Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Verbetering van de detectieprecisie van een vogelgeluidsherkenningsmodel via logistische regressie van grote akoestische datasets: een casestudy van de Europese roodborst (Erithacus rubecula)

438 weergaven

⸱

DOI:

10.3791/70479

⸱

11 april 2026

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

In dit artikel

Samenvatting

Het doel van dit protocol is het bepalen van soort- en locatie-specifieke betrouwbaarheidsdrempels met behulp van logistische regressie om de detectieprecisie in grote akoestische datasets die worden verwerkt met geautomatiseerde akoestische herkenningssoftware te verbeteren.

Samenvatting

Passieve akoestische monitoring (PAM) is een onschatbaar hulpmiddel geworden voor biodiversiteitsonderzoek, waardoor de niet-invasieve verzameling van enorme datasets mogelijk is. Toch blijft er een grote uitdaging om deze grote hoeveelheid data efficiënt en betrouwbaar te verwerken om soortspecifieke informatie over verschillende locaties te extraheren. Dit artikel presenteert een gedetailleerd, stapsgewijs protocol om deze uitdaging aan te pakken met behulp van een machine learning-detectormodule binnen een bioakoestiekanalysesoftware. De methodologie is ontworpen om vogelvocalisaties nauwkeurig en vol vertrouwen te identificeren en te valideren uit ruwe akoestische opnames.

Ons protocol beschrijft het proces van de eerste gegevensverzameling met autonome opname-units (ARU's) tot de uiteindelijke generatie van een hoogwaardige geannoteerde dataset. Belangrijke stappen zijn onder andere het configureren van de machine learning-detectormodule om initiële detecties te genereren, een handmatige validatieprocedure om precisietabellen te berekenen, en een logistische regressieanalyse om een soortspecifieke en, waar passend, een locatie-specifieke betrouwbaarheidsscoredrempel te bepalen. Deze statistisch afgeleide drempel wordt vervolgens gebruikt om de uitgang van de detector te verfijnen, getest op twee overlappingsconfiguraties (0 s en 2 s). We tonen aan dat het toepassen van de afgeleide optimale betrouwbaarheidsscoredrempels de detectieprecisie van vogelgeluidsherkenningsmodellen op basis van machine learning aanzienlijk verbetert over locaties. Voor de drie locaties die het proces illustreren (Liverpool Park, Cairngorms en Glasgow Suburban) steeg de precisie met 26,1%, 17,7% en met 17% voor een overlap van 0 s, en met 28,77%, 16,87% en 15% voor een overlap van 2 s. Wij stellen voor dat de resulterende methodologie superieur is aan handmatige telmethoden, zowel qua snelheid als betrouwbaarheid. Samenvattend biedt dit artikel een reproduceerbaar kader dat het toegankelijke en effectieve gebruik van machine learning-benaderingen in de bioakoestiek faciliteert, waardoor onderzoekers met vertrouwen grote akoestische datasets kunnen benutten voor ecologische studies en parameteranalyse.

Inleiding

Dierlijke vocalisaties bieden waardevolle inzichten in de natuurlijke wereld en fungeren als krachtige biologische instrumenten waarmee onderzoekers verschillende aspecten vanhet leven van dieren kunnen onderzoeken. Het vakgebied bioakoestiek is steeds belangrijker geworden in biodiversiteitsmonitoring en -behoud, wat helpt bij soortidentificatie en bij het beoordelen van populatietrends en de gezondheid van ecosystemen 2,3,4. Dit onderzoeksgebied draagt ook bij aan ons begrip van diergedrag, bijvoorbeeld bij communicatie en habitatgebruik 5,6. Meer recentelijk is aangetoond dat het een veelbelovende benadering is voor het beoordelen van dierenwelzijn 7,8.

Een van de belangrijkste voordelen van het gebruik van akoestische analyse als onderzoeksinstrument zijn de recente technologische ontwikkelingen in autonome opname-units (ARU's), waarmee onderzoekers dierlijke vocalisaties gedurende langere tijd niet-invasief en op afstand kunnen monitoren, een techniek die bekend staat als passieve akoestische monitoring (PAM)9. Dit heeft het mogelijk gemaakt om gegevens van cryptische soorten te verzamelen zonder menselijke tussenkomst10,11. Bovendien zijn ARU's kosteneffectief en minimaliseren ze de noodzaak van getrainde onderzoekers om inhet veld te zijn. Een studie naar de cryptische Europese nachtzwaluw (Caprimulgus europaeus) toonde deze voordelen aan en ontdekte dat het gebruik van ARU's significant effectiever was dan menselijke waarnemers bij het detecteren van de soort12. Grootschalige bioakoestiekstudies worden steeds populairder omdat ze inzicht kunnen geven in een reeks ecologische en gedragsmatige aspecten, en ze zijn ook zeer toepasbaar en goed geschikt voor veldstudies. Toch betekent het feit dat ARU's lange tijd draaien dat onderzoekers onvermijdelijk geconfronteerd worden met de uitdaging om enorme hoeveelheden akoestischedata efficiënt en betrouwbaar te verwerken.

