مقالة منهجية

تعزيز دقة اكتشاف نموذج التعرف على الصوت للطيور عبر الانحدار اللوجستي لمجموعات البيانات الصوتية الكبيرة: دراسة حالة لطائر روبن الأوروبي (Erithacus rubecula)

438 مشاهدات

⸱

DOI:

10.3791/70479

⸱

أبريل 11, 2026

 ,  , 
1School of Biological and Environmental Sciences, Faculty of Health, Innovation, Technology and Science, Liverpool John Moores University

في هذه المقالة

ملخص

هدف هذا البروتوكول هو تحديد عتبات درجات الثقة الخاصة بالأنواع والمواقع باستخدام الانحدار اللوجستي لتحسين دقة الكشف في مجموعات البيانات الصوتية الكبيرة التي تتم معالجتها باستخدام برامج التعرف الصوتي الآلي.

الملخص

أصبحت المراقبة الصوتية السلبية (PAM) أداة لا تقدر بثمن لأبحاث التنوع البيولوجي، حيث تمكن من جمع مجموعات بيانات ضخمة غير جراحية. ومع ذلك، لا يزال هناك تحد كبير في معالجة هذا الحجم الكبير من البيانات بكفاءة وموثوقية لاستخراج معلومات خاصة بأنواع مختلفة عبر مواقع مختلفة. تقدم هذه الورقة بروتوكولا مفصلا خطوة بخطوة لمعالجة هذا التحدي باستخدام وحدة كاشف التعلم الآلي ضمن برنامج تحليل الصوتيات الحيوية. تم تصميم المنهجية لتحديد والتحقق بدقة وثقة من أصوات الطيور من التسجيلات الصوتية الخام.

يفصل بروتوكولنا العملية من جمع البيانات الأولي باستخدام وحدات التسجيل المستقلة (ARUs) وصولا إلى الجيل النهائي من مجموعة بيانات مشروحة عالية الجودة. تشمل الخطوات الرئيسية إعداد وحدة كاشف التعلم الآلي لتوليد الاكتشافات الأولية، وإجراء تحقق يدوي لحساب جداول الدقة، وتحليل الانحدار اللوجستي لتحديد عتبة درجة ثقة خاصة بالنوع، وعند الاقتضاء، عتبة لدرجة الثقة الخاصة بالموقع. يتم استخدام هذا العتبة المستمدة إحصائيا بعد ذلك لتحسين مخرجات الكاشف، ويتم اختبارها على تكوينين متداخلين (0 ثانية و2 ثانية). نظهر أن تطبيق عتبات درجة الثقة المثلى المستمدة يحسن بشكل كبير دقة اكتشاف نماذج التعرف على صوت الطيور القائمة على التعلم الآلي عبر المواقع. بالنسبة للمواقع الثلاثة المستخدمة لتوضيح العملية (ليفربول بارك، كيرنغورمز، وغلاسكو سوبربان) زادت الدقة بنسبة 26.1٪، 17.7٪، و17٪ لتداخل 0 ثوان، وبنسبة 28.77٪، 16.87٪، و15٪ لتداخل 2 ثانية. نقترح أن المنهجية الناتجة أفضل من طرق العد اليدوي من حيث السرعة والموثوقية. باختصار، توفر هذه الورقة إطارا قابلا للتكرار يسهل الاستخدام الفعال والمتاح لأساليب التعلم الآلي في علم الصوتيات الحيوي، مما يمكن الباحثين من الاستفادة بثقة من مجموعات البيانات الصوتية الكبيرة للدراسات البيئية وتحليل المعلمات.

المقدمة

تقدم أصوات الحيوانات رؤى قيمة حول العالم الطبيعي وتعمل كأدوات بيولوجية قوية تتيح للباحثين دراسة جوانب مختلفة من حياة الحيوانات1. أصبح مجال الصوتيات الحيوية أكثر أهمية في مراقبة التنوع البيولوجي والحفاظ عليه، مما يساعد في تحديد الأنواع وتقييم اتجاهات السكان وصحة النظام البيئي 2,3,4. يساهم هذا المجال البحثي أيضا في فهمنا لسلوك الحيوانات، على سبيل المثال، في التواصل واستخدام الموائل5،6. مؤخرا، تم إثبات أنه نهج واعد لتقييم رفاهية الحيوان7،8.

واحدة من المزايا الرئيسية لاستخدام التحليل الصوتي كأداة بحثية هي التقدم التكنولوجي الحديث في وحدات التسجيل الذاتية (ARUs)، التي تمكن الباحثين من مراقبة أصوات الحيوانات بشكل غير جراحي وعن بعد لفترات طويلة، وهي تقنية تعرف بالمراقبة الصوتية السلبية (PAM)9. وقد سمح ذلك بجمع البيانات من الأنواع الغامضة دون تدخل بشري10,11. بالإضافة إلى ذلك، فإن وحدات ARU فعالة من حيث التكلفة وتقلل الحاجة إلى باحثين مدربين في المجال9. أظهرت دراسة على طائر الليل الأوروبي الغامض (Caprimulgus europaeus) هذه المزايا، حيث وجدت أن استخدام ARU كان أكثر فعالية بكثير من المراقبين البشر في اكتشاف النوع12. تزداد شعبية الدراسات الصوتية الحيوية واسعة النطاق لأنها توفر رؤى حول مجموعة من الجوانب البيئية والسلوكية، كما أنها قابلة للتطبيق ومناسبة للدراسات الميدانية. ومع ذلك، فإن تشغيل وحدات ARU لفترات طويلة يعني أن الباحثين يواجهون تحديا في معالجة كميات هائلة من البيانات الصوتية بكفاءة وموثوقية13.

