הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

שיפור דיוק הגילוי של מודל זיהוי קול של עופות באמצעות רגרסיה לוגיסטית של מאגרי נתונים אקוסטיים גדולים: מחקר מקרה של הרובין האירופי (Erithacus rubecula)

438 צפיות

⸱

DOI:

10.3791/70479

⸱

11 באפריל 2026

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

במאמר זה

סיכום

מטרת פרוטוקול זה היא לקבוע את ספי דירוג האמון הספציפיים למין ולאתר באמצעות רגרסיה לוגיסטית לשיפור דיוק הגילוי במאגרי נתונים אקוסטיים גדולים המעובדים באמצעות תוכנות זיהוי אקוסטיות אוטומטיות.

תקציר

ניטור אקוסטי פסיבי (PAM) הפך לכלי יקר ערך למחקר המגוון הביולוגי, המאפשר איסוף לא-פולשני של מאגרי נתונים עצומים. עם זאת, אתגר משמעותי נותר בעיבוד יעיל ואמין של כמות הנתונים הגדולה הזו כדי להפיק מידע ספציפי למין ממיקומים שונים. מאמר זה מציג פרוטוקול מפורט שלב אחר שלב להתמודדות עם אתגר זה באמצעות מודול גלאי למידת מכונה בתוך תוכנת ניתוח ביואקוסטיקה. המתודולוגיה נועדה לזהות ולאמת במדויק ובביטחון קולות של ציפורים מתוך הקלטות אקוסטיות גולמיות.

הפרוטוקול שלנו מפרט את התהליך מהאיסוף הראשוני של נתונים באמצעות יחידות הקלטה אוטונומיות (ARUs) ועד לדור הסופי של מערך נתונים איכותי עם הערות. השלבים המרכזיים כוללים הגדרת מודול גלאי למידת המכונה ליצירת זיהויים ראשוניים, הליך אימות ידני לחישוב טבלאות דיוק, וניתוח רגרסיה לוגיסטית לקביעת סף ייחודי למין וכאשר מתאים, סף דירוג אמון ספציפי למיקום. סף זה שנגזר סטטיסטית משמש אז לשיפור פלט הגלאי, ונבדק על שתי תצורות חפיפה (0 שניות ו-2 שניות). אנו מראים כי יישום ספי הביטחון האופטימליים שנגזרים משפר משמעותית את דיוק זיהוי מודלי זיהוי קול עופות מבוססי למידת מכונה בין האתרים. בשלושת האתרים ששימשו להמחשת התהליך (ליברפול פארק, קיירנגורמס וגלזגו סוברבן) הדיוק עלה ב-26.1%, 17.7% ו-17% לחפיפה של 0 שניות, וב-28.77%, 16.87% ו-15% לחפיפה של 2 שניות. אנו מציעים שהמתודולוגיה המתקבלת עדיפה על שיטות ספירה ידנית הן במהירות והן באמינות. לסיכום, מאמר זה מספק מסגרת ניתנת לשחזור המאפשרת שימוש נגיש ויעיל בגישות למידת מכונה בביואקוסטיקה, ומאפשרת לחוקרים לנצל בביטחון מאגרי נתונים אקוסטיים גדולים למחקרים אקולוגיים וניתוח פרמטרים.

מבוא

קולות בעלי חיים מציעים תובנות חשובות על העולם הטבעי ומשמשים ככלים ביולוגיים רבי עוצמה המאפשרים לחוקרים לחקור היבטים שונים של חיי בעלי חיים1. תחום הביואקוסטיקה הפך לחשוב יותר ויותר במעקב ושימור המגוון הביולוגי, מסייע בזיהוי מינים ובהערכת מגמות אוכלוסייה ובריאות המערכת האקולוגית 2,3,4. תחום מחקר זה תורם גם להבנתנו את התנהגות בעלי החיים, לדוגמה, בתקשורת ובשימוש בבית גידול 5,6. לאחרונה הוכח כגישה מבטיחה להערכת רווחת בעלי חיים 7,8.

אחד היתרונות המרכזיים בשימוש בניתוח אקוסטי ככלי מחקר הוא ההתקדמות הטכנולוגית האחרונה ביחידות הקלטה אוטונומיות (ARUs), המאפשרות לחוקרים לנטר קולות בעלי חיים באופן לא פולשני ומרחוק לתקופות ממושכות, טכניקה הידועה כמעקב אקוסטי פסיבי (PAM)9. דבר זה אפשר איסוף נתונים ממינים מסתוריים ללא התערבות אנושית10,11. בנוסף, יחידות ARU הן חסכוניות וממזערות את הצורך בחוקרים מיומניםלהיות בשטח. מחקר על הצ'אנר הלילי האירופי המסתורי (Caprimulgus europaeus) הראה יתרונות אלו, וגילה כי השימוש ב-ARU היה יעיל משמעותית יותר מזה של צופים אנושיים בזיהוי המין12. מחקרים ביואקוסטיים רחבי היקף הופכים לפופולריים יותר ויותר, משום שהם יכולים לספק תובנות במגוון היבטים אקולוגיים והתנהגותיים, והם גם שימושיים מאוד ומתאימים למחקרי שטח. עם זאת, ARU שפועלים לפרקי זמן ארוכים גורמים לכך שהחוקרים מתמודדים בהכרח עם האתגר של עיבוד יעיל ואמין של כמויות עצומות של נתונים אקוסטיים13.

