Yöntem makalesi

Büyük Akustik Veri Setlerinin Lojistik Regresyonuyla Bir Kuş Ses Tanıma Modelinin Tespit Hassasiyetini Artırmak: Avrupa Kızılbalığı (Erithacus rubecula) Vaka Çalışması

438 görüntüleme

⸱

DOI:

10.3791/70479

⸱

11 Nisan 2026

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

Bu makalede

Özet

Bu protokolün amacı, otomatik akustik tanıma yazılımıyla işlenen büyük akustik veri setlerinde tespit hassasiyetini artırmak için lojistik regresyon kullanarak tür ve siteye özgü güven puan eşiklerini belirlemektir.

Özet

Pasif akustik izleme (PAM), biyolojik çeşitlilik araştırmaları için paha biçilmez bir araç haline gelmiş ve geniş veri setlerinin invaziv olmayan bir şekilde toplanmasını mümkün kılmıştır. Ancak, bu büyük veri hacmini verimli ve güvenilir şekilde işleyerek çeşitli yerlerde türe özgü bilgi çıkarmakta önemli bir zorluk var. Bu makale, biyoakustik analiz yazılımında makine öğrenimi dedektör modülü kullanarak bu zorluğu çözmek için ayrıntılı ve adım adım bir protokol sunmaktadır. Metodoloji, ham akustik kayıtlardan kuş seslendirmelerini doğru ve emin bir şekilde tanımlamak ve doğrulamak için tasarlanmıştır.

Protokolümüz, otonom kayıt birimleri (ARU) kullanılarak ilk veri toplamadan yüksek kaliteli açıklamalı veri setinin son üretimine kadar olan süreci detaylandırır. Temel adımlar arasında makine öğrenimi dedektör modülünün ilk tespitler üretecek şekilde yapılandırılması, hassas tabloları hesaplamak için manuel doğrulama prosedürü ve türe özgü ve uygun olduğunda konuma özgü bir güven puanı eşiği belirlemek için lojistik regresyon analizi yer alır. Bu istatistiksel olarak türetilen eşik daha sonra dedektörün çıktısını geliştirmek için kullanılır ve iki örtüşen konfigürasyonda (0 s ve 2 s) test edilir. Türetilen optimal güven puanı eşiklerinin uygulanmasının, makine öğrenimi tabanlı kuş ses tanıma modelleri tespit hassasiyetini alanlar arasında önemli ölçüde artırdığını gösteriyoruz. Süreci göstermek için kullanılan üç alan için (Liverpool Park, Cairngorms ve Glasgow Suburban) hassasiyet 0 saniyelik örtüşmede %26,1, %17,7 ve %17, 2 saniyelik örtüşme için %28,77, %16,87 ve %15 artmıştır. Ortaya çıkan metodolojinin hem hız hem de güvenilirlik açısından manuel sayma yöntemlerinden üstün olduğunu öneriyoruz. Özetle, bu makale biyoakustikte makine öğrenimi yaklaşımlarının erişilebilir ve etkili kullanımını kolaylaştıran tekrarlanabilir bir çerçeve sunar ve araştırmacıların ekolojik çalışmalar ve parametre analizi için büyük akustik veri setlerini güvenle kullanmasını sağlar.

Giriş

Hayvan seslendirmeleri, doğal dünyaya değerli içgörüler sunar ve araştırmacıların hayvan yaşamının çeşitli yönlerini araştırmasına olanak tanıyan güçlü biyolojik araçlarolarak işlev görür 1. Biyoakustik alanı, biyolojik çeşitlilik izleme ve korumada giderek daha önemli hale gelmiştir; türlerin tanımlanmasına ve popülasyon eğilimlerinin ve ekosistem sağlığının değerlendirilmesine yardımcı olmaktadır 2,3,4. Bu araştırma alanı, örneğin iletişim ve habitat kullanımı gibi hayvan davranışlarını anlamamıza da katkısağlar 5,6. Daha yakın zamanda, hayvan refahını değerlendirmede umut verici bir yaklaşımolarak gösterilmiştir 7,8.