مؤخرا، بدأ الباحثون في دمج PAM مع استخدام أدوات التعرف التلقائي للكشف عن الأنواع ضمن مجموعات بيانات كبيرة، مما يعزز ويسرع المعالجة العامة للبيانات. تتعرف هذه التقنيات تلقائيا على الأنواع وتصنفها بناء على نوع الصوت13، وغالبا ما تستخدم نماذج التعلم الآلي والتعلم العميق مثل الشبكات العصبية الاصطناعية، والتي اكتسبت انتشارافي السنوات الأخيرة. غالبا ما تكون موثوقية برامج التعرف التلقائي متفوقة على الطرق اليدوية للكشف عن الأنواع، كما أظهرت الدراسات على أصوات الباندا العملاقة (Ailuropoda melanoleuca) رقم 15 وأنواع الضفادع الماليزية16. ومن المهم أن أحد الدوافع الرئيسية وراء اعتماد هذه الأساليب هو سرعة المعالجة، خاصة مع استمرار نمو حجم البيانات الصوتية الناتجة عن PAMبمقدار 13 مرة. التحليل اليدوي لمجموعات البيانات الصوتية الكبيرة غير فعال وغير عملي على نطاق واسع، ومع ذلك يمكن لأدوات التعرف الآلي معالجة التسجيلات في جزء بسيط من الوقت الذي يحتاجه المراقب البشري. على سبيل المثال، أفادت إحدى الدراسات أن 257 ساعة من المسح البصري اليدوي تعادل ساعة واحدة من وقت المعالجة باستخدام نموذج BirdNET (نموذج التعرف على صوت الطيور القائم على تعلم الآلة)17.

يعد نموذج التعرف على صوت الطيور القائم على التعلم الآلي أحد هذه الأدوات التي اكتسبت مؤخرا شعبية لاستخدامها في علم الطيور ودراسات الصوتيات الأخرى، وهو برنامج آلي سهل الوصول لتحديد أنواع الطيور يعتمد على نموذج التعلم العميق 18,19. استخدمت معظم الدراسات حتى الآن نموذج التعرف على صوت الطيور القائم على التعلم الآلي لإنشاء قوائم أنواع لمنطقة معينة، ومع التحقق البشري ثبت أنه يكتشف 89٪ من الأنواع في المجتمع، بينما يتطلب أقل من ربع الوقت المستخدم في المسح البصريوحده 17. وقد أظهر هذا النموذج المعتمد على تعلم الآلة أيضا أنه يحدد بفعالية وجود نوع مستهدف محدد في منطقة معينة، مثل طائر البيترن الأوراسي (Botaurus stellaris)، بنسبة نجاح 93.7٪20. ومع ذلك، غالبا ما يكون لهذا النموذج معدل نجاح أعلى عند دمجه مع التحقق اليدوي، ولا يزال غير موثوق كأداة كشف تلقائية بالكامل21. هناك أيضا تحديات أخرى يجب أخذها في الاعتبار وفقا لوود وكال21 فيما يتعلق بإنتاجه لتوقعات بدون وحدة.

تمنح وحدة كاشف التعلم الآلي لكل صوت طائر مكتشف درجة ثقة كمية بين 0 و1، مما يشير إلى مدى يقين البرنامج بأن الصوت المكتشف تم تحديده بشكل صحيح كنوع معين 18,19,21. الدقة، التي تعرف بأنها نسبة الاكتشافات التي تعتبر إيجابيات حقيقية (أي التحديدات الصحيحة)، هي مقياس رئيسي يتأثر بهذه الدرجة22. وبالتالي، قد تنتج درجة ثقة أعلى اكتشافات أقل، ولكن بدقة أعلى، ومع ذلك تفشل الاكتشافات خاصة في البيئات الصاخبة، وقد تؤدي الدرجة المنخفضة إلى اكتشافات أكثر بدقة أقل يقينا22,23. العلاقة بين درجات الثقة والدقة معقدة، وغالبا ما يلاحظ أن بعض درجات الثقة العالية قد تكون إيجابيات كاذبة، مثل المواقع التي تحتوي على مستويات عالية من الضوضاء الخلفية، أو مع أنواع من المحتمل أن تحاكي أصوات أنواع أخرى23،24. نظرا لتفاوت الدقة بين الأنواع والموقع، يمكن خلال عملية التكوين تعيين عتبات فردية لدرجة الثقة لكل نوع من الطيور، بحيث يتم تصنيف الاكتشافات التي تتجاوز هذه العتبة فقط. يمكن تطبيق عتبة عالية لدرجة الثقة العالمية عبر جميع الأنواع والمواقع، ومع ذلك، فإن ذلك غالبا ما يزيد من عدد السلبيات الكاذبة (التعرف الخاطئ)22،25،26، بينما يختلف عدد الإيجابيات الكاذبة بين الأنواع ومع الفروقات البيئية بين التسجيلات.

توضح عدة دراسات وإرشادات أفضل الممارسات طرقا مختلفة لتحديد عتبة درجة الثقة المثلى لتشغيل وحدة كاشف التعلم الآلي لأنواع ومواقع دراسة محددة، مما يمكن قبول الاكتشافات بثقة أكبر كنتائج إيجابيةحقيقية 21,24,26,27,28 . تتضمن إحدى الطرق حساب درجات F عبر مجموعة من عتبات الثقة واختيار العتبة التي تعظم درجة F، مع موازنة الدقة والاستدعاء29,30. نهج بديل، يسمح بمعايرة الاحتمالية، يتضمن التحقق يدويا من مجموعة عشوائية من التنبؤات وملاءمة انحدار لوجستي لإثبات علاقة بين نتيجة التحقق الثنائية (الكشف الحقيقي/الخطأ) ودرجة الثقة21 المرتبطة بها. يمكن بعد ذلك استخدام هذه الطريقة لتحديد العتبات الخاصة بالسياق، والتي يمكن تعديلها عبر الأنواع والظروف البيئية (مثل تغير الضوضاء الخلفية)19. تم تطبيق هذه الطرق في دراسات المراقبة الصوتية السلبية على قرود يوكاتان السوداء الهولة (Alouatta pigra)، والذئاب الرمادية (Canis lupus)، والذئاب البرية (C. latrans)27,28.