Meer recentelijk zijn onderzoekers begonnen met het combineren van PAM met automatische herkenningstools om soorten binnen grote datasets te detecteren, waardoor de algehele verwerking van data wordt verbeterd en versneld. Deze technieken herkennen en classificeren soorten automatisch op basis van vocalisatietype13, vaak met behulp van machine learning- en deep learning-modellen zoals kunstmatige neurale netwerken, die deafgelopen jaren aan populariteit hebben gewonnen. De betrouwbaarheid van automatische herkenningssoftware is vaak superieur aan handmatige methoden voor soortdetectie, zoals aangetoond in studies naar de vocalisaties van de Reuzenpanda (Ailuropoda melanoleuca) 15 en Maleisische kikkersoorten16. Belangrijk is dat een van de belangrijkste drijfveren achter de adoptie van deze benaderingen de verwerkingssnelheid is, vooral omdat het volume akoestische data dat via PAM wordt gegenereerd blijftgroeien met 13. Handmatige analyse van grote akoestische datasets is inefficiënt en onpraktisch op grote schaal, maar geautomatiseerde herkenningstools kunnen opnames verwerken in een fractie van de tijd die een menselijke waarnemer nodig heeft. Zo meldde een studie dat 257 uur handmatig visueel scannen gelijk was aan 1 uur verwerkingstijd met behulp van BirdNET (machine learning-gebaseerd vogelgeluidsherkenningsmodel)17.

Dit op machine learning gebaseerde model voor vogelgeluidsherkenning is zo'n hulpmiddel dat recentelijk aan populariteit heeft gewonnen vanwege zijn gebruik in ornithologie en andere akoestiekstudies; het is een toegankelijke geautomatiseerde software voor vogelsoortidentificatie die gebaseerd is op een deep learning-model18,19. De meeste studies tot nu toe hebben het op machine learning gebaseerde vogelgeluidsherkenningsmodel gebruikt om soortenlijsten voor een bepaald gebied te genereren, en met menselijke validatie is aangetoond dat 89% van de soorten in een gemeenschap wordt gedetecteerd, terwijl er minder dan een kwart van de tijd nodig is die alleen visueel scannengebruikt. Dit op machine learning gebaseerde vogelgeluidsherkenningsmodel is ook aangetoond effectief de aanwezigheid van een specifieke doelsoort in een gebied te identificeren, zoals de Euraziatische Roerdomp (Botaurus stellaris), met een slagingspercentagevan 93,7% van 20. Dit model heeft echter vaak een hoger slagingspercentage in combinatie met handmatige validatie en is nog niet betrouwbaar als volledig automatisch detectieinstrument21. Er zijn ook andere uitdagingen om rekening mee te houden volgens Wood en Kahl21 met betrekking tot de productie van unitless voorspellingen.

De machine learning-detectormodule kent elke gedetecteerde vogelvocalisatie een kwantitatieve betrouwbaarheidsscore toe tussen 0 en 1, die aangeeft hoe zeker de software is dat het gedetecteerde geluid correct is geïdentificeerd als een bepaalde soort 18,19,21. Precisie, gedefinieerd als het aandeel detecties dat echt positief is (d.w.z. correcte identificaties), is een belangrijke maatstaf die door deze score22 wordt beïnvloed. Daardoor kan een hogere betrouwbaarheidsscore minder detecties opleveren, maar met een hogere precisie, maar toch missdetecties, vooral in lawaaierige omgevingen, en een lagere score kan meer detecties opleveren met minder zekere precisie22,23. De relatie tussen de betrouwbaarheidsscores en precisie is complex; vaak wordt vastgesteld dat sommige hoge betrouwbaarheidsscores vals-positieven kunnen zijn, bijvoorbeeld op locaties met veel achtergrondgeluid, of bij soorten die waarschijnlijk andere soorten vocalisaties nabootsen23,24. Vanwege de variabiliteit in precisie tussen soorten en locaties is het mogelijk om tijdens het configuratieproces individuele betrouwbaarheidsdrempels toe te kennen aan elke vogelsoort, waarbij alleen detecties met scores boven die drempel worden gelabeld. Een hoge universele betrouwbaarheidsscore kan worden toegepast op alle soorten en locaties, maar dit verhoogt vaak het aantal valse negatieven (gemiste identificaties)22,25,26, terwijl het aantal vals-positieven per soort varieert en met milieuverschillen tussen opnames.