Akustik analizi araştırma aracı olarak kullanmanın temel avantajlarından biri, otonom kayıt birimlerindeki (ARU'lar) son teknolojik gelişmelerdir; bu teknolojik, araştırmacıların hayvan seslendirmelerini uzun süre boyunca invaziv olmayan ve uzaktan izleme yapabilmesini sağlar; bu teknik, pasif akustik izleme (PAM)9 olarak bilinir. Bu, insan müdahalesi olmadan gizemli türlerden veri toplanmasınaolanak sağlamıştır 10,11. Ayrıca, ARU'lar maliyet etkilidir ve eğitimli araştırmacıların alanda bulunması ihtiyacını en azaindirir 9. Gizemli Avrupa gece kavanzı (Caprimulgus europaeus) üzerinde yapılan bir çalışma, bu avantajları gösterdi ve ARU'ların kullanımının insan gözlemcilere göre türütespit etmede önemli ölçüde daha etkili olduğunu ortaya koydu12. Büyük ölçekli biyoakustik çalışmalar, ekolojik ve davranışsal açılara dair çeşitli bilgiler sunabildikleri için giderek daha popüler hale gelmektedir; ayrıca oldukça uygulanabilir ve saha çalışmaları için uygundurlar. Ancak ARU'ların uzun süre çalışması, araştırmacıların kaçınılmaz olarak büyük miktarda akustik veriyi verimli ve güvenilir şekilde işleme zorluğuyla karşı karşıyakalacağı anlamına geliyor 13.

Daha yakın zamanda, araştırmacılar PAM'ı otomatik tanıma araçlarıyla birleştirerek büyük veri setlerinde türleri tespit etmeye başladılar; böylece verilerin genel işlenmesini hızlandırdılar ve geliştirdiler. Bu teknikler, genellikle makine öğrenimi ve yapay sinir ağları gibi derin öğrenme modelleri kullanarak seslendirmetipi 13'e göre türleri otomatik olarak tanır ve sınıflandırır; bu modeller son yıllarda popülerlikkazanmıştır 14. Otomatik tanıma yazılımının güvenilirliği, Dev Panda (Ailuropoda melanoleuca) seslendirmeleri 15 ve Malezya kurbağatürleri 16 üzerine yapılan çalışmalarda gösterildiği gibi, manuel tür tespiti yöntemlerinden genellikle üstündür. Önemli olarak, bu yaklaşımların benimsenmesinin başlıca nedenlerinden biri işlem hızıdır; özellikle PAM aracılığıyla üretilen akustik veri hacmiartmaya devam ederken. Büyük akustik veri setlerinin manuel analizi ölçekte verimsiz ve pratik değildir, ancak otomatik tanıma araçları kayıtları insan gözlemcinin gerektiren zamanının çok daha çok daha çok içinde işleyebilir. Örneğin, bir çalışma, 257 saat manuel görsel taramanın BirdNET (makine öğrenimi tabanlı kuş ses tanıma modeli) kullanılarak 1 saat işlem süresine eşdeğer olduğunu bildirdi17.

Bu makine öğrenimi tabanlı kuş ses tanıma modeli, ornitoloji ve diğer akustik çalışmalarda kullanımı nedeniyle son zamanlarda popülerlik kazanan bu araçlardan biridir; derin öğrenme modeline dayanan ve kuş türlerini tanımlamak için erişilebilir otomatik biryazılımdır 18,19. Bugüne kadar yapılan çoğu çalışma, makine öğrenimi tabanlı kuş ses tanıma modelini kullanarak belirli bir alan için tür listeleri oluşturmuştur ve insan doğrulamasıyla bir topluluktaki türlerin %89'unu tespit ettiği gösterilmiştir; ancak sadece görsel tarama ile kullanılan sürenin dörtte birinden daha azını gerektirir17. Bu makine öğrenimi tabanlı kuş ses tanıma modeli, Avrasya Kıvrısı (Botaurus stellaris) gibi belirli bir hedef türün varlığını etkili bir şekilde tespit ettiği ve %93,7 başarıoranı ile 20 olduğunu göstermiştir. Ancak, bu model manuel doğrulama ile birleştirildiğinde genellikle daha yüksek başarı oranına sahiptir ve henüz tam otomatik bir algılama aracı olarak güvenilirdeğildir 21. Wood veKahl 21'e göre, ünitesiz tahminlerin üretimiyle ilgili başka zorluklar da var.