هدف هذه الورقة هو إظهار والتحقق من منهجية قابلة للتوسع لاستخراج بيانات صوتية خاصة بالأنواع بدقة وموثوقية من مجموعات بيانات صوتية كبيرة باستخدام نموذج التعرف على صوت الطيور القائم على التعلم الآلي ضمن برنامج تحليل الصوت الحيوي Raven (الإصدار 1.6)19,31. يتضمن هذا النهج حساب عتبات درجات الثقة المناسبة وفقا لإرشادات وود وكالال21 لأفضل الممارسات. بينما توفر هذه الإرشادات21 إطارا شاملا لتطبيق درجات الثقة ضمن نموذج التعرف على صوت الطيور القائم على التعلم الآليرقم 19، إلا أنها تعرض بشكل أساسي كتوصيات لأفضل الممارسات. قلة من الدراسات قد جعلت هذه الإجراءات مفعلة عبر أنظمة دراسة وحدات ARU الموزعة تحت قيود مراقبة واقعية، حيث تختلف الظروف الصوتية والضوضاء الخلفية مكانيا22. هذا البروتوكول (الشكل 1) مناسب بشكل خاص للدراسات واسعة النطاق للمراقبة الصوتية السلبية التي تشمل مواقع متعددة، أو بيئات صوتية متغيرة، أو أنواع مستهدفة ذات معدلات تصنيف خاطئة مرتفعة. علاوة على ذلك، لم يتم إثبات تنفيذ هذه الإرشادات ضمن برنامج تحليل الصوتيات الحيوية (الإصدار 1.6)19,31، وهو منصة أكثر سهولة وسهولة في الاستخدام مقارنة بالبيئات القائمة على الترميز32,33.

figure-introduction-1
الشكل 1: تمثيل تخطيطي لسير العمل بالكامل. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

لمعالجة هذه الفجوة، نطبق ونتحقق من صحة البروتوكول باستخدام مجموعات بيانات واسعة النطاق مسجلة باستخدام AudioMoths - ARUs (الإصدار 1.2.0)34,35، عبر مجموعة متنوعة من المواطن. نوعنا البؤري، روبن الأوروبي (Erithacus rubecula)، يظهر تنوعا عاليا في الأغاني وتعقيدا هيكليا36,37، وأظهر قابلية للتعرف الخاطئ في التحليلات التجريبية الأولية. من خلال تطبيق عتبات درجات الثقة الخاصة بالنوع والموقع على تكوين نموذج التعرف على صوت الطيور القائم على التعلم الآلي ضمن برنامج تحليل الصوتيات الحيوية19,31، نقوم بتقييم البروتوكول تحت ظروف صوتية مختلفة، مع دمج مستويات الضوضاء الخلفية المختلفة وتجميعات الأنواع، ونظهر أن تخصيص تحسين العتبة يمكن أن يحسن دقة الكشف بشكل كبير مقارنة بالإعدادات الافتراضية. تم تصميم هذا النهج لتسهيل التطبيق المتاح والمبسط والفعال لنموذج التعرف على صوت الطيور19 القائم على تعلم الآلة في دراسات PAM واسعة النطاق، مع أقل ترميز ممكن.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

بيان الأخلاقيات
يتبع هذا البروتوكول الإرشادات الأخلاقية لجامعة ليفربول جون مورز. شملت المنهجية المراقبة الصوتية السلبية فقط، ولم تشمل التعامل مع الحيوانات أو الإزعاج أو التلاعب التجريبي. لم تكن هناك حاجة لأي إجراءات خطرة لنشر وحدات ARU. تم نشر وحدات ARU وفقا لإرشادات البحث المؤسسي والعمل الميداني، وتم تركيب لافتات مناسبة في مواقع التسجيل لإعلام الجمهور بالمراقبة الصوتية. ومع ذلك، ينصح بشدة بمراجعة توقعات الطقس قبل القيام بالنشاط الميداني، وإجراء تقييم للمخاطر لكل موقع ميداني.

البرمجيات، الترخيص والاستخدام
ملاحظة: يجب معالجة بيانات ARU باستخدام نموذج التعرف على صوت الطيور القائم على التعلم الآلي ضمن برنامج تحليل الصوتيات الحيوية (v1.6)19,31، مع معالجة مخرجات الكاشف أيضا في نفس البرنامج (v1.6)31. هذا برنامج مرخص وغير متوفر مجانا، ويتطلب استخدام سير العمل الموضح هنا الوصول عبر ترخيص مؤسسي أو فردي. بالإضافة إلى ذلك، فإن نموذج التعرف على صوت الطيور القائم على تعلم الآلة داخل البرنامج (v1.6)19,31 لا يعمل حاليا على أجهزة آبل ذات بنية المعالج المعتمدة على ARM (شرائح M1 أو M2)، ومع ذلك فإن هذا البروتوكول متوافق مع أجهزة الكمبيوتر المبنية على macOS المزودة بمعالجات Intel وأنظمة تشغيل Windows