Verschillende studies en best-practice richtlijnen beschrijven verschillende methoden om een optimale betrouwbaarheidsscore drempel te bepalen waarop de machine learning detectormodule voor specifieke soorten en studielocaties kan worden uitgevoerd, waardoor detecties met meer vertrouwen als echte positieven worden geaccepteerd 21,24,26,27,28 . Een benadering houdt in dat F-scores worden berekend over een reeks betrouwbaarheidsdrempels en de drempel wordt geselecteerd die de F-score maximaliseert, waarbij zowel precisie als recall29,30 in balans worden gebracht. Een alternatieve benadering, die kanskalibratie mogelijk maakt, houdt in dat een willekeurige subset van voorspellingen handmatig wordt gevalideerd en een logistische regressie wordt aangepast om een relatie vast te stellen tussen de binaire validatie-uitkomst (waar/onwaar-detectie) en de bijbehorende betrouwbaarheidsscore21. Deze methode kan vervolgens worden gebruikt om contextspecifieke drempels te bepalen, die kunnen worden aangepast over soorten en omgevingsomstandigheden (bijv. variërend achtergrondgeluid)19. Dergelijke methoden zijn toegepast in passieve akoestische monitoringstudies bij Yucatán zwarte brulapen (Alouatta pigra), grijze wolven (Canis lupus) en coyotes (C. latrans)27,28.

Het doel van dit methodenartikel is om een schaalbare methodologie te demonstreren en te valideren voor het nauwkeurig en betrouwbaar extraheren van soortspecifieke vocale data uit grote akoestische datasets met behulp van het machine learning-gebaseerde vogelgeluidsherkenningsmodel binnen de Raven Pro-bio-acoustics analysesoftware (ver 1.6)19,31. Deze aanpak omvat de berekening van passende betrouwbaarheidsscoredrempels volgens de21 best practice-richtlijnen van Wood en Kahl. Hoewel deze richtlijnen21 een uitgebreid kader bieden voor het toepassen van vertrouwensscores binnen het op machine learning gebaseerde vogelgeluidsherkenningsmodel19, worden ze voornamelijk gepresenteerd als best practice-aanbevelingen. Weinig studies hebben deze procedures operationeel gemaakt binnen verspreide ARU-studiesystemen onder realistische monitoringsbeperkingen, waarbij akoestische omstandigheden en achtergrondgeluid ruimtelijk variëren22. Dit protocol (Figuur 1) is bijzonder geschikt voor grootschalige passieve akoestische monitoringstudies met meerdere locaties, variabele akoestische omgevingen of doelsoorten met hoge misclassificatiepercentages. Bovendien is de implementatie van deze richtlijnen binnen de bioakoestische analysesoftware (ver 1.6)19,31, een toegankelijker en gebruiksvriendelijker platform vergeleken met codeeromgevingen32,33, nog niet eerder aangetoond.

figure-introduction-1
Figuur 1: Schematische weergave van de gehele workflow. Klik hier om een grotere versie van deze figuur te bekijken.

Om deze kloof te dichten, passen we het protocol toe en valideren we het met behulp van grootschalige datasets die zijn opgenomen met AudioMoths - ARUs (ver 1.2.0)34,35, over een divers scala aan habitats. Onze focale soort, de Europese roodborst (Erithacus rubecula), vertoont een hoge zangvariabiliteit en structurele complexiteit36,37, en toonde in de eerste pilotanalyses een vatbaarheid voor verkeerde identificatie. Door soort- en locatie-specifieke betrouwbaarheidsdrempels toe te passen op de op machine learning gebaseerde vogelgeluidsherkenningsmodelconfiguratie binnen de bioakoestische analysesoftware19,31, evalueren we het protocol onder wisselende akoestische omstandigheden, waarbij we verschillende achtergrondgeluidsniveaus en soortassemblages meenemen, en tonen we aan dat het aanpassen van drempeloptimalisatie de detectieprecisie aanzienlijk kan verbeteren ten opzichte van standaardinstellingen. Deze aanpak is ontworpen om uiteindelijk toegankelijke, gestroomlijnde en efficiënte toepassing van het op machine learning gebaseerde vogelgeluidsherkenningsmodel19 in grootschalige PAM-studies te faciliteren, met minimale codering.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Ethische verklaring
Dit protocol volgt de ethische richtlijnen van Liverpool John Moores University. De methodologie omvatte alleen passieve akoestische monitoring en omvatte niet het hanteren, verstoren of experimentele manipulatie van dieren. Er waren geen gevaarlijke procedures vereist om de ARU's in te zetten. ARU's werden ingezet volgens institutionele onderzoeks- en veldwerkrichtlijnen, en passende bezichtigingen werden op opnamelocaties geplaatst om het publiek te informeren over akoestische monitoring. Het wordt echter sterk aangeraden om de weersvoorspellingen te controleren voordat u veldactiviteiten uitvoert, en om voor elke veldlocatie een risicobeoordeling uit te voeren.