Makine öğrenimi dedektör modülü, tespit edilen her kuş seslendirmesine 0 ile 1 arasında niceliksel bir güven puanı verir; bu da yazılımın tespit edilen sesin belirli bir tür olarak doğru tanımlandığından ne kadar emin olduğunugösterir 18,19,21. Hassasiyet, gerçek pozitif (yani doğru tanımlamalar) olan tespit oranı olarak tanımlanır ve bupuandan etkilenen temel bir metriktir. Sonuç olarak, daha yüksek bir güven puanı daha az tespit üretebilir, ancak daha yüksek hassasiyetle ancak özellikle gürültülü ortamlarda tespitleri kaçırabilir ve daha düşük bir puan daha düşük kesin hassasiyetle daha fazla tespitüretebilir 22,23. Güven puanları ile hassasiyet arasındaki ilişki karmaşıktır; genellikle bazı yüksek güven puanlarının yanlış pozitif olabileceği görülür; örneğin arka plan gürültüsü yüksek seviyelere sahip yerlerde veya diğer türlerin seslendirmelerini taklit etme olasılığı yüksek türlerde(23,24). Tür ve konum arasındaki hassasiyet değişkenliği nedeniyle, yapılandırma sürecinde her kuş türüne bireysel güven puanı eşikleri atanabilir; bu eşik sadece bu eşiğin üzerinde skora sahip tespitler etiketlenir. Tüm türler ve yerler için yüksek evrensel güven puanı eşiği uygulanabilir, ancak bu genellikle yanlış negatif (kaçırılmış tanımlamalar) sayısını artırır22,25,26; yanlış pozitif sayısı türler arasında değişiklik gösterir ve kayıtlar arasında çevresel farklılıklar vardır.

Çeşitli çalışmalar ve en iyi uygulama rehberleri, belirli türler ve çalışma yerleri için makine öğrenimi dedektör modülünün çalıştırılması için optimal güven puanı eşiğini belirlemek için çeşitli yöntemler ortaya koyar; böylece tespitler daha büyük bir güvenle gerçek pozitif olarak kabuledilir 21,24,26,27,28 . Bir yaklaşım, F-puanlarını çeşitli güven eşikleri aralığında hesaplayıp F-puanını maksimize eden eşiği seçerek hem hassasiyeti hem dehatırlama dengesini 29,30 ile ele almayı içerir. Olasılık kalibrasyonuna izin veren alternatif bir yaklaşım, tahminlerin rastgele bir alt kümesini manuel olarak doğrulamayı ve lojistik bir regresyon uygulayarak ikili doğrulama sonucu (doğru/yanlış tespit) ile ilgili güvenpuanı 21 arasında bir ilişki kurmayı içerir. Bu yöntem, tür ve çevresel koşullar (örneğin, değişken arka plan gürültüsü) arasında ayarlanabilecek bağlama özgü eşikleri belirlemek için kullanılabilir.19. Bu yöntemler, Yucatán kara uluyan maymunları (Alouatta pigra), gri kurtlar (Canis lupus) ve çakallar (C. latrans) üzerinde pasif akustik izleme çalışmalarında uygulanmıştır27,28.

Bu yöntem makalesinin amacı, Raven Pro-biyoakustik analiz yazılımı (ver 1.6) içindeki makine öğrenimi tabanlı kuş ses tanıma modeli kullanılarak büyük akustik veri setlerinden türe özgü ses verilerini doğru ve güvenilir şekilde çıkarmak için ölçeklenebilir bir metodolojiyi göstermek ve doğrulamaktır. Bu yaklaşım, Wood ve Kahl'ın21 en iyi uygulama yönergesine uygun güven puanı eşiklerinin hesaplanmasını içerir. Bu yönergeler21, makine öğrenimi tabanlı kuş ses tanımamodeli 19 içinde güven puanlarının uygulanması için kapsamlı bir çerçeve sunarken, öncelikle en iyi uygulama önerileri olarak sunulmaktadır. Bu prosedürleri, akustik koşulların ve arka plan gürültüsünün mekânsal olarak değiştiği gerçekçi izleme kısıtlamaları altında dağıtık ARU çalışma sistemlerinde çok az çalışmanınuyguladığı bir çalışmadır. Bu protokol (Şekil 1), özellikle birden fazla alan, değişken akustik ortamlar veya yüksek yanlış sınıflandırma oranlarına sahip hedef türleri içeren büyük ölçekli pasif akustik izleme çalışmaları için uygundur. Ayrıca, bu yönergelerin biyoakustik analiz yazılımında (ver 1.6)19,31 uygulanması, kodlama tabanlı ortamlara kıyasla daha erişilebilir ve kullanıcı dostu bir platformolan 32,33 daha önce gösterilmemiştir.