לאחרונה, חוקרים החלו לשלב PAM עם כלים אוטומטיים לזיהוי מינים בתוך מאגרי נתונים גדולים, מה שמשפר ומאיץ את העיבוד הכולל של הנתונים. טכניקות אלו מזהות ומסווגות באופן אוטומטי מינים לפי סוג קול13, לעיתים באמצעות מודלים של למידת מכונה ולמידה עמוקה כמו רשתות עצביות מלאכותיות, שזכו לפופולריותבשנים האחרונות. האמינות של תוכנות זיהוי אוטומטיות לעיתים קרובות עדיפה על שיטות ידניות לזיהוי מינים, כפי שהודגם במחקרים על קולות פנדה ענקית (Ailuropoda melanoleuca) 15 ועל מיני צפרדע מלזית16. חשוב לציין שאחד הגורמים המרכזיים לאימוץ גישות אלו הוא מהירות העיבוד, במיוחד כאשר נפח הנתונים האקוסטיים שנוצרים דרך PAM ממשיך לגדולב-13. ניתוח ידני של מאגרי נתונים אקוסטיים גדולים הוא לא יעיל ולא מעשי בקנה מידה רחב, אך כלי זיהוי אוטומטיים יכולים לעבד הקלטות בזמן קצר מאוד מהזמן הנדרש על ידי צופה אנושי. לדוגמה, מחקר אחד דיווח כי 257 שעות של סריקה ויזואלית ידנית שוות ערך לשעה אחת של זמן עיבוד באמצעות BirdNET (מודל זיהוי קול עופות מבוסס למידת מכונה)17.

מודל זיהוי צלילי עופות המבוסס על למידת מכונה הוא אחד מהכלים שזכה לאחרונה לפופולריות בשל שימושו באורניתולוגיה ובמחקרים אקוסטיים נוספים, והוא תוכנה אוטומטית נגישה לזיהוי מיני ציפורים המתבססת על מודל למידה עמוקה18,19. רוב המחקרים עד כה השתמשו במודל זיהוי קול עופות המבוסס על למידת מכונה ליצירת רשימות מינים לאזור מסוים, ובאמצעות אימות אנושי הוכח כי הוא מזהה 89% מהמינים בקהילה, תוך שהוא דורש פחות מרבע מהזמן המשמש לסריקה ויזואליתבלבד. מודל זיהוי קול עופות מבוסס למידת מכונה הוכח גם כמזהה ביעילות את נוכחות מין יעד מסוים באזור, כמו הביטרן האירואסייתי (Botaurus stellaris), עם שיעור הצלחה של 93.7%– 20. עם זאת, למודל זה לעיתים קרובות יש שיעור הצלחה גבוה יותר בשילוב עם אימות ידני ועדיין אינו אמין ככלי זיהוי אוטומטי מלא21. יש גם אתגרים נוספים שיש לקחת בחשבון, לפי ווד וקהל21, בנוגע לייצור תחזיות ללא יחידה.

מודול גלאי למידת המכונה מעניק לכל קול ציפור שזוהה ציון ביטחון כמותי בין 0 ל-1, מה שמציין עד כמה התוכנה בטוחה שהצליל שזוהה נכון כמין מסוים 18,19,21. דיוק, המוגדר כיחס הגילויים שהם חיוביים אמיתיים (כלומר זיהויים נכונים), הוא מדד מרכזי המושפע מציון22 זה. כתוצאה מכך, ציון ביטחון גבוה יותר עשוי להניב פחות זיהויים, אך עם דיוק גבוה יותר, אך להטעות במיוחד בסביבות רועשות, וציון נמוך יותר עשוי להוביל ליותר זיהויים עם פחות דיוק בטוח22,23. הקשר בין ציוני הביטחון לדיוק מורכב, לעיתים קרובות נמצא שחלק מציוני הביטחון הגבוהים יכולים להיות חיוביים שגויים, למשל במקומות עם רמות גבוהות של רעש רקע, או במינים שנוטים לחקות קולות של מינים אחרים23,24. עקב השונות בדיוק בין מינים ומיקום, ניתן במהלך תהליך הקונפיגורציה להקצות ספי דירוג ביטחון אישיים לכל מין ציפור, כאשר רק זיהויים עם ציונים מעל אותו סף יסומנו. ניתן ליישם סף גבוה של ציון ביטחון אוניברסלי בכל המינים והמיקומים, אך לעיתים קרובות מעלה את מספר התוצאות השליליות השגויות (זיהויים שלא נכשלו) 22,25,26, בעוד שמספר החיוביים השגויים משתנה בין מינים ועם הבדלים סביבתיים בין ההקלטות.