Software, licenties en gebruik
OPMERKING: ARU-gegevens moeten worden verwerkt met het machine learning-gebaseerde vogelgeluidsherkenningsmodel binnen de bioakoestiekanalysesoftware (v1.6)19,31, waarbij detectoruitgangen ook in dezelfde software worden verwerkt (v1.6)31. Dit is een gelicentieerde software en niet vrij beschikbaar; het gebruik van de hier beschreven workflow vereist toegang via een institutionele of individuele licentie. Daarnaast draait het machine learning-gebaseerde vogelgeluidsherkenningsmodel binnen de software (v1.6)19,31 momenteel niet op Apple-apparaten met ARM-gebaseerde processorarchitectuur (M1- of M2-chips), maar dit protocol is wel compatibel met macOS-gebaseerde computers met Intel-CPU's en Windows-besturingssystemen

1. Het verzamelen van audiogegevens

  1. Maak ARU's klaar voor inzet
    1. Plaats batterijen in de ARU's (oplaadbare alkalinebatterijen werden tijdens dit experiment gebruikt).
    2. Voeg verwisselbare geheugenkaarten van passende grootte in ten opzichte van de hoeveelheid te verzamelen data (2 GB verwisselbare geheugenkaarten werden tijdens dit experiment gebruikt).
      Opmerking: Voor het opnemen van schema's die 108 bestanden van 1 minuut per dag produceren over een periode van 30 dagen (zie stap 1.2.5.2), was elk bestand ongeveer 5760 kB, wat resulteerde in een totaal datavolume van 622 MB. Met een geschat dagelijks energieverbruik van 26 mAh. Daarom werden verwisselbare geheugenkaarten met een capaciteit van 2 GB gebruikt voor de representatieve resultaten om voldoende opslag te bieden. Bovendien behouden oplaadbare alkalinebatterijen het langst bruikbare stroom, in tegenstelling tot lithium AA-batterijen en oplaadbare NiMH, onder de testomstandigheden.
  2. Configureer elke ARU voor uitrol
    1. Download de 'ARU device firmware update application'39 en de 'ARU device configuration application'40 van de 'App Download Page' op de ARU-website41.
    2. Verbind de ARU's individueel met een computer via een datatransferkabel.
    3. Zorg ervoor dat het apparaat op USB/Off-modus is gezet.
    4. Gebruik de 'ARU device firmware update application'39 om de apparaten bij te werken naar de nieuwste firmware.
    5. Gebruik de 'ARU device configuration application' om de ARU's zo in te stellen dat ze op een doeltijd van de dag voor een bepaald aantal dagen registreren. Bepaal actieve opnameperiodes en slaapintervallen.
      1. Identificeer de tijdsvensters waarin doelsoorten het meest actief zijn (bijvoorbeeld dageraadkoor voor dagactieve vogels) en plan de opnameperiodes dienovereenkomstig.
      2. Stel een geschikte duty cycle in, waarin wordt aangegeven hoe lang de ARU's actief opnemen versus in slaapstand.
        Voorbeeld: Voor deze representatieve resultaten waren ARU's geprogrammeerd om dagelijks te registreren tussen 4:00–9:00 uur en 17:00–21:00 uur van1 juni tot 30juni 2023. Deze tijdsvensters werden gekozen om zowel de ochtend- als de schemerkoor vast te leggen. Tijdens actieve periodes namen apparaten 1 minuut WAV-bestanden op, gevolgd door een slaapinterval van 4 minuten, wat resulteerde in in totaal 108 opnames van 1 minuut per dag.
        Opmerking: ARU's kunnen continu opnemen, maar dit verhoogt snel het batterijverbruik en het gebruik van verwisselbare geheugenkaarten.
      3. Gebruik de 'ARU device configuration application'42 om de apparaten op te nemen met een samplefrequentie van 48 kHz, zoals aanbevolen voor het vastleggen van een volledig bereik van vogelvocalisaties34,35 en met medium gain (meestal op standaard gelaten tenzij opname in ruisachtige omgevingen34,35). Andere bemonsteringsfrequenties kunnen worden gebruikt afhankelijk van de frequentie van de vocalisaties van doelsoorten, bijvoorbeeld voor ultrasone dieren, zoals vleermuizen of amfibieën, wordt een bemonsteringsfrequentie van 384 kHz35 gebruikt.
    6. Na het configureren van alle ARU's, zet je elk apparaat over naar de CUSTOM-modus .
  3. Bescherming en etikettering van apparaten
    1. Plaats elk ARU-apparaat in een antistatische ziplockzak. Gebruik indien nodig extra waterdichte tape om waterschade te voorkomen. Plaats silica gel-zakjes in de zakjes om vocht op te nemen.
    2. Label elke ARU op nummer en locatie.
  4. ARU-inzet
    1. Bepaal locaties voor ARU's die binnen het habitat van de doelsoort worden ingezet.
    2. Zet ARU's uit op afstanden die passen bij de studievereisten en doelsoorten.
      Opmerking: De detectieafstand hangt af van habitat, achtergrondgeluid en het volume van de soort van roep. Hoewel luide soorten (bijv. Euraziatische roerdomp) tot 800 m door ARU's kunnen worden gedetecteerd, verslechteren de opnames op grotere afstanden, waardoor fijne metingentot 20 worden beperkt. Hier werd per locatie één ARU geanalyseerd, met eenheden ongeveer 100 m uit elkaar om een goede ruimtelijke dekking en duidelijke vocalisaties te garanderen. Pas de afstand aan volgens soort, habitat en projectdoelen.

