Articolo metodologico

Migliorare la precisione di rilevamento di un modello di riconoscimento acustico aviario tramite regressione logistica di grandi dataset acustici: uno studio di caso del pettirosso europeo (Erithacus rubecula)

437 visualizzazioni

⸱

DOI:

10.3791/70479

⸱

11 aprile 2026

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

In questo articolo

Sommario

L'obiettivo di questo protocollo è determinare le soglie di punteggio di confidenza specifiche per specie e sito utilizzando la regressione logistica per migliorare la precisione di rilevamento in grandi dataset acustici elaborati con software automatizzato di riconoscimento acustico.

Abstract

Il monitoraggio acustico passivo (PAM) è diventato uno strumento prezioso per la ricerca sulla biodiversità, permettendo la raccolta non invasiva di vasti dataset. Tuttavia, rimane una sfida significativa nell'elaborare in modo efficiente e affidabile questo grande volume di dati per estrarre informazioni specifiche per specie in diverse località. Questo articolo presenta un protocollo dettagliato passo dopo passo per affrontare questa sfida utilizzando un modulo di rilevamento di machine learning all'interno di un software di analisi bioacustica. La metodologia è progettata per identificare e validare con accuratezza e sicurezza le vocalizzazioni degli uccelli da registrazioni acustiche grezze.

Il nostro protocollo dettaglia il processo dalla raccolta iniziale dei dati utilizzando unità di registrazione autonome (ARU) fino alla generazione finale di un dataset annotato di alta qualità. I passaggi chiave includono la configurazione del modulo del rilevatore di machine learning per generare le rilevazioni iniziali, una procedura di validazione manuale per calcolare tabelle di precisione e un'analisi di regressione logistica per determinare una soglia di punteggio di confidenza specifica per specie e, dove opportuno, specifica per la posizione. Questa soglia statisticamente derivata viene poi utilizzata per affinare l'uscita del rivelatore, testata su due configurazioni di sovrapposizione (0 s e 2 s). Dimostriamo che l'applicazione delle soglie ottimali derivate migliora sostanzialmente la precisione del rilevamento dei modelli di riconoscimento sonoro aviario basati su machine learning su tutti i siti. Per i tre siti utilizzati per illustrare il processo (Liverpool Park, Cairngorms e Glasgow Suburban) la precisione è aumentata del 26,1%, 17,7% e 17% per una sovrapposizione di 0 s, e del 28,77%, 16,87% e 15% per una sovrapposizione di 2 s. Suggeriamo che la metodologia risultante sia superiore ai metodi di conteggio manuale sia in termini di velocità che di affidabilità. In sintesi, questo articolo fornisce un quadro riproducibile che facilita l'uso accessibile ed efficace di approcci di apprendimento automatico in bioacustica, consentendo ai ricercatori di sfruttare con sicurezza grandi dataset acustici per studi ecologici e analisi dei parametri.

Introduzione

Le vocalizzazioni animali offrono preziose intuizioni sul mondo naturale e agiscono come potenti strumenti biologici, permettendo ai ricercatori di indagare vari aspetti della vita animale1. Il campo della bioacustica è diventato sempre più importante nel monitoraggio e nella conservazione della biodiversità, facilitando l'identificazione delle specie e la valutazione delle tendenze delle popolazioni e della salute degliecosistemi 2,3,4. Questo campo di ricerca contribuisce anche alla nostra comprensione del comportamento animale, ad esempio nella comunicazione e nell'uso degli habitat 5,6. Più recentemente, è stato dimostrato come un approccio promettente per la valutazione del benessere animale 7,8.

Uno dei principali vantaggi dell'utilizzo dell'analisi acustica come strumento di ricerca sono i recenti progressi tecnologici nelle unità di registrazione autonoma (ARU), che permettono ai ricercatori di monitorare in modo non invasivo e remoto vocalizzazioni animali per lunghi periodi di tempo, una tecnica nota come monitoraggio acustico passivo (PAM)9. Ciò ha permesso la raccolta di dati da specie criptiche senza interventoumano 10,11. Inoltre, le ARU sono economiche e minimizzano la necessità di ricercatori formati nel campo9. Uno studio sul criptico nightjar europeo (Caprimulgus europaeus) ha dimostrato questi vantaggi, rilevando che l'uso delle ARU era significativamente più efficace rispetto agli osservatori umani nel rilevare la specie12. Gli studi su larga scala sulla bioacustica stanno diventando sempre più popolari perché possono fornire approfondimenti su una serie di aspetti ecologici e comportamentali; sono anche altamente applicabili e ben adatti agli studi sul campo. Eppure le ARU in funzione per lunghi periodi significano che i ricercatori si trovano inevitabilmente di fronte alla sfida di elaborare in modo efficiente e affidabile enormi quantità di datiacustici 13.