מספר מחקרים והנחיות לשיטות עבודה מיטביות מציגים שיטות שונות לקביעת סף דירוג ביטחון אופטימלי שבו ניתן להפעיל את מודול גלאי למידת המכונה עבור מינים ומיקומי מחקר מסוימים, מה שמאפשר קבלת גילויים בביטחון רב יותר כחיוביים אמיתיים 21,24,26,27,28 . גישה אחת כוללת חישוב ציוני F בטווח של ספי ביטחון ובחירת הסף שממקסם את ציון ה-F, תוך איזון בין דיוק לזיכרון29,30. גישה חלופית, המאפשרת כיול הסתברות, כוללת אימות ידני של תת-קבוצה אקראית של תחזיות והתאמת רגרסיה לוגיסטית כדי לקבוע קשר בין תוצאת האימות הבינארי (זיהוי נכון/שגוי) לבין ציון האמון21 הנלווה. שיטה זו יכולה לשמש לקביעת ספים ספציפיים להקשר, שניתן להתאים בהתאם למינים ולתנאי סביבה (למשל, רעש רקע משתנה)19. שיטות אלו יושמו במחקרי ניטור אקוסטי פסיבי על קופי יוקטן שחורים (Alouatta pigra), זאבים אפורים (Canis lupus) ותנים (C. latrans)27,28.

מטרת מאמר זה היא להדגים ולאמת מתודולוגיה ניתנת להרחבה לחילוץ מדויק ואמין של נתוני קול ספציפיים למין ממאגרי נתונים אקוסטיים גדולים באמצעות מודל זיהוי קול עופות המבוסס על למידת מכונה בתוך תוכנת ניתוח Pro-Bioacoustics של Raven (גרסה 1.6)19,31. גישה זו משלבת חישוב ספי דירוג האמון המתאימים בהתאםל-21 הנחיות הפרקטיקה המומלצות של ווד וקהל. בעוד שהנחיות21 אלו מספקות מסגרת מקיפה ליישום ציוני ביטחון בתוך מודל זיהוי צליל עופות מבוסס למידת מכונה19, הן מוצגות בעיקר כהמלצות לשיטות עבודה מיטביות. מעט מחקרים יישמו את ההליכים הללו במערכות מחקר מבוזרות של ARU תחת מגבלות ניטור ריאליסטיות, שבהן תנאי האקוסטיקה ורעש הרקע משתנים במרחב22. פרוטוקול זה (איור 1) מתאים במיוחד למחקרי ניטור אקוסטי פסיבי בקנה מידה גדול הכוללים מספר אתרים, סביבות אקוסטיות משתנות או מינים יעד עם שיעורי סיווג שגויים גבוהים. יתרה מזאת, יישום הנחיות אלו בתוכנת ניתוח ביואקוסטיקה (גרסה 1.6)19,31, פלטפורמה נגישה וידידותית יותר למשתמש לעומת סביבות מבוססות קידוד32,33, לא הוכח בעבר.

figure-introduction-1
איור 1: ייצוג סכמטי של כל תהליך העבודה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

כדי להתמודד עם הפער הזה, אנו מיישמים ומאמתים את הפרוטוקול באמצעות מערכי נתונים בקנה מידה גדול שהוקלטו באמצעות AudioMoths - ARUs (גרסה 1.2.0)34,35, במגוון רחב של בתי גידול. המין המוקד שלנו, הרובין האירופי (Erithacus rubecula), מציג שונות שירה גבוהה ומורכבות מבנית36,37, והראה פגיעות לזיהוי שגוי בניתוחי פיילוט ראשוניים. על ידי יישום ספי דירוג ביטחון ספציפיים למין ולאתר על תצורת מודל זיהוי קול עופות מבוסס למידת מכונה בתוך תוכנת ניתוח ביואקוסטיקה19,31, אנו מעריכים את הפרוטוקול בתנאים אקוסטיים משתנים, תוך שילוב רמות רעש רקע שונות והרכבות מינים, ומדגימים כי התאמת אופטימיזציה של סף יכולה לשפר משמעותית את דיוק הגילוי בהשוואה להגדרות ברירת מחדל. גישה זו נועדה בסופו של דבר להקל על יישום נגיש, יעיל ויעיל של מודל זיהוי קול עופות מבוסס למידת מכונה19 במחקרי PAM בקנה מידה גדול, עם קידוד מינימלי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

הצהרת אתיקה
פרוטוקול זה פועל לפי ההנחיות האתיות של אוניברסיטת ג'ון מורס בליברפול. המתודולוגיה כללה ניטור אקוסטי פסיבי בלבד, ולא כללה טיפול, הפרעה או מניפולציה ניסיונית של בעלי חיים. לא נדרשו נהלים מסוכנים לפריסת יחידות ה-ARU. יחידות ARU הוצבו בהתאם למחקר מוסדי ולהנחיות עבודת שטח, והותקנו שילוט מתאים באתרי הקלטה כדי ליידע את הציבור על ניטור אקוסטי. עם זאת, מומלץ מאוד לבדוק תחזיות מזג אוויר לפני ביצוע פעילות בשטח, ולבצע הערכת סיכון לכל אתר שדה.