figure-introduction-1
Şekil 1: Tüm iş akışının şematik temsili. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Bu boşluğu gidermek için, protokolü AudioMoths - ARUs (ver 1.2.0)34,35 ile kaydedilen büyük ölçekli veri setleri kullanarak çeşitli habitatlarda uygular ve doğruluyoruz. Odak türümüz Avrupa Robin (Erithacus rubecula), yüksek şarkı değişkenliği ve yapısal karmaşıklıksergiler (36,37) ve ilk pilot analizlerinde yanlış tanımlamaya yatkınlık göstermiştir. Biyoakustik analizyazılımı 19,31 içinde makine öğrenimi tabanlı kuş ses tanıma modeli konfigürasyonuna tür ve siteye özgü güven puanı eşikleri uygulayarak, protokolü değişken akustik koşullarda değerlendiriyoruz; farklı arka plan gürültü seviyeleri ve tür toplulukları dahil ediyoruz ve eşik optimizasyonun özelleştirilmesinin, varsayılan ayarlara kıyasla tespit hassasiyetini önemli ölçüde artırabileceğini gösteriyoruz. Bu yaklaşım, makine öğrenimi tabanlı kuş ses tanımamodeli 19'un büyük ölçekli PAM çalışmalarında minimum kodlama ile erişilebilir, akıcı ve verimli uygulanmasını kolaylaştırmak için tasarlanmıştır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Etik bildirisi
Bu protokol, Liverpool John Moores Üniversitesi'nin etik yönergelerini takip etmektedir. Metodoloji yalnızca pasif akustik izlemeyi içeriyordu ve hayvanların ele alınması, rahatsızlığı veya deneysel manipülasyonu içermiyordu. ARU'ları konuşlandırmak için tehlikeli bir prosedür gerekmiyordu. ARU'lar, kurumsal araştırma ve saha çalışması yönergelerine uygun olarak yerleştirildi ve kayıt alanlarında akustik izleme hakkında kamuoyunu bilgilendirmek için uygun tabelalar kuruldu. Ancak, saha faaliyeti yapmadan önce hava tahminlerini kontrol etmek ve her saha alanı için bir risk değerlendirmesi yapmak şiddetle tavsiye edilir.

Yazılım, lisanslama ve kullanım
NOT: ARU verileri, biyoakustik analiz yazılımı (v1.6)19,31 içinde makine öğrenimi tabanlı kuş ses tanıma modeli kullanılarak işlenmelidir; dedektör çıkışları da aynı yazılımda (v1.6)31 işlenmelidir. Bu lisanslı bir yazılımdır ve ücretsiz olarak erişilebilir değildir; burada tanımlanan iş akışını kullanmak kurumsal veya bireysel lisans yoluyla erişim gerektirir. Ayrıca, yazılım içindeki makine öğrenimi tabanlı kuş ses tanıma modeli (v1.6)19,31, şu anda ARM tabanlı işlemci mimarisine sahip Apple cihazlarında (M1 veya M2 çipleri) çalışmamaktadır, ancak bu protokol Intel CPU'lu macOS tabanlı bilgisayarlar ve Windows işletim sistemleriyle uyumludur