1. جمع بيانات الصوت

  1. تحضير وحدات ARU للنشر
    1. إدخال البطاريات في وحدات ARU (تم استخدام بطاريات قلوية قابلة لإعادة الشحن خلال هذه التجربة).
    2. أدرج بطاقات ذاكرة قابلة للإزالة بحجم مناسب بالنسبة لكمية البيانات التي سيتم جمعها (تم استخدام بطاقات ذاكرة قابلة للإزالة بسعة 2 جيجابايت خلال هذه التجربة).
      ملاحظة: بالنسبة لجداول التسجيل التي تنتج 108 ملفات مدة كل منها دقيقة واحدة يوميا خلال فترة 30 يوما (انظر الخطوة 1.2.5.2)، كان حجم كل ملف حوالي 5760 كيلوبايت، مما أدى إلى حجم بيانات إجمالي يبلغ 622 ميجابايت. مع استهلاك طاقة يومي يقدر ب 26 مللي أمبير. لذلك، تم استخدام بطاقات ذاكرة قابلة للإزالة بسعة 2 جيجابايت للحصول على النتائج التمثيلية لتوفير مساحة تخزين كافية. بالإضافة إلى ذلك، احتفظت البطاريات القلوية القابلة لإعادة الشحن بالطاقة القابلة للاستخدام لأطول فترة، على عكس بطاريات AA الليثيوم وNiMH القابلة لإعادة الشحن تحت ظروف الاختبار.
  2. تكوين كل وحدة ARU للنشر
    1. قم بتنزيل 'تطبيق تحديث برمجيات أجهزة ARU'39 و'تطبيق تكوين أجهزة ARU'40 من 'صفحة تحميل التطبيق' على موقع ARU41.
    2. قم بتوصيل وحدات ARU بشكل فردي بجهاز كمبيوتر باستخدام كابل نقل البيانات.
    3. تأكد من أن الجهاز متحول إلى وضع USB/إيقاف .
    4. استخدم تطبيق تحديث برنامج الأجهزة 'ARU Firmware' 39 لتحديث الأجهزة إلى أحدث إصدار من البرنامج الثابت.
    5. استخدم تطبيق 'إعدادات أجهزة ARU'40 لضبط وحدات ARU لتسجيل في وقت محدد من اليوم لعدد محدد من الأيام. حدد فترات التسجيل النشطة وفترات النوم.
      1. حدد الفترات الزمنية التي تكون فيها الأنواع المستهدفة أكثر نشاطا (مثل جوقة الفجر للطيور النهارية)، وجدولة فترات التسجيل وفقا لذلك.
      2. حدد دورة عمل مناسبة، تحدد مدة تسجيل وحدات ARU النشطة مقابل وضعها في وضع السكون.
        مثال: لهذه النتائج التمثيلية، تم برمجة وحدات ARU للتسجيل يوميا بين الساعة 4:00–9:00 صباحا و5:00–9:00 مساء من1 يونيو إلى 30يونيو 2023. تم اختيار هذه النوافذ الزمنية لالتقاط كل من جوقات الفجر والغسق. خلال الفترات النشطة، كانت الأجهزة تسجل ملفات WAV مدتها دقيقة واحدة تليها فترة نوم مدتها 4 دقائق، مما أدى إلى إجمالي 108 تسجيلات مدة كل منها دقيقة واحدة يوميا.
        ملاحظة: يمكن لوحدات ARU التسجيل باستمرار، لكن هذا يزيد بسرعة من استهلاك البطارية واستخدام بطاقات الذاكرة القابلة للإزالة.
      3. استخدم تطبيق 'إعداد أجهزة ARU'42 لضبط الأجهزة على التسجيل بمعدل أخذ عينات 48 كيلوهرتز كما هو موصى به لالتقاط نطاق كامل من أصوات الطيور 34,35 وبكسب متوسط (عادة يترك على الوضع الافتراضي إلا إذا كان التسجيل في بيئات صاخبة34,35). يمكن استخدام معدلات أخذ عينات أخرى حسب تردد أصوات الأنواع المستهدفة، على سبيل المثال للحياة البرية فوق الصوتية مثل الخفافيش أو البرمائيات، حيث تستخدم معدل أخذ عينات 384 كيلوهرتز35.
    6. بعد إعداد جميع وحدات ARU، قم بتحويل كل جهاز إلى وضع CUSTOM .
  3. حماية الجهاز ووضع العلامات
    1. أدخل كل جهاز ARU في حقيبة زيبلوك مضادة للستاكتيك. استخدم شريط لاصق مقاوم للماء إضافيا عند الحاجة لمنع تلف المياه. ضع عبوات جل السيليكا داخل الأكياس لامتصاص الرطوبة.
    2. قم بتسمية كل وحدة ARU حسب الرقم وموقعها.
  4. نشر وحدة ARU
    1. تحديد المواقع التي سيتم نشر وحدات ARU ضمن موطن النوع المستهدف.
    2. نشر وحدات ARU على مسافات متباعدة تناسب متطلبات الدراسة والأنواع المستهدفة.
      ملاحظة: تعتمد مسافة الكشف على الموطن والضوضاء الخلفية وحجم نداءات الأنواع. بينما يمكن اكتشاف الأنواع الصاخبة (مثل البيترن الأوراسي) بواسطة وحدات ARU حتى ارتفاع 800 متر، فإن التسجيلات تتدهور عند المسافات الأطول، مما يحد من قياسات المقياس الدقيق20. هنا، تم تحليل وحدة ARU واحدة لكل موقع، مع وحدات تفصل بينها حوالي 100 متر لضمان تغطية مكانية جيدة وأصوات واضحة. قم بضبط التباعد حسب الأنواع والموائل وأهداف المشروع.

2. استخدام وحدة كاشف التعلم الآلي في برنامج تحليل الصوتيات الحيوية19,31 للكشف التلقائي عن الأنواع