תוכנה, רישוי ושימוש
הערה: נתוני ARU צריכים להיות מעובדים באמצעות מודל זיהוי קול עופות המבוסס על למידת מכונה בתוך תוכנת ניתוח ביואקוסטיקה (v1.6)19,31, כאשר גם פלטי הגלאי מעובדים באותה תוכנה (v1.6)31. זו תוכנה מורשית ואינה זמינה בחינם, השימוש בזרימת העבודה המתואר כאן דורש גישה דרך רישיון מוסדי או אישי. בנוסף, מודל זיהוי צליל עופות מבוסס למידת מכונה בתוכנה (v1.6)19,31 אינו פועל כיום על מכשירי אפל עם ארכיטקטורת מעבד מבוססת ARM (שבבי M1 או M2), אך פרוטוקול זה תואם למחשבים מבוססי macOS עם מעבדי אינטל ומערכות הפעלה Windows

1. איסוף נתוני אודיו

  1. הכינו יחידות ARU לפריסה
    1. הכנס סוללות ל-ARU (סוללות אלקליין נטענות שימשו במהלך הניסוי).
    2. הכנס כרטיסי זיכרון נשלפים בגודל מתאים ביחס לכמות הנתונים שיש לאסוף (במהלך ניסוי זה נעשה שימוש בכרטיסי זיכרון נשלפים בנפח 2 GB).
      הערה: עבור לוחות זמנים של הקלטה שהפכו 108 קבצים של דקה ביום במשך תקופה של 30 יום (ראו שלב 1.2.5.2), כל קובץ היה בגודל של כ-5760 קילו-בייט, מה שהביא לנפח נתונים כולל של 622 מגה-בייט. עם צריכת אנרגיה יומית מוערכת של 26 mAh. לכן, כרטיסי זיכרון נשלפים בנפח של 2 GB שימשו לתוצאות מייצגות כדי לספק אחסון מספק. בנוסף, סוללות אלקליין נטענות שמרו על אנרגיה שימושית לתקופה הארוכה ביותר, בניגוד לסוללות ליתיום AA וסוללות NiMH נטענות, בתנאי הבדיקה.
  2. הגדר כל ARU לפריסה
    1. הורד את 'אפליקציית עדכון הקושחה למכשירי ARU'39 ואת 'אפליקציית קונפיגורציית התקני ARU'40 מדף 'App Download Page' באתר ARU41.
    2. חבר את ה-ARU בנפרד למחשב באמצעות כבל העברת נתונים.
    3. ודא שהמכשיר מחובר למצב USB/כבוי .
    4. השתמש באפליקציית עדכון הקושחה של מכשירי ARU 39 כדי לעדכן את המכשירים לקושחה העדכנית ביותר.
    5. השתמש באפליקציית 'ARU Device Configuration'40 כדי להגדיר את ה-ARU להקליט בשעה יעד ביום למספר ימים נבחר. קבעו תקופות רישום פעילות ומרווחי שינה.
      1. זהה את חלונות הזמן שבהם המינים היעד פעילים ביותר (למשל, מקהלת השחר לציפורי יום), ותזמן את תקופות הרישום בהתאם.
      2. הגדר מחזור עבודה מתאים, שמפרט כמה זמן ה-ARU מקליטים באופן פעיל לעומת מצב שינה.
        דוגמה: לתוצאות מייצגות אלו, יחידות ARU תוכננו להקליט מדי יום בין 4:00–9:00 בבוקר ובין 17:00–21:00 בין1 ביוני ל-30ביוני 2023. חלונות הזמן הללו נבחרו כדי ללכוד גם את מקהלת השחר וגם את מקהלת הדמדומים. במהלך תקופות פעילות, המכשירים הקליטו קבצי WAV של דקה אחת ואחריהם מרווח שינה של 4 דקות, מה שהוביל לסך של 108 הקלטות של דקה ביום.
        הערה: יחידות ARU יכולות להקליט באופן רציף, אך זה מגדיל במהירות את צריכת הסוללה ואת השימוש בכרטיסי זיכרון נשלפים.
      3. השתמשו באפליקציית 'ARU Device Configuration'42 כדי להגדיר את המכשירים להקליט בקצב דגימה של 48 kHz כפי שמומלץ ללכידת טווח מלא של קולות ציפורים34,35 ועם גיין בינוני (בדרך כלל נשארים כברירת מחדל אלא אם כן מקליטים בסביבות רועשות34,35). ניתן להשתמש בקצבי דגימה נוספים בהתאם לתדירות קולות מין היעד, לדוגמה עבור חיות בר אולטרסוניות, כמו עטלפים או דו-חיים, משתמשים בקצב דגימה של 384 קילוהרץ35.
    6. לאחר הגדרת כל ה-ARUs, העבר כל מכשיר למצב CUSTOM .
  3. הגנה ותיוג מכשירים
    1. הכנס כל מכשיר ARU לשקית זיפלוק אנטיסטטית. השתמש בסרט אטום נוסף לפי הצורך כדי למנוע נזקי מים. הניחו שקיות ג'ל סיליקה בתוך השקיות כדי לספוג לחות.
    2. סמן כל ARU לפי מספר ומיקומו.
  4. פריסת ARU
    1. קבעו מיקומים לפריסת יחידות ARU בתוך בית הגידול של המין היעד.
    2. פרוס יחידות ARU במרחקים המתאימים לדרישות המחקר ולמין היעד.
      הערה: מרחק הגילוי תלוי בבית הגידול, רעש הרקע ועוצמת הקריאה של המין. בעוד שמינים רועשים (למשל, ביטרן אירואסייתי) ניתנים לזיהוי על ידי יחידות ARU עד 800 מטר, ההקלטות מתדרדרות בטווחים ארוכים יותר, מה שמגביל מדידות בקנה מידה עדין20. כאן, ARU אחד לכל אתר, עם יחידות במרחק של כ-100 מטר זו מזו כדי להבטיח כיסוי מרחבי טוב וקולות ברורים. התאימו את המרווחים לפי מין, בית גידול ויעדי הפרויקט.

