, lo que refleja una mejora del 32,4 %. Estos resultados ponen de relieve la importancia de la diversidad temporal en la modelización de datos ecológicos y subrayan el potencial de las técnicas computacionales para optimizar las estaciones de monitorización temporal. El método propuesto respalda estrategias más eficientes y basadas en datos para la predicción del ruido ambiental, con implicaciones directas para la gestión sostenible de los ecosistemas urbanos y la toma de decisiones en el contexto del cambio medioambiental global.