Più recentemente, i ricercatori hanno iniziato a combinare il PAM con l'uso di strumenti di riconoscimento automatico per rilevare specie all'interno di grandi dataset, migliorando e accelerando l'elaborazione complessiva dei dati. Queste tecniche riconoscono e classificano automaticamente le specie in base al tipo di vocalizzazione13, spesso utilizzando modelli di machine learning e deep learning come le reti neurali artificiali, che negli ultimi anni hanno guadagnato terreno14. L'affidabilità del software di riconoscimento automatico è spesso superiore ai metodi manuali di rilevamento delle specie, come dimostrato negli studi sulle vocalizzazioni del panda gigante (Ailuropoda melanoleuca) 15 e sulle specie di ranamalese 16. È importante sottolineare che uno dei principali fattori dell'adozione di questi approcci è la velocità di elaborazione, soprattutto poiché il volume di dati acustici generati tramite PAM continua acrescere di 13. L'analisi manuale di grandi dataset acustici è inefficiente e poco pratica su larga scala, eppure gli strumenti di riconoscimento automatico possono elaborare registrazioni in una frazione del tempo richiesto da un osservatore umano. Ad esempio, uno studio ha riportato che 257 ore di scansione visiva manuale equivalevano a 1 ora di tempo di elaborazione utilizzando BirdNET (modello di riconoscimento sonoro aviario basato su machine learning)17.

Questo modello di riconoscimento sonoro aviario basato su machine learning è uno di questi strumenti che ha recentemente guadagnato popolarità per il suo uso in ornitologia e altri studi acustici; è un software automatizzato accessibile per l'identificazione delle specie di uccelli che si basa su un modello di deeplearning 18,19. La maggior parte degli studi finora ha utilizzato il modello di riconoscimento del suono aviario basato su machine learning per generare liste di specie per una determinata area e, con la validazione umana, è stato dimostrato di rilevare l'89% delle specie in una comunità, richiedendo meno di un quarto del tempo utilizzato solo dalla scansionevisiva 17. Questo modello di riconoscimento del suono aviario basato su machine learning ha dimostrato di identificare efficacemente la presenza di una specie target specifica in un'area, come il tarofo eurasiatico (Botaurus stellaris), con un tasso di successodel 93,7% 20. Tuttavia, questo modello spesso ha un tasso di successo più elevato quando combinato con la validazione manuale e non è ancora affidabile come strumento di rilevamento completamenteautomatico 21. Ci sono anche altre sfide da considerare, secondo Wood e Kahl21, riguardo alla produzione di previsioni senza unità.

Il modulo rilevatore di machine learning assegna a ogni vocalizzazione di uccello rilevata un punteggio di fiducia quantitativo compreso tra 0 e 1, che indica quanto il software sia certo che il suono rilevato sia stato correttamente identificato come una specieparticolare 18,19,21. La precisione, definita come la proporzione di rilevamenti che sono veri positivi (cioè identificazioni corrette), è una metrica chiave influenzata da questopunteggio 22. Di conseguenza, un punteggio di confidenza più alto può produrre meno rilevamenti, ma con maggiore precisione, tuttavia rilevamenti mancati soprattutto in ambienti rumorosi, e un punteggio più basso può produrre più rilevamenti con una precisione menocerta 22,23. La relazione tra i punteggi di fiducia e la precisione è complessa; spesso si riscontra che alcuni punteggi di confidenza elevati possono essere falsi positivi, ad esempio in luoghi con alti livelli di rumore di fondo, o con specie che probabilmente imitano vocalizzazioni di altrespecie 23,24. A causa della variabilità nella precisione tra specie e località, durante il processo di configurazione è possibile assegnare soglie individuali di punteggio di confidenza a ciascuna specie di uccello, in modo che solo le rilevazioni con punteggi superiori a tale soglia vengano etichettate. Una soglia di punteggio di fiducia universale elevata potrebbe essere applicata a tutte le specie e località, tuttavia, farlo spesso aumenta il numero di falsi negativi (identificazioni mancate)22,25,26, mentre il numero di falsi positivi varia tra specie e con differenze ambientali tra le registrazioni.