  1. نقل بيانات الصوت
    1. بعد انتهاء فترة النشر، قم بإزالة بطاقات الذاكرة القابلة للإزالة من وحدات ARU مع ملاحظة أي بطاقات الذاكرة القابلة للإزالة تتوافق مع كل وحدة ARU مرقمة.
    2. انقل جميع ملفات WAV من كل بطاقة ذاكرة قابلة للإزالة إلى الكمبيوتر باستخدام قارئ البطاقات.
    3. نظم جميع ملفات WAV المولدة من كل وحدة ARU في مجلدات تحمل رقم وموقع ARU المناسبين.
    4. احفظ نسخ احتياطية من جميع البيانات على أجهزة إضافية. نقطة توقف: يمكن إيقاف البروتوكول مؤقتا هنا.
    5. قيد الوصول إلى هذه البيانات على الباحثين المخولين في المشروع وتأكد من حماية البيانات بكلمة مرور للحفاظ على السرية، خاصة عندما يكون النشاط البشري قد تم تسجيله عن غير قصد.
  2. تكوين وحدة كاشف التعلم الآلي
    1. افتح برنامج تحليل الصوتيات الحيويةرقم 31 وتحت القائمة المنسدلة اختر أدوات > كاشف > كاشف التعلم.
    2. في نافذة اختيار مدخلات الكاشف ، اختر التصفح. في نافذة Open Sound Files التالية، اختر جميع ملفات WAV داخل مجلد ARU المعني واضغط على فتح (الملفات الإضافية S1 و S2).
    3. في نافذة تكوين الصوت الجديد التي تفتح، تحت صفحة > صوت الصفحة، أدخل حجم الصفحة المناسب لطول كل تسجيل (مثلا 60 ثانية لملفات WAV لمدة دقيقة واحدة) (ملف تكميلي S3).
    4. في نفس نافذة تكوين الصوت الجديد، تحت عدة ملفات اختر فتح كتسلسل ملف في نافذة واحدة، ثم انقر على موافق (ملف تكميلي S3).
    5. في نافذة اختيار مدخلات الكاشف العائدة، اختر شكل الموجة تحت الإشارات والعروض المتاحة على اليمين وانقر على زر الأسهم << لنقلها إلى المدخلات المطلوبة. تأكد من أن الحالة تحت مربع المدخلات المطلوبة تقرأ جاهز!، ثم اضغط على موافقة (ملف تكميلي S4).
    6. في نافذة تكوين كاشف تعلم الآلة التي تظهر، تحت تبويب الإدخالات ، اختر النموذج المطلوب من اختيار النموذج. عند تحليل أنواع الطيور، استخدم نموذج التصنيف العالمي للطيور، والذي يشمل بين التحديثات المختلفة أكثر من 3000–6000 نوع من الطيور19 (الملف التكميلي S5).
    7. تحت تبويب المدخلات ، اترك التداخل عند الإعداد 0 ثانية لمنع أي تداخل مع تحليل عتبة درجة الثقة اللاحق (الملف التكميلي S5).
    8. في تبويب المخرجات ، اختر القائمة المنسدلة ملف فئة الإخراج واختر قائمة المخرجات المتعلقة بالموقع الجغرافي للدراسة (الملف التكميلي S6).
    9. تحت تبويب المخرجات سيكون هناك قائمة بأنواع الطيور ذات الصلة بملف فئة الإخراج المختار. خفض العتبة إلى 0.1 واختر تطبيق الكل، وتأكد من أن جميع القيم تحت العتبة الآن عند 0.1 في القائمة (الملف التكميلي S6).
    10. اختر خيار قمع جميع الأنواع وستظهر العلامات في جميع المربعات في قائمة الأنواع. ثم حدد النوع المستهدف وقم بإلغاء العلامة عليه في عمود Suppress (الملف التكميلي S6).
    11. اختر OK لبدء كاشف التعلم، فهذا سيعالج الملفات وينشئ اختيارات حيث تم اكتشاف أصوات النوع المستهدف.
    12. راقب مدير التقدم لتتبع نسبة الإنجاز والوقت المتبقي (الملف التكميلي S7).
  3. حفظ مخرج كاشف التعلم
    ملاحظة: سيتم إنشاء جدول كاشف التعلم أثناء المعالجة ويعرض تحت عرض الطيف. الاختيارات المرقمة في هذا الجدول تتوافق مع الاختيارات المحددة للكاشف في عرض الطيف. كل اختيار ثابت بطول 3 ثوان وقد لا يتكرر دائما على كامل الصوت الذي يتم اكتشافه. يتم تعيين وسم ودرجة تعريفية لكل اختيار في جدول الاختيار (الملف التكميلي S8). هذه الدرجات هي توقع بدون وحدة وسيتم استخدامها في تحليل الانحدار اللوجستي في المراحل التالية.
    1. اختر الملف > حفظ جدول الاختيار "كاشف التعلم" ك واحفظ الملف باستخدام اسم ARU ومعرف مثل: AM1_LearningDetectorTable_Original.txt.

3. إنشاء جداول دقيقة للأنواع المستهدفة في وحدة ARU تمثيلية من كل موقع دراسة

  1. إعداد مجموعة بيانات التحقق
    1. افتح جدول اختيار كاشف التعلم الذي تم حفظه في الخطوة 2.3.1 وانقله إلى برنامج جداول بيانات.
    2. تأكد من أن النوع المستهدف فقط يظهر تحت عمود التسمية .
    3. احذف جميع الأعمدة باستثناء أعمدة الاختيار والدرجة.
    4. قم بعشوائية الصفوف باستخدام دالة العشوائية في الجدول (مثلا، أضف عمودا باستخدام =RAND()، ثم فرز هذا العمود، ثم حذف عمود العشوائية).
    5. احتفظ بأول 300 اكتشاف عشوائي، إذا كان هناك أقل من 300، احتفظ بجميع الكشفات.
      ملاحظة: اختيار 300 كشف للتحقق هو أمر قياسي في دراسات مماثلة باستخدام بيانات صوتية لمدة شهرواحد 24. يقدر حجم العينة هذا معدلات الدقة وسوء التصنيف بشكل موثوق، ويجمع مجموعة من درجات الكشف، ويحافظ على سهولة إدارة عبء العمل. قد تكون هناك حاجة إلى المزيد من الاختيارات لمجموعات بيانات أطول.
    6. احفظ مجموعة بيانات التحقق باستخدام اسم ARU الذي يتم تحليله ومعرف مثل: AM1_ValidationDataset.xlsx.
  2. جهز برنامج تحليل الصوتيات الحيوية للتحقق اليدوي
    1. افتح البرنامج31، اختر ملف > فتح ملفات الصوت... وفي نافذة Open Sound Files اختر جميع ملفات WAV المقابلة لوحدة ARU التي يتم تحليلها، ثم اضغط على فتح.
    2. في نافذة تكوين الصوت الجديد التي تفتح، تحت قسم الصفحات، اختر صوت الصفحة وأدخل حجم الصفحة المستخدم في الخطوة 2.2.3. تحت عدة ملفات اختر فتح كتسلسل ملف في نافذة واحدة واختر موافق.
    3. انتقل إلى ملف > افتح جدول الاختيار... وفتح جدول اكتشاف التعلم للوحدة التي يتم تحليلها محفوظة في الخطوة 2.3.1.
    4. في اللوحة على يسار عرض الصوت، تحت تبويب التخطيطات، في Views:، قم بإلغاء تحديد عرض الموجة بحيث تعرض جميع الملفات في عرض الطيف لتمكين التأكيد البصري لبنية الصوت (Spectrogram).
  3. التحقق من صحة الاختيارات العشوائية
    1. إلى جانب برنامج تحليل الصوتيات الحيوية31 مع توفر البيانات المعدة جاهزة للتحقق اليدوي، افتح جدول التحقق المحفوظ في الخطوة 3.1.6.
    2. أنشئ عمودا جديدا في جدول البيانات بعنوان "تم اكتشافه بشكل صحيح".
    3. حدد موقع كل رقم اختيار من القائمة العشوائية داخل عرض الطيف وإدخال ما إذا تم اكتشافه بشكل صحيح (1) أو تم اكتشافه بشكل خاطئ (0) في عمود الاكتشاف الصحيح .
  4. حساب دقة الكاشف
    1. احسب دقة الكاشف (قبل الانحدار اللوجستي) للوحدة المقاومة للكائنات والأنواع المستهدفة باستخدام الصيغة:
    2. الدقة (٪) = (عدد الاكتشافات الصحيحة/إجمالي الاكتشافات المثبتة) × 100
    3. بالنسبة لمجموعات البيانات ذات الدقة 90٪ أو أكثر، احتفظ بإعدادات كاشف التيار.
    4. بالنسبة لمجموعات البيانات ذات الدقة الأقل من 90٪، يرجى الانتقال إلى القسم 4 لتركيب تحليل الانحدار اللوجستي لتحديد العتبة المثلى لضبط الكاشف للعمل عندها.
      ملاحظة: عندما تنخفض الدقة إلى أقل من 90٪، تجعل معدلات الخطأ العالية استخراج الأصوات بشكل موثوق أمرا صعبا دون تعديل العتبة. يوازن الحد الفاصل بنسبة 90٪ بين موثوقية الكشف وحجم العينة الكافي. كما تعتبر الدراسات السابقة لمعايرة نماذج التعرف على صوت الطيور القائمة على تعلم الآلة معدلات دقة 90٪ وما فوق موثوقة بما فيه الكفاية42.