2. שימוש במודול גלאי למידת מכונה בתוכנת ניתוח ביואקוסטיקה19,31 לזיהוי מינים אוטומטי

  1. העברת נתוני שמע
    1. לאחר סיום תקופת הפריסה, יש להסיר כרטיסי זיכרון נשלפים מה-ARUs, תוך שמירה על אילו כרטיסי זיכרון נשלפים מתאימים לכל ARU ממוספר.
    2. העבר את כל קבצי ה-WAV מכל כרטיס זיכרון נשלף למחשב באמצעות קורא כרטיסים.
    3. ארגן את כל קבצי ה-WAV שנוצרים מכל ARU לתיקיות המסומנות עם מספר ומיקום ה-ARU המתאימים.
    4. שמור גרסאות גיבוי של כל הנתונים על מכשירים נוספים. נקודת הפסקה: ניתן להשהות את הפרוטוקול כאן.
    5. הגבל את הגישה לנתונים אלו לחוקרי פרויקטים מורשים וודא שהנתונים מוגנים בסיסמה לשמירה על סודיות, במיוחד כאשר פעילות אנושית נרשמה בטעות.
  2. הגדר את מודול גלאי למידת המכונה
    1. פתח את תוכנת ניתוח הביואקוסטיקה31 ובתפריט הנפתח בחר בגלאי כלים > גלאי > למידה.
    2. בחלון 'בחר קלטי גלאי ', בחר 'גלישה'. בחלון Open Sound Files הבא, בחר את כל קבצי ה-WAV בתיקיית ARU הרלוונטית ולחץ על Open (Supplementary Files S1 ו-S2).
    3. בחלון Configure New Sound שנפתח, תחת Paging > Page Sound, הזין את גודל העמוד המתאים לאורך כל הקלטה (למשל, 60 שניות עבור דקה אחת של קבצי WAV) (קובץ משלים S3).
    4. באותו חלון Configure New Sound, תחת Multiple Files בחר Open as קובץ בחלון אחד, ואז לחץ על OK (קובץ משלים S3).
    5. בחלון 'בחר קלטי גלאי ' החוזר, בחר צורת גל תחת 'אותות ותצוגות זמינות' מימין ולחץ על כפתור << החצים כדי להעביר אותו ל'קלטים נדרשים'. אשר שהסטטוס תחת תיבת הקלטים הנדרשים מציג מוכן!, ולחץ על אישור (קובץ משלים S4).
    6. בחלון הגדרת גלאי למידת מכונה שמופיע, תחת לשונית הקלטים , בחר את המודל הרצוי מתוך בחירת מודל. בעת ניתוח מיני עופות השתמשו במודל הסיווג הגלובלי של הציפורים, הכולל בין עדכונים שונים מעל 3000–6000 מיני עופות19 (קובץ משלים S5).
    7. בלשונית הקלטים , השאר את החפיפה כברירת מחדל של 0 שניות כדי למנוע הפרעה לניתוח סף ציון הביטחון הבא (קובץ משלים S5).
    8. בלשונית Outputs , בחרו בתפריט הנפתח Output Class File ובחרו את רשימת הפלט המתייחסת למיקום הגאוגרפי של המחקר (Supplementary File S6).
    9. תחת לשונית הפלטים תוצג רשימה של מיני ציפורים הרלוונטיים לקובץ מחלקת הפלט הנבחר. הורידו את הסף ל-0.1 ובחרו ביישום הכל, ודאו שכל הערכים תחת סף נמצאים כעת ב-0.1 ברשימה (קובץ משלים S6).
    10. בחרו באפשרות 'דיכוי כל המינים ' והסימונים יופיעו בכל התיבות ברשימת המינים. לאחר מכן אתר את המין המטרה והסיר את הסימון בעמודת הדיכוי (קובץ משלים S6).
    11. בחר אישור כדי להתחיל את גלאי הלמידה, הוא יעבוד את הקבצים וייצור בחירות שבהן זיהה את קולות המין היעד.
    12. עקבו אחרי מנהל ההתקדמות כדי לעקוב אחרי אחוזי השלמה והזמן שנותר (קובץ משלים S7).
  3. שמור את פלט גלאי הלמידה
    הערה: טבלת גלאי למידה תיווצר במהלך העיבוד ותוצג מתחת לתצוגת הספקטרוגרמה. הבחירות הממוספרות בטבלה זו תואמות לבחירות שזוהו על ידי הגלאי בתצוגת הספקטרוגרמה. כל בחירה קבועה באורך של 3 שניות ולא תמיד תחזור על עצמה לאורך כל הקול המתגלה. לכל בחירה מוקצה תווית זיהוי וציון בטבלת הבחירה (קובץ משלים S8). ציונים אלו הם חיזוי ללא יחידה וישמשו בניתוח רגרסיה לוגיסטית בשלבים הבאים.
    1. בחר קובץ > שמור טבלת בחירה "גלאי למידה" כ - ושמור את הקובץ בשם ה-ARU ובמזהה כגון: AM1_LearningDetectorTable_Original.txt.

3. ליצור טבלאות מדויקות למינים יעדים ב-ARU מייצג מכל מיקום מחקר

  1. הכנת מערך הנתונים של האימות
    1. פתח את טבלת הבחירה של גלאי הלמידה שנשמרה בשלב 2.3.1 והעבר לתוכנת גיליון אלקטרוני.
    2. אשר שרק המין היעד מופיע תחת עמודת התווית .
    3. מחק את כל העמודות מלבד עמודות הבחירה והניקוד.
    4. אקראי את השורות באמצעות פונקציית האקראיות של הגיליון (למשל, להוסיף עמודה באמצעות =RAND(), למיין עמודה זו ואז למחוק את עמודת האקראיות).
    5. שמור את 300 הגילויים האקראיים הראשונים, אם יש פחות מ-300, שמור את כל הזיהויים.
      הערה: בחירת 300 זיהויים לאימות היא סטנדרטית במחקרים דומים תוך שימוש בנתונים אקוסטיים של חודשאחד. גודל המדגם הזה מעריך באופן אמין את הדיוק ושיעורי התיוג השגויים, תופס מגוון ציוני גילוי, ושומר על עומס עבודה שניתן לנהל. ייתכן שיידרשו יותר בחירות למאגרי נתונים ארוכים יותר.
    6. שמור את מערך האימות באמצעות שם ה-ARU המנותח ומזהה כגון: AM1_ValidationDataset.xlsx.
  2. הכינו תוכנת ניתוח ביואקוסטיקה לאימות ידני
    1. פתח את התוכנה31, בחר קובץ > פתוח קבצי קול... ובחלון Open Sound Files בחר את כל קבצי ה-WAV המתאימים ל-ARU המנותח, ולחץ על Open.
    2. בחלון Configure New Sound Window שנפתח, תחת Paging, בחר Page Sound והזן את גודל העמוד ששימש בשלב 2.2.3. תחת מספר קבצים בחר 'פתח כרצף קבצים בחלון אחד' ובחר אישור.
    3. עבור לקובץ > פתוח טבלת בחירה... ולפתוח את טבלת זיהוי הלמידה עבור ה-ARU המנותח שנשמרת בשלב 2.3.1.
    4. בפאנל משמאל לתצוגת הסאונד , תחת לשונית Layouts, ב-Views:, בטל את תצוגת Waveform כך שכל הקבצים יוצגו בתצוגת Spectrogram כדי לאפשר אישור חזותי של מבנה הקול.
  3. אימות בחירות אקראיות
    1. לצד תוכנת ניתוח ביואקוסטיקה31 , כאשר הנתונים המוכנים מוכנים לאימות ידני, פתחו את גיליון האימות שנשמר בשלב 3.1.6.
    2. צור עמודה חדשה בגיליון האלקטרוני המסומן 'זוהה נכון'.
    3. אתר כל מספר בחירה מתוך הרשימה האקראית בתצוגת הספקטרוגרמה והזן אם זוהה נכון (1) או לא נכון (0) לעמודת 'זוהה נכון '.
  4. חישוב דיוק הגלאי
    1. חשב את דיוק הגלאי (לפני הרגרסיה הלוגיסטית) עבור ה-ARU והמינים המטרה באמצעות הנוסחה:
    2. דיוק (%) = (מספר גילויים נכונים/סך כל הגילויים המאומתים) x 100
    3. למערכי נתונים עם דיוק של 90% ומעלה, שמור על הגדרות הגלאי הנוכחיות.
    4. עבור מערכי נתונים עם דיוק נמוך מ-90%, יש להמשיך לסעיף 4 כדי להתאים לניתוח רגרסיה לוגיסטית ולקבוע את הסף האופטימלי להגדיר את הגלאי לפעול.
      הערה: כאשר הדיוק יורד מתחת ל-90%, שיעורי תיוג שגויים גבוהים מקשים על חילוץ אמין של קולות ללא התאמת סף. סף של 90% מאזן את אמינות הגילוי עם גודל מדגם מספק. מחקרים קודמים במודל כיול קול של עופות מבוססי למידת מכונה גם הם רואים בשיעורי דיוק של 90% ומעלה כאמיניםמספיק 42.

4. לבצע ניתוח רגרסיה לוגיסטית על טבלאות האימות כדי ליצור סף דירוג ביטחון אופטימלי

  1. יצר ספי דירוג ביטחון, תוך שימושב-21 ההנחיות של ווד & קהל
    1. השתמש בתוכנה R32 כדי לייבא את מערך הנתונים של האימות שנוצר בסעיף 3.
    2. הרץ רגרסיה לוגיסטית באמצעות פונקציית המידול הלינארי המוכללת, כאשר המשפחה היא בינומיאלית על מערך הנתונים.
    3. הגדר את ההסתברות הרצויה לדיוק כ-0.9, כלומר ההסתברות שהזיהוי הוא חיובי אמיתי תהיה 90% ומעלה.
      הערה: הגדרת ההסתברות הרצויה לדיוק ל-0.9 מבטיחה שרוב הגילויים הם חיוביות אמיתיות, אך גם ברמה זו עלולות להתרחש חיוביות שגויות במאגרי נתונים אקוסטיים גדולים והמשתמשים צריכים להיות מודעים למגבלה זו. סף דיוק של 90% מאפשר למשתמשים לשמור על מספר גבוה של גילויים נכונים, תוך שמירה על מספיק נתונים לניתוח חזק, המטרה ל-100% תגביל את הנתונים השימושיים.
    4. חשב את הסף האופטימלי על ידי פתרון משוואת הרגרסיה הלוגיסטית המותאמת עבור ערך המנבא (ציון ביטחון) שמניב הסתברות חזויה של 0.9 באמצעות סקריפט ניתוח רגרסיה לוגיסטית למטה:
      figure-protocol-1
      p = 0.9, ו-β0 ו-β1 הם החתך והשיפוע מהמודל המותאם
      סקריפט ניתוח רגרסיה לוגיסטית לתוכנת מחשוב סטטיסטי
      # טבלת אימות טעינה
      ThresholdRobin <-read.csv('ValidationTableRobin.csv')
      # הרץ רגרסיה לוגיסטית
      Model1<-glm(Correct.Detected~Score, data=ThresholdRobin, family='binomial')
      מודל1
      # הסתברות רצויה מעל 90% דיוק
      p <- 0.9 # ההסתברות הרצויה p (הסתברות לחיוב אמיתי)
      סף <- (log(p/(1-p))- מודל1$מקדמי[1]) / מודל1$מקדמי [2]
      הערה: במקום להשתמש בציון Logit כפי שהיה במחקרים קודמים24,27 כמשתנה בלתי תלוי, השתמשו בציוני הביטחון הגולמיים כמשתנה הבלתי תלוי. ב-21 ההנחיות של ווד וקהל מצוין שניתן להשתמש בציוני הביטחון הגולמיים או בגרסאות המועברות לאחור.
  2. החלו את ציון הביטחון האופטימלי
    1. פתח את תוכנת ניתוח הביואקוסטיקה31.
    2. הרץ מחדש את גלאי הלמידה על ה-ARU הנחקר באמצעות השלבים בסעיף 2. עם זאת, הפעם בתהליך ההגדרה, יש לשנות את סף המינים המטרה המזוהים לסף שנקבע בסעיף 4.1 של הפרוטוקול.
    3. (אופציונלי) הגדל את החפיפה ל-2 שניות כדי להגדיל את רזולוציית הגילוי.
      הערה: ערך החפיפה קובע כמה מקטעים סמוכים שזוהו חופפים. ב-0 שניות עלולות להחמיץ קולות בגבולות המקטעים (שליליות שגויה). הגדלת החפיפה משפרת את רזולוציית הגילוי ואת כוח החיזוי אך מאטה את הניתוח19,29. כאן, עבור רגרסיה לוגיסטית, השתמשו בחפיפה ברירת מחדל של 0 שניות. עם התוצאות המייצגות וספי ציון הביטחון המחושבים בניתוח הרגרסיה הלוגיסטית, נבדקת חפיפה של 0 ו-2 שניות.
    4. תיווצר רשימה חדשה של זיהויים, שכעת אמורה להיות מדויקת יותר, עם פחות חיוביים שגויים (ראו תוצאות).
    5. שמור את פלט גלאי הלמידה החדש עם רשימת הגילויים שנוצרו באמצעות סף ציון האמון הנגזר על ידי בחירת קובץ > שמירת טבלת הבחירה "גלאי למידה" As ושמור את הקובץ בשם ה-ARU ובמזהה כגון: AM1_LearningDetectorTable_OptimisedThreshold.txt.
    6. קובץ זה מייצג את מערך הנתונים המאומת הסופי שנוצר על ידי הפרוטוקול. השתמשו בטבלת בחירת גלאי הלמידה האופטימלית השמורה כפלט הסופי של פרוטוקול זה. יש לשים לב כי ניתוחים מאוחרים יותר, כגון הערות קוליות וחילוץ פרמטרים אקוסטיים, אינם בתחום השיטה הזו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