Diversi studi e linee guida di best practice delineano vari metodi per determinare una soglia ottimale di punteggio di confidenza a cui eseguire il modulo del rilevatore di machine learning per specie specifiche e luoghi di studio, consentendo di accettare le rilevazioni con maggiore sicurezza come veri positivi 21,24,26,27,28. Un approccio consiste nel calcolare i punteggi F su un intervallo di soglie di confidenza e selezionare la soglia che massimizza il punteggio F, bilanciando sia precisione che ricordo29,30. Un approccio alternativo, che consente la calibrazione probabilistica, consiste nella validazione manuale di un sottoinsieme casuale di previsioni e nell'adattamento di una regressione logistica per stabilire una relazione tra l'esito di validazione binaria (rilevamento vero/falso) e il punteggio di confidenzaassociato 21. Questo metodo può poi essere utilizzato per determinare soglie specifiche per il contesto, che possono essere regolate in base alle specie e alle condizioni ambientali (ad esempio, rumori di fondo variabili)19. Tali metodi sono stati applicati in studi di monitoraggio acustico passivo su scimmie urlatrice nere dello Yucatán (Alouatta pigra), lupi grigi (Canis lupus) e coyote (C. latrans)27,28.

L'obiettivo di questo articolo sui metodi è dimostrare e convalidare una metodologia scalabile per estrarre in modo accurato e affidabile dati vocali specifici per specie da grandi dataset acustici utilizzando il modello di riconoscimento sonoro aviario basato su machine learning all'interno del software di analisi bioacustica Raven Pro-bioacustica (ver 1.6)19,31. Questo approccio incorpora il calcolo delle appropriate soglie di punteggio di fiducia seguendo le21 linee guida di best practice di Wood e Kahl. Sebbene queste linee guida21 forniscano un quadro completo per applicare i punteggi di fiducia all'interno del modello19 di riconoscimento sonoro aviario basato su machine learning, esse sono principalmente presentate come raccomandazioni di best practice. Pochi studi hanno operato queste procedure nei sistemi di studio ARU distribuiti sotto vincoli di monitoraggio realistici, dove le condizioni acustiche e il rumore di fondo varianospazialmente 22. Questo protocollo (Figura 1) è particolarmente adatto per studi di monitoraggio acustico passivo su larga scala che coinvolgono più siti, ambienti acustici variabili o specie bersaglio con alti tassi di classificazione errata. Inoltre, l'implementazione di queste linee guida all'interno del software di analisi bioacustica (ver 1.6)19,31, una piattaforma più accessibile e intuitiva rispetto agli ambienti basati suprogrammazione 32,33, non è stata precedentemente dimostrata.

figure-introduction-1
Figura 1: Rappresentazione schematica dell'intero flusso di lavoro. Clicca qui per visualizzare una versione più grande di questa figura.

Per colmare questa lacuna, applichiamo e convalidiamo il protocollo utilizzando dataset su larga scala registrati con AudioMoths - ARU (ver 1.2.0)34,35, su una vasta gamma di habitat. La nostra specie focale, il pettirosso europeo (Erithacus rubecula), mostra alta variabilità del canto e complessitàstrutturale 36,37, e ha dimostrato una suscettibilità all'identificazione errata nelle analisi pilota iniziali. Applicando soglie di punteggio di confidenza specifiche per specie e sito alla configurazione del modello di riconoscimento sonoro aviario basato su machine learning nel software di analisibioacustica 19,31, valutiamo il protocollo in condizioni acustiche variabili, incorporando diversi livelli di rumore di fondo e assemblaggi di specie, e dimostriamo che adattare l'ottimizzazione delle soglie può migliorare sostanzialmente la precisione di rilevamento rispetto alle impostazioni predefinite. Questo approccio è progettato per facilitare in ultima analisi un'applicazione accessibile, snella ed efficiente del modello di riconoscimento sonoroaviario basato su machine learning 19 in studi PAM su larga scala, con codifica minima.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Dichiarazione etica
Questo protocollo segue le linee guida etiche della Liverpool John Moores University. La metodologia prevedeva solo il monitoraggio acustico passivo e non includeva la manipolazione, il disturbo o la manipolazione sperimentale degli animali. Non erano necessarie procedure pericolose per l'impiego delle ARU. Le ARU sono state impiegate in conformità con le linee guida istituzionali per la ricerca e il lavoro sul campo, e sono state installate segnaletiche appropriate nei siti di registrazione per informare il pubblico sul monitoraggio acustico. Tuttavia, è fortemente consigliato controllare le previsioni meteorologiche prima di condurre attività sul campo e condurre una valutazione del rischio per ogni sito sul campo.