1. Ses veri toplama

  1. ARU'ları dağıtıma hazırlamak
    1. ARU'lara piller takın (bu deney sırasında şarj edilebilir alkali piller kullanıldı).
    2. Toplanacak veri miktarına göre uygun boyutta çıkarılabilir bellek kartları takın (bu deneyde 2 GB çıkarılabilir hafıza kartı kullanıldı).
      Not: 30 günlük bir süre boyunca günde 108 adet 1 dakikalık dosya üreten kayıt programları için (bkz. adım 1.2.5.2), her dosya yaklaşık 5760 kB olup toplam 622 MB veri hacmine ulaşmıştır. Günlük enerji tüketimi tahmini olarak 26 mAh. Bu nedenle, temsil sonuçları için yeterli depolama sağlamak için 2 GB kapasiteli çıkarılabilir hafıza kartları kullanıldı. Ayrıca, test koşullarında şarj edilebilir alkali piller, lityum AA piller ve şarj edilebilir NiMH yerine en uzun süre kullanılabilir gücü korudu.
  2. Her ARU'yu dağıtım için yapılandırma
    1. 'ARU cihaz yazılımı güncelleme uygulaması'39 ve 'ARU cihaz yapılandırma uygulaması'40'ı ARU web sitesi41'deki 'Uygulama İndirme Sayfası'ndan indirin.
    2. ARU'ları veri aktarım kablosu kullanarak bir bilgisayara tek tek bağlayın.
    3. Cihazın USB/Kapalı moduna geçtiğinden emin olun.
    4. Cihazları en son firmware'e güncellemek için 'ARU cihaz firmware güncelleme uygulaması'39 ile güncelledin.
    5. 'ARU cihaz yapılandırma uygulaması'40 ile ARU'ları belirli bir gün sayısı boyunca hedef saatte kaydedecek şekilde ayarlayın. Aktif kayıt sürelerini ve uyku aralıklarını belirleyin.
      1. Hedef türlerin en aktif olduğu zaman aralıklarını belirleyin (örneğin, gündüz yaşayan kuşlar için şafak korosu) ve kayıt sürelerini buna göre planlayın.
      2. ARU'ların aktif olarak ne kadar süre kaydettiğini ve ne kadar süre uyku modunda olduğunu belirten uygun bir görev döngüsü belirleyin.
        Örnek: Bu temsilci sonuçlar için, ARU'lar1 Haziran - 30Haziran 2023 tarihleri arasında her gün 4:00–9:00 ve 17:00–21:00 saatleri arasında kayıt yapacak şekilde programlanmıştır. Bu zaman aralıkları hem şafak hem de alacakaranlık korolarını yakalamak için seçildi. Aktif dönemlerde, cihazlar 1 dakikalık WAV dosyalarını kaydetti ve ardından 4 dakikalık uyku aralığı aldı; böylece günde toplam 108 adet 1 dakikalık kayıt elde edildi.
        Not: ARU'lar sürekli kayıt yapabilir, ancak bu hızla pil tüketimini ve çıkarılabilir hafıza kartı kullanımını artırır.
      3. 'ARU cihaz yapılandırma uygulaması'42 ile cihazları 48 kHz örnekleme hızında kaydetmeye ayarlayın; bu da kuş seslerinin tamaralığını yakalamak için önerilen 34,35 ve orta kazanç (genellikle gürültülü ortamlarda kayıt yapmadıkça varsayılan olarakbırakılır 34,35). Hedef türlerin ses verme frekansına bağlı olarak diğer örnekleme hızları da kullanılabilir; örneğin ultrasonik vahşi yaşam, örneğin yarasalar veya amfibiler için, örnekleme hızı 384 kHz35 kullanılır.
    6. Tüm ARU'ları yapılandırdıktan sonra, her cihazı ÖZEL moda geçirin.
  3. Cihaz koruması ve etiketleme
    1. Her ARU cihazını Antistatik Ziplock torbasına yerleştirin. Su hasarını önlemek için gerekirse ek su geçirmez bant kullanın. Nemi emmek için poşetlerin içine Silika Jel paketleri yerleştirin.
    2. Her ARU'yu numara ve konumuna göre etiketleyin.
  4. ARU dağıtımı
    1. ARU'ların hedef tür habitat içinde konuşlandırılacağı yerleri belirleyin.
    2. ARU'ları çalışma gereksinimlerine ve hedef türlere uygun aralıklarda konuşlandırın.
      Not: Tespit mesafesi, habitat, arka plan gürültüsü ve türlerin çağrı seslerine bağlıdır. Yüksek sesli türler (örneğin, Avrasya bitterni) 800 m'ye kadar ARU'lar tarafından tespit edilebilirken, kayıtlar daha uzun mesafelerde bozulmakta incelik ölçemelerinisınırlar 20. Burada, her bir alanda bir ARU analiz edildi, birimler yaklaşık 100 m arayla iyi bir mekansal kapsama ve net seslendirmeler sağlandı. Tür, habitat ve proje hedeflerine göre aralıkları ayarlayın.