4. إجراء تحليل الانحدار اللوجستي على جداول التحقق لتوليد عتبة تقدير ثقة مثلى

  1. قم بإنشاء حدود لدرجة الثقة باستخدام إرشادات وود & كالال ال 21
    1. استخدم برنامج R32 لاستيراد مجموعة بيانات التحقق التي تم إنشاؤها في القسم 3.
    2. تشغيل انحدار لوجستي باستخدام دالة النمذجة الخطية المعممة مع العائلة كثنائية الحدين على مجموعة البيانات.
    3. إذا اضبط احتمال الدقة المرغوب 0.9، فهذا يعني أن احتمال أن يكون الكشف إيجابيا حقيقيا سيكون 90٪ أو أكثر.
      ملاحظة: تعيين احتمال الدقة المرغوب إلى 0.9 يضمن أن معظم الاكتشافات إيجابية حقيقية، ومع ذلك، حتى على هذا المستوى يمكن أن تحدث إيجابيات كاذبة في مجموعات بيانات صوتية كبيرة ويجب على المستخدمين أن يكونوا على دراية بهذا القيد. تسمح عتبة الدقة بنسبة 90٪ للمستخدمين بالحفاظ على أعداد عالية من الاكتشافات الصحيحة، مع الاحتفاظ ببيانات كافية لتحليل قوي، والهدف إلى 100٪ سيحد من البيانات القابلة للاستخدام.
    4. احسب العتبة المثلى عن طريق حل معادلة الانحدار اللوجستي الملاءمة لقيمة المتنبئ (درجة الثقة) التي تعطي احتمالا متوقعا بمقدار 0.9 باستخدام سكريبت تحليل الانحدار اللوجستي أدناه:
      figure-protocol-1
      p = 0.9، وβ0 وβ1 هما التقاطع والميل من النموذج الملائم
      سكريبت تحليل الانحدار اللوجستي لبرمجيات الحوسبة الإحصائية
      # جدول التحقق من صحة التحميل
      ثرشولد روبن <-read.csv('ValidationTableRobin.csv')
      # شغل الانحدار اللوجستي
      Model1<-glm (Correct.Detected~Score, data=ThresholdRobin, family = 'ثنائي الحدين')
      موديل 1
      # الاحتمال المطلوب فوق 90٪ دقة
      p < - 0.9 # المطلوب p (احتمال الإيجابية الحقيقية)
      العتبة <- (log(p/(1-p))- معامل النموذج 1$[1]) / معامل النموذج 1$[2]
      ملاحظة: بدلا من استخدام درجة Logit كما في الدراسات السابقة24,27 كمتغير مستقل، استخدم درجات الثقة الخام كمتغير مستقل. في إرشادات وود وكالال 21 ذكر أنه يمكن استخدام إما درجات الثقة الخام أو النسخ المحولة للخلف.
  2. تطبيق درجة الثقة المثلى
    1. افتح برنامج تحليل الصوتيات الحيوية31.
    2. أعد تشغيل كاشف التعلم على وحدة ARU التي يتم التحقيق فيها باستخدام الخطوات في القسم 2. ومع ذلك، هذه المرة في عملية التكوين، يجب تغيير العتبة للنوع المستهدف الذي يتم اكتشافه إلى العتبة المحددة في القسم 4.1 من البروتوكول.
    3. (اختياري) زد التداخل إلى 2 ثانية لزيادة دقة الكشف.
      ملاحظة: تحدد قيمة التداخل مقدار التداخل المجاور المكتشفة. عند 0 ثانية قد تفوت أصوات على حدود المقاطع (سلبيات خاطئة). زيادة التداخل تحسن دقة الكشف والقدرة التنبؤية لكنها تبطئ التحليل19,29. هنا، للانحدار اللوجستي، تم استخدام تداخل افتراضي بقيمة 0 ث. مع حساب النتائج التمثيلية وعتبات درجات الثقة في تحليل الانحدار اللوجستي، يتم اختبار تداخل كل من 0 و 2 ثانية.
    4. سيتم إنشاء قائمة جديدة بالاكتشافات التي يجب أن تكون الآن أكثر دقة، مع نتائج إيجابية كاذبة أقل (انظر النتائج).
    5. حفظ مخرج كاشف التعلم الجديد مع قائمة الاكتشافات التي تم إنشاؤها باستخدام عتبة درجة الثقة المشتقة عن طريق اختيار ملف > حفظ جدول الاختيار "كاشف التعلم" A وحفظ الملف باستخدام اسم ARU ومعرف مثل: AM1_LearningDetectorTable_OptimisedThreshold.txt.
    6. يمثل هذا الملف مجموعة البيانات النهائية المعتمدة التي يولدها البروتوكول. استخدم جدول اختيار كاشف التعلم المحسن المحفوظ كمخرج نهائي لهذا البروتوكول. يرجى ملاحظة أن التحليلات اللاحقة، مثل شرح الأصوات واستخراج المعامل الصوتي، تقع خارج نطاق هذه الطريقة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