Software, licenze e utilizzo
NOTA: I dati ARU dovrebbero essere elaborati utilizzando il modello di riconoscimento acustico aviario basato su machine learning all'interno del software di analisi bioacustica (v1.6)19,31, con le uscite dei rivelatori anch'esse elaborate nello stesso software (v1.6)31. Questo è un software con licenza e non è liberamente disponibile; l'uso del flusso di lavoro descritto qui richiede l'accesso tramite una licenza istituzionale o individuale. Inoltre, il modello di riconoscimento audio aviario basato su machine learning all'interno del software (v1.6)19,31, attualmente non funziona su dispositivi Apple con architettura processore basata su ARM (chip M1 o M2), tuttavia questo protocollo è compatibile con computer basati su macOS con CPU Intel e sistemi operativi Windows

1. Raccolta di dati audio

  1. Preparare le ARU per il dispiegamento
    1. Inserire batterie nelle ARU (durante questo esperimento sono state utilizzate batterie alcaline ricaricabili).
    2. Inserire schede di memoria rimovibili di dimensioni adeguate rispetto alla quantità di dati da raccogliere (durante questo esperimento sono state utilizzate schede di memoria rimovibili da 2 GB).
      Nota: Per i programmi di registrazione che producono 108 file da 1 minuto al giorno in un periodo di 30 giorni (vedi passo 1.2.5.2), ogni file era di circa 5760 kB, con un volume totale di dati di 622 MB. Con un consumo energetico giornaliero stimato di 26 mAh. Pertanto, per i risultati rappresentativi venivano utilizzate schede di memoria rimovibili con una capacità di 2 GB, al fine di fornire spazio di archiviazione sufficiente. Inoltre, le batterie alcaline ricaricabili hanno mantenuto l'energia utilizzabile per il periodo più lungo, a differenza delle batterie AA al litio e delle NiMH ricaricabili, nelle condizioni di test.
  2. Configurare ogni ARU per il deployment
    1. Scarica l''applicazione di aggiornamento firmware del dispositivo ARU'39 e l''applicazione di configurazione del dispositivo ARU'40 dalla 'App Download Page' sul sito webdell'ARU 41.
    2. Collega le ARU singolarmente a un computer usando un cavo di trasferimento dati.
    3. Assicurati che il dispositivo sia impostato in modalità USB/Off .
    4. Usa l'applicazione 'ARU device firmware update'39 per aggiornare i dispositivi all'ultimo firmware.
    5. Usa l''applicazione di configurazione dei dispositivi ARU'40 per impostare le ARU a registrare in un orario obiettivo della giornata per un numero selezionato di giorni. Determina i periodi di registrazione attivi e gli intervalli di sonno.
      1. Identificare le finestre temporali in cui le specie bersaglio sono più attive (ad esempio, il coro dell'alba per gli uccelli diurni) e programmare di seguito i periodi di registrazione.
      2. Imposta un ciclo di lavoro appropriato, specificando quanto tempo le ARU registrano attivamente rispetto a quelle in modalità sospensione.
        Esempio: per questi risultati rappresentativi, le ARU sono state programmate per registrare quotidianamente tra le 4:00 e le 9:00 e le 17:00 alle 21:00 dal 1° giugno al 30giugno 2023. Queste finestre temporali sono state selezionate per catturare sia il coro dell'alba che quello del crepuscolo. Durante i periodi attivi, i dispositivi registravano file WAV di 1 minuto seguiti da un intervallo di sonno di 4 minuti, risultando in un totale di 108 registrazioni da 1 minuto al giorno.
        Nota: le ARU possono registrare continuamente, ma questo aumenta rapidamente il consumo di batteria e l'uso delle schede di memoria rimovibili.
      3. Usa l'applicazione 'ARU device configuration'42 per impostare i dispositivi a registrare a una frequenza di campionamento di 48 kHz come raccomandato per catturare una gamma completa di vocalizzazioni diuccelli 34,35 e con guadagno medio (tipicamente lasciato predefinito, a meno che non si registri in ambientirumorosi 34,35). Altri tassi di campionamento possono essere utilizzati a seconda della frequenza delle vocalizzazioni delle specie bersaglio; ad esempio, per la fauna ultrasonica, come pipistrelli o anfibi, si utilizza una frequenza di campionamento di 384 kHz35.
    6. Dopo aver configurato tutte le ARU, passa ogni dispositivo alla modalità CUSTOM .
  3. Protezione e etichettatura del dispositivo
    1. Inserisci ogni dispositivo ARU in una busta antistatica Ziplock. Usa nastro impermeabile aggiuntivo se necessario per prevenire danni da acqua. Metti le bustine di gel di silice all'interno delle buste per assorbire l'umidità.
    2. Etichetta ogni ARU per numero e per la sua posizione.
  4. Dispiegamento ARU
    1. Determinare le posizioni in cui le ARU saranno impiegate all'interno dell'habitat della specie target.
    2. Dispiegare le ARU a distanze adeguate ai requisiti dello studio e alle specie target.
      Nota: La distanza di rilevamento dipende dall'habitat, dal rumore di fondo e dal volume del richiamo della specie. Mentre specie rumorose (ad esempio, il tarino eurasiatico) possono essere rilevate da ARU fino a 800 m, le registrazioni si degradano a distanze maggiori, limitando le misurazioni su scalaprecisa a 20. Qui, è stata analizzata una ARU per sito, con unità distanti circa 100 m per garantire una buona copertura spaziale e vocalizzazioni chiare. Regola la distanza in base alla specie, all'habitat e agli obiettivi del progetto.

