Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Améliorer la précision de détection d'un modèle de reconnaissance sonore aviaire via la régression logistique de grands ensembles de données acoustiques : étude de cas du rouge-gorge européen (Erithacus rubecula)

438 vues

⸱

DOI :

10.3791/70479

⸱

11 avril 2026

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

Dans cet article

Résumé

L’objectif de ce protocole est de déterminer les seuils de score de confiance spécifiques à l’espèce et au site en utilisant la régression logistique afin d’améliorer la précision de détection dans de grands ensembles de données acoustiques traités avec un logiciel automatisé de reconnaissance acoustique.

Résumé

La surveillance acoustique passive (PAM) est devenue un outil inestimable pour la recherche sur la biodiversité, permettant la collecte non invasive de vastes ensembles de données. Cependant, un défi important subsiste : traiter efficacement et de manière fiable ce grand volume de données afin d’extraire des informations spécifiques à chaque espèce dans différents endroits. Cet article présente un protocole détaillé, étape par étape, pour relever ce défi en utilisant un module détecteur d’apprentissage automatique intégré à un logiciel d’analyse bioacoustique. La méthodologie est conçue pour identifier et valider avec précision et confiance les vocalisations d’oiseaux à partir d’enregistrements acoustiques bruts.

Notre protocole détaille le processus depuis la collecte initiale des données à l’aide d’unités d’enregistrement autonomes (ARU) jusqu’à la génération finale d’un jeu de données annoté de haute qualité. Les étapes clés incluent la configuration du module détecteur d’apprentissage automatique pour générer des détections initiales, une procédure de validation manuelle pour calculer des tables de précision, et une analyse de régression logistique pour déterminer un seuil de score de confiance spécifique à l’espèce et, le cas échéant, à un seuil de score de confiance spécifique à la localisation. Ce seuil statistiquement dérivé est ensuite utilisé pour affiner la sortie du détecteur, testée sur deux configurations de chevauchement (0 s et 2 s). Nous montrons que l’application des seuils optimaux de score de confiance dérivés améliore substantiellement la précision de détection des modèles de reconnaissance sonore aviaire basés sur l’apprentissage automatique sur plusieurs sites. Pour les trois sites utilisés pour illustrer le processus (Liverpool Park, Cairngorms et Glasgow Suburban), la précision a augmenté de 26,1 %, 17,7 % et 17 % pour un chevauchement de 0 s, et de 28,77 %, 16,87 % et 15 % pour un chevauchement de 2 s. Nous suggérons que la méthodologie résultante est supérieure aux méthodes de comptage manuel tant en vitesse qu’en fiabilité. En résumé, cet article propose un cadre reproductible qui facilite l’utilisation accessible et efficace des approches d’apprentissage automatique en bioacoustique, permettant aux chercheurs d’exploiter en toute confiance de vastes ensembles de données acoustiques pour des études écologiques et des analyses de paramètres.

Introduction

Les vocalisations animales offrent des informations précieuses sur le monde naturel et agissent comme de puissants outils biologiques, permettant aux chercheurs d’étudier divers aspects de la vie animale1. Le domaine de la bioacoustique est devenu de plus en plus important dans la surveillance et la conservation de la biodiversité, facilitant l’identification des espèces et l’évaluation des tendances des populations et de la santé desécosystèmes 2,3,4. Ce domaine de recherche contribue également à notre compréhension du comportement animal, par exemple dans la communication et l’utilisation de l’habitat 5,6. Plus récemment, il a été démontré comme une approche prometteuse pour évaluer le bien-êtreanimal 7,8.

L’un des principaux avantages de l’utilisation de l’analyse acoustique comme outil de recherche est la récente avancée technologique dans les unités d’enregistrement autonomes (ARU), qui permettent aux chercheurs de surveiller de manière non invasive et à distance les vocalisations animales pendant de longues périodes, une technique connue sous le nom de surveillance acoustique passive (PAM)9. Cela a permis la collecte de données d’espèces cryptiques sans intervention humaine10,11. De plus, les ARU sont rentables et minimisent le besoin de chercheurs formés sur le terrain9. Une étude sur le cryptique holgeau européen (Caprimulgus europaeus) a démontré ces avantages, constatant que l’utilisation des ARU était nettement plus efficace que celle des observateurs humains pour détecter l’espèce12. Les études bioacoustiques à grande échelle gagnent en popularité car elles peuvent fournir des éclairages sur divers aspects écologiques et comportementaux, elles sont également très applicables et bien adaptées aux études de terrain. Pourtant, le fait que les ARU fonctionnent longtemps signifie que les chercheurs sont inévitablement confrontés au défi de traiter efficacement et de manière fiable d’immenses quantités de données acoustiques13.

Plus récemment, des chercheurs ont commencé à combiner la PAM avec l’utilisation d’outils de reconnaissance automatique pour détecter les espèces au sein de grands ensembles de données, améliorant et accélérant ainsi le traitement global des données. Ces techniques reconnaissent et classifient automatiquement les espèces en fonction du typede vocalisation 13, utilisant souvent des modèles d’apprentissage automatique et d’apprentissage profond tels que les réseaux de neurones artificiels, qui ont gagné en popularité ces dernièresannées 14. La fiabilité des logiciels de reconnaissance automatique est souvent supérieure aux méthodes manuelles de détection d’espèces, comme l’ont démontré des études sur les vocalisations du panda géant (Ailuropoda melanoleuca )15 et des grenouillesmalaisiennes 16. Il est important de noter que l’un des principaux moteurs de l’adoption de ces approches est la vitesse de traitement, d’autant plus que le volume de données acoustiques générées via le PAM continue decroître de 13. L’analyse manuelle de grands ensembles de données acoustiques est inefficace et peu pratique à grande échelle, pourtant les outils de reconnaissance automatisée peuvent traiter les enregistrements en une fraction du temps nécessaire à un observateur humain. Par exemple, une étude a rapporté que 257 heures de balayage visuel manuel équivalaient à 1 heure de traitement utilisant BirdNET (modèle de reconnaissance sonore aviaire basé sur l’apprentissage automatique)17.

Ce modèle de reconnaissance sonore aviaire basé sur l’apprentissage automatique est un de ces outils qui a récemment gagné en popularité pour son utilisation en ornithologie et d’autres études acoustiques, c’est un logiciel automatisé accessible pour l’identification des espèces d’oiseaux qui repose sur un modèled’apprentissage profond 18,19. La plupart des études à ce jour ont utilisé le modèle de reconnaissance sonore aviaire basé sur l’apprentissage automatique pour générer des listes d’espèces pour une zone donnée, et avec la validation humaine, il a été démontré que 89 % des espèces d’une communauté sont utilisées, tout en nécessitant moins d’un quart du temps utilisé uniquement par le scanvisuel 17. Ce modèle de reconnaissance sonore aviaire basé sur l’apprentissage automatique a également démontré qu’il identifie efficacement la présence d’une espèce cible spécifique dans une zone, comme le butor d’Europe (Botaurus stellaris), avec un taux de réussite de 93,7% 20. Cependant, ce modèle présente souvent un taux de réussite plus élevé lorsqu’il est combiné à la validation manuelle et n’est pas encore fiable en tant qu’outil de détectionentièrement automatique 21. Il existe également d’autres défis à prendre en compte selon Wood et Kahl21 concernant la production de prévisions sans volume.

Le module détecteur d’apprentissage automatique attribue à chaque vocalisation d’oiseau détectée un score de confiance quantitatif compris entre 0 et 1, ce qui indique à quel point le logiciel est certain que le son détecté a été correctement identifié comme étant une espèceparticulière 18,19,21. La précision, définie comme la proportion de détections qui sont de vrais positifs (c’est-à-dire des identifications correctes), est une mesure clé influencée par ce score22. Par conséquent, un score de confiance plus élevé peut produire moins de détections, mais avec une précision plus élevée, alors que des détections manquées surtout dans les environnements bruyants, et un score plus bas peut produire plus de détections avec une précision moinscertaine 22,23. La relation entre les scores de confiance et la précision est complexe ; on constate souvent que certains scores élevés peuvent être des faux positifs, par exemple dans des endroits avec des niveaux élevés de bruit de fond, ou chez des espèces susceptibles d’imiter les vocalisations d’autresespèces 23,24. En raison de la variabilité de la précision entre les espèces et les emplacements, il est possible, lors du processus de configuration, d’attribuer des seuils de score de confiance individuels à chaque espèce d’oiseau, de sorte que seules les détections ayant des scores supérieurs à ce seuil seront indiquées. Un seuil de score de confiance universel élevé pourrait être appliqué à toutes les espèces et lieux, cependant, cela augmente souvent le nombre de faux négatifs (identifications manquées)22,25,26, tandis que le nombre de faux positifs varie entre les espèces et selon les différences environnementales entre les enregistrements.

Plusieurs études et recommandations de bonnes pratiques décrivent différentes méthodes pour déterminer un seuil optimal de score de confiance auquel exécuter le module détecteur d’apprentissage automatique pour des espèces et des lieux d’étude spécifiques, permettant ainsi d’accepter les détections avec plus de confiance comme de vrais positifs 21,24,26,27,28. Une approche consiste à calculer les scores F sur une plage de seuils de confiance et à sélectionner le seuil qui maximise le score F, en équilibrant à la fois la précision et la mémoire29,30. Une approche alternative, qui permet l’étalonnage par probabilité, consiste à valider manuellement un sous-ensemble aléatoire de prédictions et à ajuster une régression logistique afin d’établir une relation entre le résultat de validation binaire (détection vrai/faux) et le scorede confiance associé de 21. Cette méthode peut ensuite être utilisée pour déterminer des seuils spécifiques au contexte, qui peuvent être ajustés selon les espèces et les conditions environnementales (par exemple, un bruit de fond variable)19. De telles méthodes ont été appliquées dans des études de surveillance acoustique passive sur les singes hurleurs noirs du Yucatán (Alouatta pigra), les loups gris (Canis lupus) et les coyotes (C. latrans)27,28.

L’objectif de cet article sur les méthodes est de démontrer et valider une méthodologie évolutive permettant d’extraire avec précision et fiabilité des données vocales spécifiques à chaque espèce à partir de grands ensembles de données acoustiques en utilisant le modèle de reconnaissance sonore aviaire basé sur l’apprentissage automatique dans le logiciel d’analyse bioacoustique Raven Pro (ver 1.6)19,31. Cette approche intègre le calcul de seuils de score de confiance appropriés selon les21 recommandations de bonnes pratiques de Wood et Kahl. Bien que ces lignesdirectrices 21 fournissent un cadre complet pour appliquer les scores de confiance dans le modèle19 de reconnaissance sonore aviaire basé sur l’apprentissage automatique, elles sont principalement présentées comme des recommandations de bonnes pratiques. Peu d’études ont mis en œuvre ces procédures à travers des systèmes d’étude ARU distribués sous des contraintes de surveillance réalistes, où les conditions acoustiques et le bruit de fond varientspatialement 22. Ce protocole (Figure 1) est particulièrement adapté aux études de surveillance acoustique passive à grande échelle impliquant plusieurs sites, des environnements acoustiques variables ou des espèces cibles présentant des taux élevés de mauvaise classification. De plus, la mise en œuvre de ces directives dans le logiciel d’analyse bioacoustique (ver 1.6)19,31, une plateforme plus accessible et conviviale comparée aux environnements basés sur lecodage 32,33, n’a jamais été démontrée auparavant.

figure-introduction-1
Figure 1 : Représentation schématique de l’ensemble du flux de travail. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Pour combler cette lacune, nous appliquons et validons le protocole à l’aide de jeux de données à grande échelle enregistrés avec AudioMoths - ARUs (voir 1.2.0)34,35, couvrant une grande diversité d’habitats. Notre espèce focale, le merle européen (Erithacus rubecula), présente une grande variabilité du chant et une complexitéstructurelle 36,37, et a montré une susceptibilité aux erreurs d’identification lors des premières analyses pilotes. En appliquant des seuils de score de confiance spécifiques à l’espèce et au site à la configuration du modèle de reconnaissance sonore aviaire basé sur l’apprentissage automatique dans le logiciel d’analysebioacoustique 19,31, nous évaluons le protocole dans des conditions acoustiques variées, en intégrant différents niveaux de bruit de fond et assemblages d’espèces, et démontrons que l’optimisation des seuils peut améliorer substantiellement la précision de détection par rapport aux réglages par défaut. Cette approche est conçue pour faciliter en fin de compte une application accessible, rationalisée et efficace du modèle19 de reconnaissance sonore aviaire basé sur l’apprentissage automatique dans des études PAM à grande échelle, avec un codage minimal.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Déclaration d’éthique
Ce protocole suit les directives éthiques de l’Université Liverpool John Moores. La méthodologie impliquait uniquement la surveillance acoustique passive, et n’incluait pas la manipulation, la perturbation ou la manipulation expérimentale des animaux. Aucune procédure dangereuse n’était requise pour déployer les ARU. Les ARU ont été déployées conformément aux directives institutionnelles de recherche et de terrain de terrain, et une signalisation appropriée a été installée sur les sites d’enregistrement pour informer le public de la surveillance acoustique. Cependant, il est fortement conseillé de vérifier les prévisions météorologiques avant d’effectuer une activité sur le terrain, et de réaliser une évaluation des risques pour chaque site de terrain.

Logiciels, licences et utilisation
REMARQUE : Les données ARU doivent être traitées à l’aide du modèle de reconnaissance sonore aviaire basé sur l’apprentissage automatique dans le logiciel d’analyse bioacoustique (v1.6)19,31, avec les sorties des détecteurs également traitées dans le même logiciel (v1.6)31. Il s’agit d’un logiciel sous licence et n’est pas librement disponible, l’utilisation du flux de travail décrit ici nécessite un accès via une licence institutionnelle ou individuelle. De plus, le modèle de reconnaissance sonore aviaire basé sur l’apprentissage automatique dans le logiciel (v1.6)19,31 ne fonctionne pas actuellement sur les appareils Apple avec architecture processeur ARM (puces M1 ou M2), cependant ce protocole est compatible avec les ordinateurs basés sur macOS équipés de CPU Intel et de systèmes d’exploitation Windows

1. Collecte de données audio

  1. Préparer les ARU pour le déploiement
    1. Insérer des piles dans les ARU (des piles alcalines rechargeables ont été utilisées lors de cette expérience).
    2. Insérez des cartes mémoire amovibles de taille appropriée par rapport à la quantité de données à collecter (des cartes mémoire amovibles de 2 Go ont été utilisées lors de cette expérience).
      Note : Pour les plannings d’enregistrement produisant 108 fichiers d’une minute par jour sur une période de 30 jours (voir l’étape 1.2.5.2), chaque fichier faisait environ 5760 kB, ce qui donne un volume total de données de 622 Mo. Avec une consommation énergétique quotidienne estimée à 26 mAh. Par conséquent, des cartes mémoire amovibles d’une capacité de 2 Go ont été utilisées pour les résultats représentatifs afin d’offrir un stockage suffisant. De plus, les piles alcalines rechargeables conservaient la puissance utilisable le plus longtemps, contrairement aux batteries lithium AA et aux NiMH rechargeables, dans les conditions de test.
  2. Configurez chaque ARU pour le déploiement
    1. Téléchargez l'« application de mise à jour du firmware des appareils ARU »39 et l'« application de configuration des appareils ARU » depuis la page de téléchargement de l’application sur le site de l’ARU41.
    2. Connectez les ARU individuellement à un ordinateur à l’aide d’un câble de transfert de données.
    3. Assurez-vous que l’appareil est en mode USB/Off .
    4. Utilisez l’application 'ARU device firmware update application'39 pour mettre à jour les appareils vers le dernier firmware.
    5. Utilisez l’application de configuration des dispositifs ARU'40 pour configurer les ARU afin qu’ils enregistrent à une heure cible de la journée pendant un nombre de jours sélectionné. Déterminez les périodes d’enregistrement active et les intervalles de sommeil.
      1. Identifiez les fenêtres temporelles où les espèces cibles sont les plus actives (par exemple, le chœur de l’aube pour les oiseaux diurnes) et planifiez les périodes d’enregistrement en conséquence.
      2. Fixez un cycle de travail approprié, en précisant combien de temps les ARU enregistrent activement par rapport au mode veille.
        Exemple : Pour ces résultats représentatifs, les ARU étaient programmés pour enregistrer quotidiennement entre 4h00 et 9h00 et 17h00 à 21h00 du1er juin au 30juin 2023. Ces fenêtres temporelles ont été choisies pour capturer à la fois les chœurs de l’aube et du crépuscule. Pendant les périodes actives, les appareils enregistraient des fichiers WAV de 1 minute suivis d’un intervalle sommeil de 4 minutes, ce qui donnait un total de 108 enregistrements de 1 minute par jour.
        Note : Les ARU peuvent enregistrer en continu, mais cela augmente rapidement la consommation de batterie et l’utilisation des cartes mémoire amovibles.
      3. Utilisez l’application de configuration des dispositifs ARU 42 pour régler les dispositifs afin d’enregistrer à une fréquence d’échantillonnage de 48 kHz, comme recommandé pour capturer une gamme complète de vocalisations d’oiseaux34,35 et avec un gain moyen (généralement laissé par défaut sauf enregistrement dans des environnementsbruyants 34,35). D’autres taux d’échantillonnage peuvent être utilisés selon la fréquence des vocalisations des espèces cibles, par exemple pour la faune ultrasonique, comme les chauves-souris ou les amphibiens, utilisent un taux d’échantillonnage de 384 kHz35.
    6. Après avoir configuré tous les ARU, basculez chaque appareil en mode CUSTOM .
  3. Protection et étiquetage des dispositifs
    1. Insérez chaque dispositif ARU dans un sac antistatique Ziplock. Utilisez du ruban étanche supplémentaire si nécessaire pour éviter les dégâts des eaux. Placez des sachets de gel de silice à l’intérieur des sacs pour absorber l’humidité.
    2. Étiquetez chaque ARU par numéro et localisation.
  4. Déploiement de l’ARU
    1. Déterminez les emplacements où les ARU seront déployées dans l’habitat de l’espèce cible.
    2. Déploiez les ARU à des distances d’espacement adaptées aux besoins de l’étude et aux espèces ciblées.
      Note : La distance de détection dépend de l’habitat, du bruit de fond et du volume d’appel de l’espèce. Alors que les espèces bruyantes (par exemple, le baltro d’Eurasie) peuvent être détectées par des ARU jusqu’à 800 m, les enregistrements se dégradent à plus longue distance, limitant les mesures à l’échellefine à 20. Ici, une ARU par site a été analysée, avec des unités espacées d’environ 100 m pour assurer une bonne couverture spatiale et des vocalisations claires. Ajustez l’espacement selon l’espèce, l’habitat et les objectifs du projet.

2. Utilisation du module détecteur d’apprentissage automatique dans le logiciel d’analysebioacoustique 19,31 pour la détection automatique des espèces

  1. Transfert des données audio
    1. Après la fin de la période de déploiement, retirez les cartes mémoire amovibles des ARU, en notant quelles cartes mémoire amovibles correspondent à chaque ARU numérotée.
    2. Transférez tous les fichiers WAV de chaque carte mémoire amovible vers un ordinateur à l’aide d’un lecteur de carte.
    3. Organisez tous les fichiers WAV générés par chaque ARU dans des dossiers identifiés avec le numéro et l’emplacement correspondants de l’ARU.
    4. Sauvegardez les versions de sauvegarde de toutes les données sur d’autres appareils. Point de pause : Le protocole peut être mis en pause ici.
    5. Restreignez l’accès à ces données aux chercheurs autorisés du projet et veillez à ce que les données soient protégées par mot de passe pour préserver la confidentialité, en particulier lorsque des activités humaines ont pu être enregistrées par inadvertance.
  2. Configurez le module détecteur d’apprentissage automatique
    1. Ouvrez le logiciel d’analyse bioacoustique31 et, dans le menu déroulant, sélectionnez Outils > détecteur > détecteur d’apprentissage.
    2. Dans la fenêtre Choisir les entrées du détecteur , sélectionnez Parcourir. Dans la fenêtre suivante Ouvrir les fichiers sonores , sélectionnez tous les fichiers WAV dans le dossier ARU concerné et cliquez sur Ouvrir (Fichiers supplémentaires S1 et S2).
    3. Dans la fenêtre Configurer un nouveau son qui s’ouvre, sous Pagination > Son de page, saisissez la taille de page appropriée pour la durée de chaque enregistrement (par exemple, 60 s pour des fichiers WAV de 1 min) (fichier supplémentaire S3).
    4. Dans la même fenêtre Configurer un nouveau son, sous Plusieurs fichiers , sélectionnez Ouvrir comme séquence de fichiers dans une fenêtre, puis cliquez sur OK (Fichier supplémentaire S3).
    5. Dans la fenêtre de retour Choisir les entrées du détecteur , sélectionnez Forme d’onde sous Signaux et vues disponibles à droite et cliquez sur le bouton flèches << pour le déplacer dans Entrées requises. Confirmez que le statut dans la case Entrées requises indique Prêt !, puis cliquez sur OK (Fichier Supplémentaire S4).
    6. Dans la fenêtre Configurer le détecteur d’apprentissage automatique qui apparaît, sous l’onglet Entrées , sélectionnez le modèle désiré dans Select Model. Lors de l’analyse des espèces d’oiseaux, on utilise le modèle mondial de classification aviaire, qui, parmi diverses mises à jour, inclut plus de 3000 à 6000 espècesd’oiseaux 19 (Fichier supplémentaire S5).
    7. Dans l’onglet Entrées , laissez le chevauchement au point par défaut de 0 s pour éviter toute interférence avec l’analyse suivante du seuil de score de confiance (fichier supplémentaire S5).
    8. Dans l’onglet Sorties , sélectionnez le menu déroulant Fichier de classes de sortie et sélectionnez la liste de sortie liée à la localisation géographique de l’étude (Fichier Supplémentaire S6).
    9. Sous l’onglet Sorties , une liste des espèces d’oiseaux pertinentes pour le fichier de classe de sortie choisi apparaîtra. Baissez le seuil à 0,1 et sélectionnez Appliquer tout, assurez-vous que toutes les valeurs sous le seuil sont désormais à 0,1 dans la liste (fichier supplémentaire S6).
    10. Sélectionnez l’option Supprimer toutes les espèces et les coches apparaîtront dans toutes les cases de la liste des espèces. Ensuite, localiser l’espèce cible et la décocher dans la colonne Supprimer (Fichier supplémentaire S6).
    11. Sélectionnez OK pour lancer le Détecteur d’Apprentissage, cela traitera les fichiers et créera des sélections où il détectera les vocalisations de l’espèce cible.
    12. Surveillez le gestionnaire de progression pour suivre le pourcentage d’achèvements et le temps restant (fichier supplémentaire S7).
  3. Sauvegardez la sortie du détecteur d’apprentissage
    Note : Une table du détecteur d’apprentissage sera générée lors du traitement et affichée sous la vue du spectrogramme. Les sélections numérotées dans ce tableau correspondent aux sélections identifiées par le détecteur sur la vue spectrogramme. Chaque sélection est fixée à 3 secondes de durée et peut ne pas toujours être répétée sur toute la vocalisation détectée. Chaque sélection se voit attribuer une étiquette d’identification et un score dans le tableau de sélection (Fichier supplémentaire S8). Ces scores sont une prédiction sans unités et seront utilisés dans l’analyse de régression logistique aux étapes suivantes.
    1. Sélectionnez le fichier > Enregistrer la table de sélection « Détecteur d’apprentissage » en tant que et enregistrez le fichier en utilisant le nom ARU et un identifiant tel que : AM1_LearningDetectorTable_Original.txt.

3. Créer des tables de précision pour les espèces cibles à un ARU représentatif de chaque lieu d’étude

  1. Préparez le jeu de données de validation
    1. Ouvrez la table de sélection du détecteur d’apprentissage qui a été enregistrée à l’étape 2.3.1 et transférez-la vers un logiciel de tableur.
    2. Confirmez que seule l’espèce cible apparaît sous la colonne Étiquette .
    3. Supprimez toutes les colonnes sauf celles de Sélection et de Score.
    4. Aléatoirez les lignes en utilisant la fonction de randomisation du tableur (par exemple, ajoutez une colonne avec =RAND(), triez cette colonne, puis supprimez la colonne de randomisation).
    5. Conserver les 300 premières détections aléatoires, si moins de 300 existent, conserver toutes les détections.
      Note : Sélectionner 300 détections pour validation est standard dans des études similaires utilisant 1 mois de données acoustiques24. Cette taille d’échantillon estime de manière fiable la précision et les taux d’étiquetage erroné, capture une gamme de scores de détection et maintient la charge de travail gérable. Plus de sélections peuvent être nécessaires pour des ensembles de données plus longs.
    6. Sauvegardez le jeu de données de validation en utilisant le nom ARU en cours d’analyse et un identifiant tel que : AM1_ValidationDataset.xlsx.
  2. Préparez un logiciel d’analyse bioacoustique pour une validation manuelle
    1. Ouvre le logiciel31, sélectionne Fichier > Ouvrir Fichiers sonores... et dans la fenêtre Ouvrir les fichiers sonores , sélectionnez tous les fichiers WAV correspondants pour l’ARU en cours d’analyse, puis cliquez sur Ouvrir.
    2. Dans la fenêtre Configurer un nouveau son qui s’ouvre, sous Paginage, sélectionnez Son de page et entrez la taille de page utilisée à l’étape 2.2.3. Sous Plusieurs fichiers , sélectionnez Ouvrir en séquence de fichiers dans une fenêtre et sélectionnez OK.
    3. Naviguer jusqu’au fichier > ouvrir la table de sélection... et ouvrir la table de détection d’apprentissage pour l’ARU analysée, sauvegardée à l’étape 2.3.1.
    4. Dans le panneau à gauche de la vue Son, sous l’onglet Mises en page, dans Vues :, désélectionnez la vue Forme d’onde afin que tous les fichiers s’affichent en vue Spectrogramme afin de permettre une confirmation visuelle de la structure vocalise.
  3. Valider les sélections aléatoires
    1. Parallèlement au logiciel d’analysebioacoustique 31 avec les données préparées prêtes à être validées manuellement, ouvrez le tableau de validation enregistré à l’étape 3.1.6.
    2. Créez une nouvelle colonne dans le tableau intitulée Correctement détecté.
    3. Localiser chaque numéro de sélection de la liste aléatoire dans la vue spectrogramme et entrer dans la colonne Correctement détecté (1) ou incorrectement détecté (0) s’il a été correctement détecté.
  4. Calculer la précision du détecteur
    1. Calculez la précision du détecteur (avant la régression logistique) pour l’ARU et l’espèce cible en utilisant la formule suivante :
    2. Précision ( %) = (Nombre de détections correctes/Total des détections validées) x 100
    3. Pour les ensembles de données avec une précision de 90 % ou plus, conservez les réglages actuels du détecteur.
    4. Pour les ensembles de données avec une précision inférieure à 90 %, poursuivez la section 4 pour ajuster une analyse de régression logistique afin de déterminer le seuil optimal pour régler le détecteur en fonctionnement.
      Note : Lorsque la précision descend en dessous de 90 %, des taux élevés d’erreurs d’étiquetage rendent difficile l’extraction fiable des vocalisations sans ajustement du seuil. Un seuil de 90 % équilibre la fiabilité de la détection avec une taille d’échantillon adéquate. Les études précédentes de calibration des modèles de reconnaissance sonore aviaire basées sur l’apprentissage automatique considèrent également que des taux de précision de 90 % et plus sont suffisammentfiables à 42.

4. Effectuer une analyse de régression logistique sur les tables de validation afin de générer un seuil optimal de score de confiance

  1. Générez des seuils de score de confiance en utilisant les21 recommandations de Wood & Kahl
    1. Utilisez le logiciel R32 pour importer le jeu de données de validation créé dans la section 3.
    2. Effectuez une régression logistique en utilisant la fonction de modélisation linéaire généralisée avec la famille comme binomiale sur le jeu de données.
    3. Fixez la probabilité de précision souhaitée à 0,9, cela signifie que la probabilité qu’une détection soit un vrai positif sera de 90 % ou plus.
      Note : Fixer la probabilité de précision souhaitée à 0,9 garantit que la plupart des détections sont des vrais positifs, cependant, même à ce niveau, des faux positifs peuvent survenir dans de grands ensembles de données acoustiques et les utilisateurs doivent être conscients de cette limitation. Un seuil de précision de 90 % permet aux utilisateurs de maintenir un grand nombre de détections correctes, tout en conservant suffisamment de données pour une analyse robuste, visant 100 % limiterait les données utilisables.
    4. Calculez le seuil optimal en résolvant l’équation de régression logistique ajustée pour la valeur prédictive (score de confiance) qui donne une probabilité prédite de 0,9 en utilisant le script d’analyse de régression logistique ci-dessous :
      figure-protocol-1
      p = 0,9, et β0 et β1 sont l’interception et la pente du modèle ajusté
      Script d’analyse de régression logistique pour logiciels de calcul statistique
      # Table de validation de charge
      ThresholdRobin <-read.csv('ValidationTableRobin.csv')
      # Exécuter la régression logistique
      Model1<-glm(Correctement.Détecté~Score, data=SeuilRobin, famille='binomial')
      Modèle 1
      # Probabilité souhaitée supérieure à 90 % de précision
      p <- 0,9 # le p désiré (probabilité de vrai positif)
      seuil <- (log(p/(1-p))- Coefficients 1$11] / Coefficients 1$1 [2]
      Note : Au lieu d’utiliser le score logit comme dans les étudesprécédentes 24,27 comme variable indépendante, utilisez les scores bruts de confiance comme variable indépendante. Dans les21 directives de Wood et Kahl, il est mentionné que soit les scores bruts de confiance, soit des versions rétro-transformées peuvent être utilisées.
  2. Appliquez le score de confiance optimal
    1. Ouvre le logiciel d’analyse bioacoustique31.
    2. Relancez le détecteur d’apprentissage sur l’ARU en cours d’investigation en suivant les étapes de la section 2. Cependant, cette fois, dans le processus de configuration, le seuil pour l’espèce cible détectée doit être modifié pour atteindre le seuil déterminé à la section 4.1 du protocole.
    3. (Optionnel) Augmentez le chevauchement à 2 secondes pour augmenter la résolution de détection.
      Note : La valeur de chevauchement détermine dans quelle mesure les segments adjacents détectés se chevauchent. À 0 s, des vocalisations sur les bordures de segments peuvent être manquées (faux négatifs). L’augmentation du chevauchement améliore la résolution de détection et la puissance prédictive mais ralentit l’analyse19,29. Ici, pour la régression logistique, un chevauchement par défaut de 0 s a été utilisé. Avec les résultats représentatifs et les seuils de score de confiance calculés dans l’analyse de régression logistique, un chevauchement de 0 et 2 s est testé.
    4. Une nouvelle liste de détections sera créée qui devrait désormais être plus précise, avec moins de faux positifs (voir Résultats).
    5. Sauvegardez la nouvelle sortie du détecteur d’apprentissage avec la liste des détections générées en utilisant le seuil de score de confiance dérivé en sélectionnant la table de sélection de sauvegarde du fichier > « Détecteur d’apprentissage » comme et en enregistrant le fichier en utilisant le nom ARU et un identifiant tel que : AM1_LearningDetectorTable_OptimisedThreshold.txt.
    6. Ce fichier représente le jeu de données final validé généré par le protocole. Utilisez la table de sélection du détecteur d’apprentissage optimisé enregistrée comme sortie finale de ce protocole. Veuillez noter que les analyses ultérieures, telles que l’annotation des vocalisations et l’extraction des paramètres acoustiques, ne relèvent pas du cadre de cette méthode.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Pour illustrer l’efficacité du protocole décrit, nous présentons des résultats représentatifs issus de l’analyse des données acoustiques pour le merle européen (Erithacus rubecula) collectées sur trois sites d’environnements variés et d’assemblages d’espèces aviaires, dont un parc à Liverpool (ARU 1), un site boisé à régénération naturelle au sein du parc national des Cairngorms (ARU 2), et un site suburbain à Glasgow (ARU 3). Ces exemples démontrent comment l’application de seu...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

L’utilisation du protocole décrit dans cet article offre une méthode fiable et simplifiée pour générer des ensembles de données spécifiques à chaque espèce et précisément classifiés de vocalisations d’oiseaux, ce qui s’est avéré utile lors de la gestion de grands ensembles de données audio. Nous avons choisi de tester le protocole sur le Merle européen en raison de sa bien connue variabilité structurelle et fréquentielle dans ses répertoiresde chansons 43. Cela si...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont aucun intérêt financier concurrent.

Remerciements

Nous remercions l’Université Liverpool John Moore pour ses conseils et ses ressources. Nous remercions également la Wild Animal Initiative (WAI) pour son soutien financier, cette recherche a été financée par des subventions WAI (S-2023–00038).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Unités d’enregistrement autonomes v1.2.0Dispositifs acoustiques ouvertsN/AUnité d’enregistrement autonome (ARU)
Logiciel d’analyse bioacoustique v1.6.5Laboratoire d’ornithologie de CornellRRID : SCR_016190Logiciel d’analyse sonore
Câble de transfert de donnéesDivers fabricantsN/AUtilisé pour transférer des données depuis des appareils
Applications de configuration des dispositifsDispositifs acoustiques ouvertsN/AApplications pour configurer AudioMoths
Module détecteur d’apprentissage automatique v2.4Laboratoire d’ornithologie de CornellN/ADétecteur d’apprentissage automatique   ;
Piles alcalines rechargeablesDivers fabricantsN/AAlimentation électrique pour les unités d’enregistrement
Cartes mémoire amoviblesDivers fabricantsN/AStockage des données pour les enregistrements
Logiciels de calcul statistiqueÉquipe R CoreRRID : SCR_001905Logiciels de calcul statistique

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Mots-clés

D tection du rouge gorge familiersurveillance acoustique passived tecteur par apprentissage automatiqueanalyse bioacoustiqueunit s d enregistrement autonomesseuil de score de confiance
Améliorer la précision de détection d'un modèle de reconnaissance sonore aviaire via la régression logistique de grands ensembles de données acoustiques : étude de cas du rouge-gorge européen (Erithacus rubecula)
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.