2. Gebruik van de machine learning detectormodule in de bioakoestiekanalysesoftware19,31 voor automatische soortdetectie

  1. Audiogegevens overdragen
    1. Na afloop van de deploymentperiode verwijder je verwisselbare geheugenkaarten uit de ARU's, waarbij je noteert welke verwisselbare geheugenkaarten bij elke genummerde ARU horen.
    2. Zet alle WAV-bestanden van elke verwisselbare geheugenkaart over naar een computer met behulp van een kaartlezer.
    3. Organiseer alle WAV-bestanden die van elke ARU zijn gegenereerd in mappen met het bijbehorende ARU-nummer en locatie.
    4. Sla back-upversies van alle data op op extra apparaten. Pauzepunt: Protocol kan hier worden gepauzeerd.
    5. Beperk de toegang tot deze gegevens tot geautoriseerde projectonderzoekers en zorg ervoor dat de gegevens met een wachtwoord beveiligd zijn om vertrouwelijkheid te waarborgen, vooral wanneer menselijke activiteiten mogelijk per ongeluk zijn vastgelegd.
  2. Configureer de machine learning detectormodule
    1. Open de bioakoestiekanalysesoftware31 en kies in het keuzemenu Tools > Detector > Learning Detector.
    2. Selecteer in het venster Detectorinvoer kiezen Browse. Selecteer in het daaropvolgende Open Geluidsbestanden-venster alle WAV-bestanden in de betreffende ARU-map en klik op Openen (Aanvullende Bestanden S1 en S2).
    3. In het venster ' Nieuw geluid configureren ' dat opent, voert u onder Paging > Page Sound de juiste paginagrootte in voor de lengte van elke opname (bijv. 60 s voor 1 min WAV-bestanden) (Supplementary File S3).
    4. In hetzelfde venster Nieuw geluid configureren, kies onder meerdere bestanden Open als bestandsvolgorde in één venster en klik dan op OK (Aanvullend Bestand S3).
    5. In het terugkerende venster Kies Detectoringangen , selecteer je Golfvorm onder Beschikbare Signalen en Weergaven rechts en klik je op de knop << pijltjes om het naar Vereiste Ingangen te verplaatsen. Bevestig dat de status onder het vakje Vereiste Invoer Klaar! is, en klik op OK (Aanvullend Bestand S4).
    6. In het venster 'Machine Learning Detector configureren ' dat verschijnt, selecteert u onder het tabblad Invoer het gewenste model uit 'Selecteer Model'. Bij het analyseren van vogelsoorten wordt het wereldwijde vogelclassificatiemodel gebruikt, dat onder verschillende updates meer dan 3000–6000 vogelsoorten19 omvat (Aanvullend Bestand S5).
    7. Onder het tabblad Inputs laat je de Overlap standaard 0 s om interferentie met de daaropvolgende betrouwbaarheidsscore-drempelanalyse te voorkomen (Supplementary File S5).
    8. Selecteer onder het tabblad Outputs het dropdownmenu Output Class File en selecteer de outputlijst die betrekking heeft op de geografische locatie van de studie (Supplementary File S6).
    9. Onder het tabblad Outputs staat een lijst van vogelsoorten die relevant zijn voor het gekozen Output Class-bestand. Verlaag de drempel naar 0,1 en selecteer Apply All, zorg ervoor dat alle waarden onder Drempel nu op 0,1 in de lijst staan (Supplementary File S6).
    10. Selecteer de optie Alle soorten onderdrukken en vinkjes verschijnen in alle vakjes in de soortenlijst. Zoek vervolgens de doelsoort en haal het uit in de kolom Onderdrukken (Supplementair Bestand S6).
    11. Selecteer OK om de Learning Detector te starten, dit verwerkt de bestanden en maakt selecties waar het de vocalisaties van de doelsoort heeft gedetecteerd.
    12. Monitor de voortgangsmanager om het percentage voltooide resultaten en resterende tijd bij te houden (Supplementair bestand S7).
  3. Sla de uitvoer van de Learning Detector op
    Opmerking: Een Learning Detector-tabel wordt tijdens de verwerking gegenereerd en weergegeven onder het spectrogrambeeld. De genummerde selecties in deze tabel komen overeen met de door de detector geïdentificeerde selecties in het spectrogrambeeld. Elke selectie is vastgesteld op 3 s en wordt mogelijk niet altijd herhaald over de gehele vocalisatie die wordt gedetecteerd. Elke selectie krijgt een identificatielabel en score toegewezen in de selectietabel (Supplementair Bestand S8). Deze scores zijn een eenheidsloze voorspelling en zullen in de logistische regressieanalyse in volgende fasen worden gebruikt.
    1. Selecteer Bestand > Sla de selectietabel "Learning Detector" op als en sla het bestand op met de ARU-naam en een identificatie zoals: AM1_LearningDetectorTable_Original.txt.

3. Precisietabellen maken voor doelsoorten bij een representatieve ARU vanaf elke studielocatie

  1. Bereid de validatiedataset voor
    1. Open de selectietabel voor de leerdetector die in stap 2.3.1 is opgeslagen en zet deze over naar een spreadsheetsoftware.
    2. Bevestig dat alleen de doelsoort onder de kolom Label verschijnt.
    3. Verwijder alle kolommen behalve de kolommen Selectie en Score.
    4. Randomiseer de rijen met behulp van de randomisatiefunctie van de spreadsheet (bijvoorbeeld voeg een kolom toe met =RAND(), sorteer deze kolom en verwijder vervolgens de randomisatiekolom).
    5. Behou de eerste 300 gerandomiseerde detecties; als er minder dan 300 zijn, behoud dan alle detecties.
      Opmerking: Het selecteren van 300 detecties voor validatie is standaard in vergelijkbare studies met 1 maand akoestische data24. Deze steekproefgrootte schat de precisie en de snelheid van verkeerd etikettering betrouwbaar, registreert een reeks detectiescores en houdt de werklast beheersbaar. Meer selecties kunnen nodig zijn voor langere datasets.
    6. Sla de validatiedataset op met behulp van de ARU-naam die wordt geanalyseerd en een identificatie zoals: AM1_ValidationDataset.xlsx.
  2. Bereid bioakoestische analysesoftware voor voor handmatige validatie
    1. Open de software31, selecteer Bestand > Open Geluidsbestanden... en selecteer in het Open Geluidsbestanden-venster alle bijbehorende WAV-bestanden voor de te analyseren ARU en klik op Open.
    2. In het venster 'Nieuw geluid configureren', dat opent, selecteer je onder paging paginageluid en voer je de paginagrootte in die in stap 2.2.3 is gebruikt. Selecteer onder Meerdere Bestanden Open als bestandsvolgorde in één venster en selecteer OK.
    3. Ga naar Bestand > Open Selectietabel... en open de Learning Detection Table voor de ARU die wordt geanalyseerd, opgeslagen in stap 2.3.1.
    4. In het paneel links van de Geluidsweergave , onder het tabblad Lay-outs, in Weergaven: verwijder de Waveform-weergave zodat alle bestanden in Spectrogramweergave worden weergegeven om visuele bevestiging van de vocalisatiestructuur mogelijk te maken.
  3. Valideer gerandomiseerde selecties
    1. Samen met de bioakoestische analysesoftware31 met de voorbereide data klaar voor handmatige validatie, open je het validatiespreadsheet dat is opgeslagen in stap 3.1.6.
    2. Maak een nieuwe kolom aan in de spreadsheet met het label Correct gedetecteerd.
    3. Zoek elk selectienummer uit de gerandomiseerde lijst binnen het spectrogrambeeld en voer in of het correct (1) of onjuist (0) is gedetecteerd in de kolom Correct gedetecteerd .
  4. Bereken de detectorprecisie
    1. Bereken de precisie van de detector (voorafgaand aan de logistische regressie) voor de ARU en doelsoorten met behulp van de formule:
    2. Precisie (%) = (Aantal correcte detecties/Totaal gevalideerde detecties) x 100
    3. Voor datasets met een precisie van 90% of hoger, behoud de huidige detectorinstellingen.
    4. Voor datasets met een precisie van minder dan 90%, ga je verder met sectie 4 om een logistische regressieanalyse te maken en de optimale drempel te bepalen waarop de detector moet draaien.
      Opmerking: Wanneer de precisie onder de 90% komt, maken hoge percentages verkeerd etikettering het betrouwbaar extraheren van vocalisaties moeilijk zonder drempelaanpassing. Een 90% cut-off balanceert de betrouwbaarheid van detectie met een adequate steekproefgrootte. Eerdere kalibratiestudies van vogelgeluidsherkenningsmodellen gebaseerd op machine learning beschouwen ook precisiepercentages van 90% en hoger als voldoende betrouwbaar42.