2. Utilizzo del modulo rilevatore di apprendimento automatico nel software di analisibioacustica 19,31 per il rilevamento automatico delle specie

  1. Trasferimento dei dati audio
    1. Dopo la fine del periodo di implementazione, rimuovere le schede di memoria rimovibili dalle ARU, tenendo nota di quali schede di memoria rimovibili corrispondono a ciascuna ARU numerata.
    2. Trasferisci tutti i file WAV da ciascuna scheda di memoria rimovibile su un computer utilizzando un lettore di schede.
    3. Organizza tutti i file WAV generati da ciascun ARU in cartelle etichettate con il corrispondente numero e posizione dell'ARU.
    4. Salva le versioni di backup di tutti i dati su dispositivi aggiuntivi. Punto di pausa: Il protocollo può essere messo in pausa qui.
    5. Limitare l'accesso a questi dati ai ricercatori autorizzati del progetto e garantire che i dati siano protetti da password per mantenere la riservatezza, in particolare quando le attività umane potrebbero essere state registrate involontariamente.
  2. Configura il modulo rilevatore di machine learning
    1. Apri il software di analisi bioacustica31 e nel menu a tendina seleziona Strumenti > Rilevatore > Rilevatore di Apprendimento.
    2. Nella finestra Scegli Input del rilevatore , seleziona Sfoglia (Sfoglia ancora). Nella successiva finestra Apri File Audio , seleziona tutti i file WAV nella cartella ARU corrispondente e clicca su Apri (File Supplementari S1 e S2).
    3. Nella finestra Configura Nuovo Suono che si apre, sotto Paginazione > Suono Pagina, inserisci la Dimensione Pagina appropriata per la durata di ogni registrazione (ad esempio, 60 s per file WAV di 1 minuto) (File Supplementare S3).
    4. Nella stessa finestra Configura nuovo suono, sotto Più file seleziona Apri come sequenza file in una finestra, poi clicca su OK (File supplementare S3).
    5. Nella finestra di ritorno Scegli Ingressi Rilevatore , seleziona Forma d'Onda sotto Segnali e Viste Disponibili a destra e clicca sul pulsante freccia << per spostarlo su Ingressi Richiesti. Conferma che lo stato sotto la casella Input Richiesti sia Pronto! e clicca su OK (File Supplementare S4).
    6. Nella finestra Configura il rilevatore di machine learning che appare, nella scheda Input , seleziona il modello desiderato da Select Model. Quando si analizzano le specie di uccelli, si utilizza il modello globale di classificazione degli uccelli, che tra vari aggiornamenti include oltre 3000–6000 specie diuccelli 19 (Supplementary File S5).
    7. Nella scheda Inputs , lasciare la sovrapposizione al valore predefinito di 0 s per prevenire interferenze con la successiva analisi della soglia del punteggio di fiducia (File Supplementare S5).
    8. Nella scheda Outputs , seleziona il menu a tendina File di Classe di Output e seleziona l'elenco di output relativo alla posizione geografica dello studio (File Supplementare S6).
    9. Nella scheda Output sarà presente un elenco delle specie di uccelli rilevanti per il File di Classe di Output scelto. Abbassa la Soglia a 0.1 e seleziona Applica Tutto, assicurati che tutti i valori sotto la Soglia siano ora a 0.1 nella lista (File Supplementare S6).
    10. Seleziona l'opzione Sopprimi tutte le specie e le spuntate appariranno in tutte le caselle della lista delle specie. Poi individua la specie target e riattivala nella colonna Soppresso (File Supplementare S6).
    11. Seleziona OK per avviare il Rilevatore di Apprendimento, questo processerà i file e creerà selezioni dove ha rilevato le vocalizzazioni delle specie target.
    12. Monitorare il Progress Manager per tracciare la percentuale di completamento e il tempo residuo (Supplementary File S7).
  3. Salva l'output del Rilevatore di Apprendimento
    Nota: Durante l'elaborazione verrà generata una tabella del Rilevatore di Apprendimento e visualizzata sotto la visuale dello spettrogramma. Le selezioni numerate in questa tabella corrispondono alle selezioni identificate dal rivelatore nella vista dello spettrogramma. Ogni selezione è fissata a 3 secondi di lunghezza e può non essere sempre ripetuta durante tutta la vocalizzazione rilevata. A ciascuna selezione viene assegnata un'etichetta identificativa e un punteggio nella tabella di selezione (Supplementary File S8). Questi punteggi sono una previsione senza unità e saranno utilizzati nell'analisi di regressione logistica nelle fasi successive.
    1. Seleziona File > Salvata Tabella di Selezione "Rilevatore di Apprendimento" come e salva il file usando il nome ARU e un identificatore come: AM1_LearningDetectorTable_Original.txt.