لتوضيح فعالية البروتوكول المذكور، نقدم نتائج ممثلة من تحليل البيانات الصوتية لطائر الروبن الأوروبي (Erithacus rubecula) الذي تم جمعه في ثلاثة مواقع ببيئات مختلفة وتجمعات أنواع الطيور، بما في ذلك حديقة في ليفربول (ARU 1)، وموقع غابات متجدد طبيعيا داخل منتزه كيرنغورمز الوطني (ARU 2)، وموقع ضاحي في غلاسكو (ARU 3). تظهر هذه الأمثلة كيف يمكن لتطبيق عتبات درجات الثقة المشتقة إحصائيا أن يحسن دقة الكشف عبر بيئات صوتية متنوعة. في هذه الدراسة، تم تعريف النتيجة الناجحة على أنها دقة الكشف ≥...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

يوفر استخدام البروتوكول الموضح في هذه الورقة طريقة موثوقة ومبسطة لتوليد مجموعات بيانات محددة ومصنفة بدقة لأصوات الطيور، وقد ثبت فائدته عند التعامل مع مجموعات البيانات الصوتية الكبيرة. اخترنا اختبار البروتوكول على روبن الأوروبي بسبب تنوعه المعروف في البنية والتردد ضمن مجموعاته الموسيقية43. بمعنى أن الاكتشافات في البداية تبين معدلات عالية من الخطأ (الإيجابيات الكاذبة) (الجدول 1). كما قمنا بالتحقق من استخدام هذه الطرق من خلال اختبارات ما بعد البروتوك...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

المؤلفون لا يملكون أي مصلحة مالية متنافسة.

شكر وتقدير

نشكر جامعة جون مور في ليفربول على الإرشاد والموارد. نشكر أيضا مبادرة الحيوانات البرية (WAI) على الدعم التمويلي، وقد تم تمويل هذا البحث من خلال منح WAI (S-2023–00038).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
وحدات التسجيل الذاتية v1.2.0الأجهزة الصوتية المفتوحةلا يوجدوحدة التسجيل الذاتية (ARU)
برنامج تحليل الصوتيات الحيوية الإصدار 1.6.5مختبر كورنيل لعلم الطيورRRID:SCR_016190برامج تحليل الصوت
كابل نقل البياناتمصنعون مختلفونلا يوجديستخدم لنقل البيانات من الأجهزة
تطبيقات تكوين الجهازالأجهزة الصوتية المفتوحةلا يوجدتطبيقات لتكوين AudioMoths
وحدة كاشف التعلم الآلي v2.4مختبر كورنيل لعلم الطيورلا يوجدكاشف التعلم الآلي  
بطاريات قلوية قابلة لإعادة الشحنمصنعون مختلفونلا يوجدمصدر الطاقة لوحدات التسجيل
بطاقات الذاكرة القابلة للإزالةمصنعون مختلفونلا يوجدتخزين البيانات للتسجيلات
برامج الحوسبة الإحصائيةفريق R كورRRID:SCR_001905برامج الحوسبة الإحصائية