4. Voer een logistische regressieanalyse uit op de validatietabellen om een optimale betrouwbaarheidsscoredrempel te genereren

  1. Genereer betrouwbaarheidsscoredrempels met behulp van de21 richtlijnen van Wood & Kahl
    1. Gebruik de software R32 om de validatiedataset die in sectie 3 is aangemaakt te importeren.
    2. Voer een logistische regressie uit met behulp van de gegeneraliseerde lineaire modelleringsfunctie met de familie als binomiaal op de dataset.
    3. Stel de gewenste precisiekans in op 0,9, dit betekent dat de kans dat een detectie een echt positief is 90% of hoger zal zijn.
      Opmerking: Door de gewenste precisiekans op 0,9 te zetten, worden de meeste detecties ware positieven getoond, maar zelfs op dit niveau kunnen valse positieven optreden in grote akoestische datasets en gebruikers moeten zich bewust zijn van deze beperking. Een 90% precisiedrempel stelt gebruikers in staat om een hoog aantal correcte detecties te behouden, terwijl voldoende data behouden blijft voor een robuuste analyse; het streven naar 100% zou de bruikbare data beperken.
    4. Bereken de optimale drempel door de aangepaste logistische regressievergelijking op te lossen voor de voorspellerwaarde (betrouwbaarheidsscore) die een voorspelde kans van 0,9 oplevert met behulp van het onderstaande Logistic Regression Analysis Script:
      figure-protocol-1
      p = 0,9, en β0 en β1 zijn de intercept en helling van het aangepaste model
      Logistic Regression Analysis Script voor statistische rekensoftware
      # Laad validatietabel
      Drempel Robin <-read.csv('ValidationTableRobin.csv')
      # Voer logistieke regressie uit
      Model1<-glm(Correct.Detecteerd~Score, data=ThresholdRobin, family='binomiaal')
      Model1
      # Gewenste kans boven 90% precisie
      p <- 0,9 # de gewenste p (kans op een ware positief)
      drempel <- (log(p/(1-p))- Model1$coëfficiënten[1]) / Model1$coëfficiënten [2]
      Opmerking: In plaats van de Logit Score zoals in eerdere studies24,27 als onafhankelijke variabele te gebruiken, gebruik de ruwe betrouwbaarheidsscores als onafhankelijke variabele. In de21-richtlijnen van Wood en Kahl wordt vermeld dat zowel de ruwe betrouwbaarheidsscores als teruggetransformeerde versies gebruikt kunnen worden.
  2. Pas de optimale betrouwbaarheidscore toe
    1. Open de bioakoestiekanalysesoftware31.
    2. Voer de Learning Detector opnieuw uit op de onderzochte ARU met behulp van de stappen in sectie 2. Deze keer in het configuratieproces moet de drempel voor de doelsoort die wordt gedetecteerd echter worden gewijzigd naar de drempel die is vastgesteld in sectie 4.1 van het protocol.
    3. (Optioneel) Verhoog de overlap tot 2 s om de detectieresolutie te verhogen.
      Opmerking: De Overlapwaarde bepaalt hoeveel aangrenzende gedetecteerde segmenten overlappen. Bij 0 s kunnen vocalisaties aan segmentranden worden gemist (vals-negatieven). Toenemende overlap verbetert de detectieresolutie en voorspellende kracht, maar vertraagt de analyse19,29. Hier werd voor de logistische regressie een standaardoverlap van 0 s gebruikt. Met de representatieve resultaten en betrouwbaarheidsdrempels berekend in de logistische regressieanalyse, wordt een overlap van zowel 0 als 2 getest.
    4. Er zal een nieuwe lijst met detecties worden gemaakt die nu nauwkeuriger zou moeten zijn, met minder vals-positieven (zie Resultaten).
    5. Sla de nieuwe Learning Detector-output op met de lijst van detecties die zijn gegenereerd met de afgeleide betrouwbaarheidsscoredrempel door Bestand te selecteren > Save Selection Table "Learning Detector" Als te selecteren en het bestand op te slaan met de ARU-naam en een identificatie zoals: AM1_LearningDetectorTable_OptimisedThreshold.txt.
    6. Dit bestand vertegenwoordigt de laatste gevalideerde dataset die door het protocol wordt gegenereerd. Gebruik de geselecteerde selectietabel voor opgeslagen leerdetectoren als uiteindelijke output van dit protocol. Let op: latere analyses, zoals het annoteren van vocalisaties en het extraheren van akoestische parameters, vallen buiten de reikwijdte van deze methode.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Om de effectiviteit van het beschreven protocol te illustreren, presenteren we representatieve resultaten van de analyse van akoestische gegevens voor de Europese roodborst (Erithacus rubecula) verzameld op drie locaties met verschillende omgevingen en vogelsoorten, waaronder een park in Liverpool (ARU 1), een natuurlijk regenererend bosgebied binnen The Cairngorms National Park (ARU 2) en een voorstedelijke locatie in Glasgow (ARU 3). Deze voorbeelden tonen aan hoe het toepasse...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Het gebruik van het protocol dat in dit artikel wordt beschreven, biedt een betrouwbare, gestroomlijnde methode voor het genereren van soortspecifieke en nauwkeurig geclassificeerde datasets van vogelvocalisaties, wat nuttig is gebleken bij het verwerken van grote audiodatasets. We kozen ervoor het protocol te testen op de Europese roodborst vanwege de bekende structurele en frequentievariabiliteit binnen zijn liedrepertoire43. Dit betekent dat aanvankelijk hoge p...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

Auteurs hebben geen concurrerend financieel belang.

Dankbetuigingen

Wij danken Liverpool John Moore's University voor de begeleiding en middelen. We danken ook de Wild Animal Initiative (WAI) voor de financiële steun; dit onderzoek werd gefinancierd door WAI-subsidies (S-2023–00038).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Autonomous Recording Units v1.2.0Open Acoustic DevicesN/AAutonome opname-eenheid (ARU)
Bioacoustics Analysis Software v1.6.5Cornell Lab of OrnithologyRRID:SCR_016190Software voor geluidsanalyse
GegevensoverdrachtkabelDiverse fabrikantenN/AGebruikt om gegevens van apparaten over te brengen
Applicaties voor apparaatconfiguratieOpen Acoustic DevicesN/AApps voor het configureren van AudioMoths
Machine Learning Detector Module v2.4Cornell Lab of OrnithologyN/AMachine learning detector
Oplaadbare alkalibatterijenDiverse fabrikantenN/AVoeding voor opname-eenheden
Verwisselbare geheugenkaartenDiverse fabrikantenN/AGegevensopslag voor opnames
Statistische computing softwareR Core TeamRRID:SCR_001905Software voor statistische computing

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Trefwoorden

Detectie van de Europese roodborstpassieve akoestische monitoringmachine learning detectorbioakoestische analyseautonome opname eenhedendrempelwaarde voor betrouwbaarheidsscore
Verbetering van de detectieprecisie van een vogelgeluidsherkenningsmodel via logistische regressie van grote akoestische datasets: een casestudy van de Europese roodborst (Erithacus rubecula)
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.