3. Creare tabelle di precisione per le specie target in un ARU rappresentativo da ciascuna sede dello studio

  1. Prepara il dataset di validazione
    1. Apri la tabella di selezione del Rilevatore di Apprendimento salvata nel passo 2.3.1 e trasferisci in un software di fogli di calcolo.
    2. Conferma che solo la specie target compare sotto la colonna Etichetta .
    3. Elimina tutte le colonne tranne quelle Selezione e Punteggio.
    4. Randomizzare le righe usando la funzione di randomizzazione del foglio di calcolo (ad esempio, aggiungere una colonna usando =RAND(), ordinare questa colonna, poi eliminare la colonna di randomizzazione).
    5. Mantenere le prime 300 rilevazioni randomizzate, se ne sono meno di 300, conservare tutte le rilevazioni.
      Nota: Selezionare 300 rilevamenti per la validazione è standard in studi simili che utilizzano 1 mese di datiacustici 24. Questa dimensione del campione stima in modo affidabile la precisione e i tassi di etichettatura errata, cattura una gamma di punteggi di rilevamento e mantiene il carico di lavoro gestibile. Potrebbero essere necessarie più selezioni per dataset più lunghi.
    6. Salva il dataset di validazione utilizzando il nome ARU analizzato e un identificatore come: AM1_ValidationDataset.xlsx.
  2. Prepara software di analisi bioacustica per la validazione manuale
    1. Apri il software31, seleziona File > Apri File Audio... e nella finestra Apri File Sonori seleziona tutti i file WAV corrispondenti per l'ARU da analizzare, e clicca su Apri.
    2. Nella finestra Configura Nuovo Suono che si apre, sotto Paginazione seleziona Pagina Suono e inserisci la dimensione della pagina usata nel passo 2.2.3. Sotto Più file seleziona Apri come sequenza file in una finestra e seleziona OK.
    3. Naviga fino al file > apri la tabella di selezione... e aprire la Learning Detection Table per l'ARU analizzata salvata al passo 2.3.1.
    4. Nel pannello a sinistra della vista Audio , sotto la scheda Layout, in Viste:, deseleziona la vista Forma d'Onda così tutti i file vengono visualizzati nella vista Spettrogramma per consentire la conferma visiva della struttura vocalizzata.
  3. Valida le selezioni randomizzate
    1. Insieme al software di analisibioacustica 31 con i dati preparati pronti per la validazione manuale, apri il foglio di calcolo di validazione salvato nel passo 3.1.6.
    2. Crea una nuova colonna nel foglio di calcolo etichettata Rilevato correttamente.
    3. Individua ogni numero di selezione dalla lista casuale all'interno della visuale dello spettrogramma e inserisci nella colonna Correttamente rilevato se è stato rilevato correttamente (1) o erroneamente rilevato (0).
  4. Calcolare la precisione del rivelatore
    1. Calcolare la precisione del rivelatore (prima della regressione logistica) per l'ARU e la specie target usando la formula:
    2. Precisione (%) = (Numero di rilevamenti corretti/Total rilevamenti validati) x 100
    3. Per dataset con precisione del 90% o superiore, mantenere le impostazioni attuali del rilevatore.
    4. Per dataset con precisione inferiore al 90%, si prosegue sulla sezione 4 per adattare un'analisi di regressione logistica e determinare la soglia ottimale a cui impostare il rivelatore.
      Nota: Quando la precisione scende sotto il 90%, alti tassi di etichettatura errata rendono difficile l'estrazione affidabile delle vocalizzazioni senza un aggiustamento della soglia. Un cut-off del 90% bilancia l'affidabilità del rilevamento con una dimensione adeguata. Studi precedenti di calibrazione dei modelli di riconoscimento acustico aviario basati su machine learning considerano inoltre tassi di precisione del 90% e superiori come sufficientementeaffidabili 42.

4. Eseguire un'analisi di regressione logistica sulle tabelle di validazione per generare una soglia ottimale di punteggio di confidenza

  1. Genera soglie di punteggio di fiducia, utilizzando le linee guida21 di Wood & Kahl
    1. Usa il software R32 per importare il dataset di validazione creato nella sezione 3.
    2. Esegui una regressione logistica utilizzando la funzione di modellazione lineare generalizzata con la famiglia come binomiale sul dataset.
    3. Imposta la probabilità desiderata di precisione a 0,9, il che significa che la probabilità che un rilevamento sia vero positivo sarà del 90% o superiore.
      Nota: Impostare la probabilità di precisione desiderata a 0,9 garantisce che la maggior parte dei rilevamenti siano veri positivi, tuttavia, anche a questo livello possono verificarsi falsi positivi in grandi dataset acustici e gli utenti dovrebbero essere consapevoli di questa limitazione. Una soglia di precisione del 90% permette agli utenti di mantenere un alto numero di rilevazioni corrette, mantenendo al contempo abbastanza dati per un'analisi robusta; puntare al 100% limiterebbe i dati utilizzabili.
    4. Calcola la soglia ottimale risolvendo l'equazione di regressione logistica adattata per il valore predittivo (punteggio di confianza) che fornisce una probabilità prevista di 0,9 utilizzando lo Logistic Regression Analysis Script qui sotto:
      figure-protocol-1
      p = 0,9, e β0 e β1 sono l'intercetta e la pendenza dal modello adatto
      Logistic Regression Analysis Script per software di calcolo statistico
      # Tabella di validazione del carico
      ThresholdRobin <-read.csv('ValidationTableRobin.csv')
      # Esegui la regressione logistica
      Model1<-glm(Correttamente.Rilevato~Punteggio, data=ThresholdRobin, family='binomiale')
      Model1
      # Probabilità desiderata superiore al 90% di precisione
      p <- 0,9 # il p desiderato (probabilità di vero positivo)
      soglia <- (log(p/(1-p))- Coefficienti Model1$[1]) / Coefficienti Model1$Coefficienti [2]
      Nota: Invece di usare il Logit Score come negli studiprecedenti 24,27 come variabile indipendente, si utilizzano i punteggi grezzi di fiducia come variabile indipendente. Nelle linee guida21 di Wood e Kahl si menziona che possono essere usati sia i punteggi di fiducia grezzi sia le versioni retro-trasformate.
  2. Applica il punteggio ottimale di fiducia
    1. Apri il software di analisi bioacustica31.
    2. Rieseguire il Rilevatore di Apprendimento sull'ARU in fase di indagine utilizzando i passaggi della sezione 2. Tuttavia, questa volta nel processo di configurazione, la Soglia per la specie target rilevata deve essere modificata alla soglia stabilita nella sezione 4.1 del protocollo.
    3. (Opzionale) Aumenta la sovrapposizione a 2 secondi per aumentare la risoluzione di rilevamento.
      Nota: Il valore di sovrapposizione determina quanto si sovrappongono i segmenti adiacenti rilevati. A 0 s vocalizzazioni sui bordi dei segmenti potrebbero non essere verificate (falsi negativi). L'aumento della sovrapposizione migliora la risoluzione di rilevamento e la potenza predittiva ma rallenta l'analisi19,29. Qui, per la regressione logistica, è stata utilizzata una sovrapposizione predefinita di 0 s. Con i risultati rappresentativi e le soglie di punteggio di confidenza calcolate nell'analisi di regressione logistica, viene testata una sovrapposizione di 0 e 2 s.
    4. Verrà creata una nuova lista di rilevamenti che ora dovrebbe essere più accurata, con meno falsi positivi (vedi Risultati).
    5. Salva il nuovo output del Rilevatore di Apprendimento con l'elenco delle rilevazioni generate utilizzando la soglia di punteggio di confidenza derivata selezionando File > Tabella di Selezione del Salvataggio "Rilevatore di Apprendimento" come e salva il file usando il nome ARU e un identificatore come: AM1_LearningDetectorTable_OptimisedThreshold.txt.
    6. Questo file rappresenta il dataset finale validato generato dal protocollo. Utilizzare la tabella di selezione del rilevatore di apprendimento ottimizzato salvata come risultato finale di questo protocollo. Si noti che analisi successive, come l'annotazione delle vocalizzazioni e l'estrazione dei parametri acustici, sono al di fuori dell'ambito di questo metodo.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Per illustrare l'efficacia del protocollo descritto, presentiamo risultati rappresentativi dall'analisi dei dati acustici per il pettirosso europeo (Erithacus rubecula) raccolti in tre siti di ambienti diversi e assemblaggi di specie aviarie, tra cui un parco a Liverpool (ARU 1), un sito boschivo a rigenerazione naturale all'interno del Parco Nazionale dei Cairngorms (ARU 2) e un sito suburbano a Glasgow (ARU 3). Questi esempi dimostrano come l'applicazione di soglie di punteggi...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