المراجع

  1. Briefer, E. F. Vocal expression of emotions in mammals: Mechanisms of production and evidence. J Zool. 288 (1), 1-20 (2012).
  2. Changapur, M. W., Seema, S., Sowmya, B. J. Bioacoustics monitoring to improve conservation efforts for endangered species. 2023 7th International Conference on Computation System and Information Technology for Sustainable Solutions (CSITSS), , IEEE. (2023).
  3. Sebastián-González, E., Pang-Ching, J., Barbosa, J. M., Hart, P. Bioacoustics for species management: two case studies with a Hawaiian forest bird. Ecol Evol. 5 (20), 4696-4705 (2015).
  4. Raich, X., et al. Use of bioacoustics in species identification: Piranhas from genus Pygocentrus (Teleostei: Serrasalmidae) as a case study. PLOS One. 15 (10), e0241316(2020).
  5. Pillay, R., et al. Bioacoustic monitoring reveals shifts in breeding songbird populations and singing behaviour with selective logging in tropical forests. J Appl Ecol. 56 (11), 2482-2492 (2019).
  6. Teixeira, D., Maron, M., van Rensburg, B. J. Bioacoustic monitoring of animal vocal behaviour for conservation. Conserv Sci Pract. 1 (8), e72(2019).
  7. Coutant, M., Villain, A. S., Briefer, E. L. A scoping review of the use of bioacoustics to assess various components of farm animal welfare. Appl Anim Behav Sci. 275, 106286(2024).
  8. Mcloughlin, M. P., Stewart, R., McElligott, A. G. Automated bioacoustics: methods in ecology and conservation and their potential for animal welfare monitoring. J R Soc Interface. 16 (155), 20190225(2019).
  9. Shonfield, J., Bayne, E. M. Autonomous recording units in avian ecological research: Current use and future applications. Avian Conserv Ecol. 12 (1), 14(2017).
  10. Newson, S. E., Bas, Y., Murray, A., Gillings, S. Potential for coupling the monitoring of bush-crickets with established large-scale acoustic monitoring of bats. Methods Ecol Evol. 8 (9), 1051-1062 (2017).
  11. Wheeldon, A., et al. Comparison of acoustic and traditional point count methods to assess bird diversity and composition in the Aberdare National Park, Kenya. Afr J Ecol. 57 (2), 168-176 (2019).
  12. Zwart, M. C., Baker, A., McGowan, P. J. K., Whittingham, M. J. The Use of Automated Bioacoustic Recorders to Replace Human Wildlife Surveys: An Example Using Nightjars. PLoS ONE. 9 (7), e102770(2014).
  13. Xie, J., et al. Review of automatic recognition technology for bird vocalizations in the deep learning era. Ecol Inform. 73, 101927(2023).
  14. Yang, F., Jiang, Y., Xu, Y. Design of bird sound recognition model based on lightweight. IEEE Access. 10, 85189-85198 (2023).
  15. Liao, Z., et al. Automatic recognition of giant panda vocalizations using wide spectrum features and deep neural network. Math Biosci Eng. 20 (8), 15456-15475 (2023).
  16. Jaafar, H., Ramli, D. A. Automatic syllables segmentation for frog identification system. 2013 IEEE 9th International Colloquium on Signal Processing and its Applications, Kuala Lumpur, Malaysia, , https://ieeexplore.ieee.org/document/6530046 224-228 (2013).
  17. Ware, L., Mahon, C. L., McLeod, L., Jetté, J. F. Artificial intelligence (BirdNET) supplements manual methods to maximize bird species richness from acoustic data sets generated from regional monitoring. Can J Zool. 101 (12), 1031-1051 (2023).
  18. Kahl, S., Wood, C. M., Eibl, M., Klinck, H. BirdNET: A deep learning solution for avian diversity monitoring. Ecol Inform. 61, 101236(2021).
  19. Kahl, K., Wood, C., Klinck, M. Cornell Lab of Ornithology. BirdNET: Bird sound identification. [computer program]. , The Cornell Lab of Ornithology. Ithica (NY). https://birdnet.cornell.edu (2021).
  20. Manzano-Rubio, R., et al. Low-cost open-source recorders and ready-to-use machine learning approaches provide effective monitoring of threatened species. Ecol Inform. 72, 101910(2022).
  21. Wood, C. M., Kahl, S. Guidelines on the appropriate use of BirdNet scores and other detector outputs. J Ornithol. 165, 777-782 (2024).
  22. Pérez-Granados, C. BirdNET: applications, performance, pitfalls and future opportunities. Ibis. 165 (3), 1068-1075 (2023).
  23. Singer, D., et al. Aggregated time-series features boost species-specific differentiation of true and false positives in passive acoustic monitoring of bird assemblages. Remote Sens Ecol Conserv. 10 (4), 517-530 (2024).
  24. Bota, G., et al. Hearing to the Unseen: AudioMoth and BirdNET as a Cheap and Easy Method for Monitoring Cryptic Bird Species. Sensors. 23 (16), 7176(2023).
  25. Amorós-Ausina, A., Schuchmann, K. -L., Marques, M. I., Pérez-Granados, C. Living together, singing together: Revealing similar patterns of vocal activity in two tropical songbirds applying BirdNET. Sensors. 24 (17), 5780(2024).
  26. Tseng, S., Hodder, D. P., Otter, K. A. Setting BirdNET confidence thresholds: species-specific vs. universal approaches. J Ornithol. 166 (4), 1123-1135 (2025).
  27. Wood, C. M., Cruz, A. B., Kahl, S. Pairing a user-friendly machine-learning animal sound detector with passive acoustic surveys for occupancy modelling of an endangered primate. Am J Primatol. 85 (8), e23507(2023).
  28. Sossover, D., Burrows, K., Kahl, S., Wood, C. M. Using the BirdNET algorithm to identify wolves, coyotes, and potentially their interactions in a large audio dataset. Mamm Res. 69, 159-165 (2024).
  29. Funosas, D., et al. Assessing the potential of BirdNET to infer European bird communities from large-scale ecoacoustic data. Ecol Indic. 164, 112146(2023).
  30. Ziegenhorn, M. A., et al. ArcticSoundsNET: BirdNET embeddings facilitate improved bioacoustic classification of Arctic species. Ecol Inform. 90, 103270(2025).
  31. Raven Pro: Interactive sound analysis software. [Computer program]. , Version 1.6, The Cornell Lab of Ornithology. https://ravensoundsoftware.com/ (2025).
  32. R Core Team. R: A language and environment for statistical computing [computer program]. , R Foundation for Statistical Computing. https://www.R-project.org/ (2024).
  33. Python Language Reference [Internet]. , Version 3.14.3, Python Software Foundation. https://www.python.org (2026).
  34. Hill, A. P., et al. AudioMoth: Evaluation of a Smart open Acoustic Device for Monitoring Biodiversity and the Environment. Methods in Ecol and Evol. 9 (5), 1199-1211 (2017).
  35. Hill, A. P., et al. AudioMoth: A low-cost acoustic device for monitoring biodiversity and the environment. HardwareX. 6, e00073(2019).
  36. Bremond, J. C. Recherche sur la semantique et les elements vecteurs d'information dans les signaux aeoustiques du rouge-gorge (Erithacus rubecula). Terre Vie. 22, https://hal.science/hal-03531635v1 109-220 (1968).
  37. Hoelzel, A. R. Song characteristics and response to playback of male and female robins, Erithacus rubecula. Ibis. 128, 115-127 (1968).
  38. Sandbrook, C., et al. Principles for the socially responsible use of conservation monitoring technology and data. Conserv Sci Pract. 3 (5), e374(2021).
  39. AudioMoth Flash App [computer program]. , Version 1.7.0, Open Acoustic Devices. https://www.openacousticdevices.info/applications (2025).
  40. AudioMoth Configuration App [computer program]. , Version 1.12.1, Open Acoustic Devices. https://www.openacousticdevices.info/applications (2025).
  41. Applications. , Open Acoustic Devices. https://www.openacousticdevices.info/applications (2025).
  42. Sethi, S. S., et al. Large-scale avian vocalization detection delivers reliable global biodiversity insights. Proc Natl Acad Sci U S A. 121 (33), e2315933121(2024).
  43. Verboom, W. C. Bird vocalizations: songs of the European robin (Erithacus rubecula). JunoBioacoustics. 202107, (2021).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة