Detailansicht
Soundscape in urban environments
a web-based approach for soundscape assessment and data collection as an extension of the ISO 12913-2:2018 standard
Lorenzo Pengue
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Medieninformatik
Betreuer*in
Peter Reichl
DOI
10.25365/thesis.81808
URN
urn:nbn:at:at-ubw:1-25263.76125.449037-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Der Begriff ,,Soundscape'' wird von der International Organization for Standardization (ISO) als die akustische Umgebung definiert, wie sie von einer Person oder von Personen im Kontext wahrgenommen, erlebt bzw. verstanden wird ISO 12913-1:2014. Diese Masterarbeit stellt einen web-basierten Ansatz zur Soundscape-Bewertung für Feldstudien vor. Darüber hinaus untersucht sie, wie die in Feldstudien erhobenen Daten zur Soundscape-Bewertung in einer Laborumgebung und in der Analyse mit maschinellem Lernen verwendet werden können. Der konzeptionelle Rahmen für die Soundscape-Bewertung und die Entwicklung der Webanwendung basiert auf der Normenreihe ISO 12913, die das wahrnehmungsbezogene Konzept der Soundscape definiert, Richtlinien zur Datenerhebung bereitstellt und Methoden zur Datenanalyse beschreibt. Der vorgeschlagene webbasierte Ansatz zur Soundscape-Bewertung im Feld bietet ein flexibles und kostengünstiges Werkzeug für die Soundscape-Evaluation. Der Ansatz wurde im öffentlichen Raum getestet, wie in Kapitel 2 dargestellt. Teilnehmende konnten mit ihren Smartphones auf die Online-Webanwendung zugreifen. Die Studie wurde mit Plakaten beworben, die einen QR-Code enthielten, der die Teilnehmenden zur Webanwendung weiterleitete. Über die Anwendung beantworteten die Teilnehmenden einen Fragebogen zur Bewertung der Soundscape und konnten außerdem Audioaufnahmen des jeweils untersuchten Ortes bereitstellen. Dadurch konnten unterschiedliche Soundscapes an den untersuchten Orten identifiziert und eine zeitabhängige Analyse durchgeführt werden. Die in der Feldstudie von Teilnehmenden gesammelten Tonaufnahmen wurden anschließend für eine Laborstudie mit freiwilligen Teilnehmenden verwendet, wie in Kapitel 3 dargestellt. In dieser Studie wurden die Teilnehmenden gebeten, vier verschiedene Audioaufnahmen anzuhören und die Soundscape der gehörten akustischen Umgebungen zu bewerten. Die Studie verglich Smartphone-Audioaufnahmen aus der Feldstudie mit professionellen Audioaufnahmen, die an denselben Orten aufgenommen wurden. Die Ergebnisse zeigen, dass Smartphone-Audioaufnahmen verwendet werden können, um Soundscapes in einer Laborumgebung zu bewerten, wodurch unterschiedliche akustische Umgebungen identifiziert und verschiedene Schallquellen erkannt werden können. Allerdings beeinflussten die Aufnahmequalität und die Eigenschaften der akustischen Umgebungen die Soundscape-Wahrnehmung. Die Tonaufnahmen wurden außerdem verwendet, um akustische Merkmale für die Vorhersage der standardisierten Soundscape-Metriken ,,Pleasantness'' (wie angenehm wird die Soundscape empfunden) und ,,Eventfulness'' (als wie ereignisreich wird sie wahrgenommen) mittels maschinellen Lernens zu extrahieren, wie in Kapitel 4 dargestellt. Zur Vorhersage dieser Soundscape-Metriken wurden ein Random-Forest-Modell und ein Support-Vector-Regressor, die in der einschlägigen Literatur vorgeschlagen werden, trainiert und getestet. Allerdings blieben die Ergebnisse angesichts der begrenzten Anzahl an Datenpunkten und der heterogenen Qualität der Smartphone-Aufnahmen bescheiden. Dennoch zeigt dieses Experiment, wie Merkmale aus Audioaufnahmen extrahiert werden können und wie sie verwendet werden können, um Modelle des maschinellen Lernens für die Soundscape-Bewertung zu trainieren und zu testen.
Abstract
(Englisch)
The soundscape is defined as ``the acoustic environment as perceived, experienced, and/or understood by a person or people, in context'' by the International Organization for Standardization (ISO) (ISO 12913-1:2014). This master's thesis presents a web-application-oriented approach for soundscape assessment during field experiments. In addition, it explores how the data collected during field experiments can be used to support soundscape assessment in a laboratory environment and in machine learning analysis. The conceptual framework for soundscape assessment and web application development is based on the ISO 12913 standard series, which defines the perceptual concept of soundscape, provides data collection guidelines, and describes methods for data analysis. We argue that the proposed web-based approach to field soundscape assessment provides a flexible and affordable tool for soundscape evaluation. In particular, this approach was tested in public spaces, as presented in Chapter 2. Participants could access the online web application using their smartphones. The experiment was advertised using posters with a QR code that redirected participants to the web application. Through the application, participants answered a questionnaire to assess the soundscape and could also provide audio recordings of the examined location. This approach made it possible to identify different soundscapes across the examined locations and to perform a time-dependent analysis. The sound recordings collected during the field experiment were then used to support a laboratory study with volunteer participants, as presented in Chapter 3. In this study, participants were asked to listen to four different audio recordings and assess the soundscape of the acoustic environments they heard. The study compared smartphone audio recordings collected during the field experiment with professional audio recordings collected at the same locations. The results show that smartphone audio recordings can be used to assess soundscapes in a laboratory environment, allowing different acoustic environments to be identified and supporting sound source recognition. However, recording quality and the characteristics of the acoustic environments influenced soundscape perception. The sound recordings were also used to extract acoustic features for the machine learning prediction of the standardized soundscape metrics of pleasantness and eventfulness, as presented in Chapter 4. To predict these soundscape metrics, a random forest model and a support vector regressor suggested from the relevant literature were trained and tested. However, the limited number of responses and the heterogeneous quality of the smartphone recordings contributed to weak generalization performance. Nevertheless, this experiment shows how features can be extracted from audio recordings and how they can be used to train and test machine learning models for soundscape assessment.
Schlagwörter
Schlagwörter
(Deutsch)
Soundscape Medieninformatik informatik
Schlagwörter
(Englisch)
Soundscape Web application Machine learning Laboratory listening experiment Sound Audio recordings Acoustic soundscape assessment web application ISO 12913 field experiments smartphone recordings soundscape perception random forest support vector regression acoustic features sound source recognition
Autor*innen
Lorenzo Pengue
Haupttitel (Englisch)
Soundscape in urban environments
Hauptuntertitel (Englisch)
a web-based approach for soundscape assessment and data collection as an extension of the ISO 12913-2:2018 standard
Publikationsjahr
2026
Umfangsangabe
xv, 107 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Peter Reichl
AC Nummer
AC17992877
Utheses ID
81750
Studienkennzahl
UA | 066 | 935 | |