L'uso del protocollo descritto in questo articolo fornisce un metodo affidabile e snello per generare dataset specifici per specie e classificati accuratamente di vocalizzazioni di uccelli, che si è dimostrato utile nella gestione di grandi set di dati audio. Abbiamo scelto di testare il protocollo sul pettirosso europeo a causa della sua nota variabilità strutturale e di frequenza all'interno dei suoi repertoridi canzoni 43. Ciò significa che inizialmente le rile...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno interessi finanziari concorrenti.

Ringraziamenti

Ringraziamo la Liverpool John Moore's University per la guida e le risorse. Ringraziamo inoltre la Wild Animal Initiative (WAI) per il sostegno finanziario; questa ricerca è stata finanziata da sovvenzioni WAI (S-2023–00038).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Unità di Registrazione Autonome v1.2.0Dispositivi acustici apertiN/AUnità di registrazione autonoma (ARU)
Software di analisi bioacustica v1.6.5Laboratorio di Ornitologia di CornellRRID:SCR_016190Software per l'analisi del suono
Cavolo di trasferimento datiVari produttoriN/AUtilizzato per trasferire dati da dispositivi
Applicazioni di configurazione dei dispositiviDispositivi acustici apertiN/AApp per configurare AudioMoths
Modulo Rilevatore di Apprendimento Automatico v2.4Laboratorio di Ornitologia di CornellN/ARilevatore di apprendimento automatico 
Batterie alcaline ricaricabiliVari produttoriN/AAlimentatore per unità di registrazione
Schede di memoria rimovibiliVari produttoriN/AArchiviazione dei dati per le registrazioni
Software di calcolo statisticoR Core TeamRRID:SCR_001905Software di calcolo statistico

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Rilevamento del pettirosso europeomonitoraggio acustico passivodetector basato su machine learninganalisi bioacusticaunit di registrazione autonomesoglia del punteggio di confidenza

Articoli correlati