כדי להמחיש את יעילות הפרוטוקול המתואר, אנו מציגים תוצאות מייצגות מניתוח הנתונים האקוסטיים של הרובין האירופי (Erithacus rubecula) שנאספו בשלושה אתרים בסביבות שונות ובקבוצות מינים של עופות, כולל פארק בליברפול (ARU 1), אתר יער המתחדש באופן טבעי בתוך הפארק הלאומי קיירנגורמס (ARU 2), ואתר פרברי בגלזגו (ARU 3). דוגמאות אלו מראות כיצד יישום ספי ציון ביטחון שמקורם סטטיסטית יכול לשפר את דיוק הגילוי בסביבות אקוסטיות משתנות. במחקר זה, תוצאה מוצלחת הוגדרה כדיוק גילוי ≥ 90% לאחר אופטימיזציה ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

השימוש בפרוטוקול המתואר במאמר זה מספק שיטה אמינה ויעילה ליצירת מערכי נתונים ספציפיים למינים ומסווגים במדויק של קולות ציפורים, שיטה שהוכחה כשימושית בטיפול במאגרי שמע גדולים. בחרנו לבדוק את הפרוטוקול על הרובין האירופי בשל השונות המבנית והתדרית הידועה שלו ברפרטואר השירים43. כלומר, בתחילה נמצאו גילויים עם שיעורי תיוג שגוי (חיוביים שגויים) גבוהים (טבלה 1). כמו כן, אימתנו את השימוש בשיטות אלו באמצעות בדיקות לאחר פרוטוקול לחישוב שיעורי דיוק באמצעות ספי צ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

לסופרים אין אינטרס פיננסי מתחרה.

תודות

אנו מודים לאוניברסיטת ג'ון מור של ליברפול על ההכוונה והמשאבים. אנו גם מודים ליוזמת חיות הבר (WAI) על מימון התמיכה, מחקר זה מומן על ידי מענקי WAI (S-2023–00038).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
יחידות הקלטה אוטונומיות v1.2.0מכשירים אקוסטיים פתוחיםלא זמיןיחידת הקלטה אוטונומית (ARU)
תוכנת ניתוח ביואקוסטיקה v1.6.5מעבדת אורניתולוגיה של קורנלRRID:SCR_016190תוכנת ניתוח קול
כבל העברת נתוניםיצרנים שוניםלא זמיןמשמש להעברת נתונים ממכשירים
יישומי קונפיגורציית מכשיריםמכשירים אקוסטיים פתוחיםלא זמיןאפליקציות להגדרת AudioMoths
מודול גלאי למידת מכונה v2.4מעבדת אורניתולוגיה של קורנללא זמיןגלאי למידת מכונה 
סוללות אלקליין נטענותיצרנים שוניםלא זמיןאספקת כוח ליחידות הקלטה
כרטיסי זיכרון נשלפיםיצרנים שוניםלא זמיןאחסון נתונים להקלטות
תוכנת מחשוב סטטיסטיתקבוצת הליבה RRRID:SCR_001905תוכנות מחשוב סטטיסטיות

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

שיפור דיוק הגילוי של מודל זיהוי קול של עופות באמצעות רגרסיה לוגיסטית של מאגרי נתונים אקוסטיים גדולים: מחקר מקרה של הרובין האירופי (Erithacus rubecula)
צור קשר
המלצה לספרייה

פרטיות

תנאי שימוש

מדיניות

2026 © זכויות יוצרים MyJoVE Corporation. כל הזכויות שמורות.