2. Otomatik tür tespiti için biyoakustik analizyazılımı 19,31'de makine öğrenimi dedektör modülünün kullanılması

  1. Ses verisi aktarımı
    1. Dağıtım süresi sona erdikten sonra, çıkarılabilir bellek kartlarını ARU'lardan çıkarın ve hangi çıkarılabilir bellek kartlarının her numaralı ARU'ya karşılık geldiğini not edin.
    2. Her çıkarılabilir hafıza kartından tüm WAV dosyalarını bir kart okuyucu kullanarak bilgisayara aktarın.
    3. Her ARU'dan oluşturulan tüm WAV dosyalarını, ilgili ARU numarası ve konumuyla etiketlenmiş klasörlere düzenleyin.
    4. Tüm verilerin yedeği diğer cihazlara kaydedin. Duraklama noktası: Protokol burada duraklatılabilir.
    5. Bu verilere erişimi yetkili proje araştırmacılarına sınırlayın ve özellikle insan faaliyetlerinin yanlışlıkla kaydedilmiş olabileceği durumlarda gizliliği korumak için verilerin şifreyle korunmasını sağlayın.
  2. Makine öğrenimi dedektör modülünü yapılandırma
    1. Biyoakustik analiz yazılımı31'i açın ve açılır menüden Tools > Detector > Learning Detector'ı seçin.
    2. Dedektör Girişleri Seç penceresinde Bak'ı seçin. Sonraki Open Sound Files penceresinde, ilgili ARU klasöründeki tüm WAV dosyalarını seçin ve Aç (Ek Dosyalar S1 ve S2) tuşuna tıklayın.
    3. Açılan Yeni Sesi Yapılandır penceresinde , Sayfa Sesi > Sayfa Sesi altında, her kaydın uzunluğu için uygun Sayfa Boyutunu girin (örneğin, 1 dakikalık WAV dosyaları için 60 saniye) (Ek Dosya S3).
    4. Aynı Yeni Ses Yapılandır penceresinde, Çoklu Dosyalar altında bir pencerede Dosya olarak Aç dizisini seçin, ardından Tamam'a tıklayın (Ek Dosya S3).
    5. Geri dönen Dedektör Girişlerini Seç penceresinde, sağdaki Mevcut Sinyaller ve Görünümler altında Dalga Formu seçin ve << ok düğmesine tıklayarak Gerekli Girişler sayfasına geçin. Gerekli Girişler kutusunun altındaki durumun Ready! olduğunu onaylayın ve Tamam (Ek Dosya S4) tuşuna tıklayın.
    6. Görünüşte Makine Öğrenimi Dedektörünü Yapılandır penceresinde, Girişler sekmesinin altında, Model Seç'ten istediğiniz modeli seçin. Kuş türleri analiz edilirken, çeşitli güncellemeler arasında 3000–6000'den fazla kuş türü yer alan küresel kuş sınıflandırmamodeli kullanılır 19 (Ek Dosya S5).
    7. Girişler sekmesi altında, sonraki güven puanı eşik analizine (Ek Dosya S5) herhangi bir müdahale önlemek için Örtüşmeleri varsayılan 0 s olarak bırakın.
    8. Çıktılar sekmesinden Çıktı Sınıfı Dosyası açılır menüsünden Çıktı Sınıfı Dosyası seçeneğini seçin ve çalışmanın coğrafi konumuna (Ek Dosya S6) bağlı çıktı listesini seçin.
    9. Çıktılar sekmesinin altında, seçilen Çıktı Sınıfı Dosyası ile ilgili kuş türlerinin bir listesi olacaktır. Eşik değerini 0.1'e indirin ve Hepsini Uygula'yı seçin, Eşik altındaki tüm değerlerin artık listede 0.1 olduğundan emin olun (Ek Dosya S6).
    10. Tüm Türleri Bastır seçeneğini seçin, tür listesindeki tüm kutularda işaretler belirir. Sonra hedef türü bulup Suppress sütununda (Ek Dosya S6) işaretini kaldırın.
    11. Öğrenme Dedektörü'nü başlatmak için OK tuşuna basar, bu dosyaları işler ve hedef tür seslendirmelerini tespit ettiği yerlerde seçimler oluşturur.
    12. İlerleme Yöneticisini takip ederek Tamamlanma Yüzdesi ve Kalan Zamanı (Ek Dosya S7) takip edin.
  3. Öğrenme Dedektörünü Kaydet Çıkışı
    Not: İşlem sırasında bir Öğrenme Dedektörü tablosu oluşturulacak ve spektrogram görünümünün altında gösterilecektir. Bu tablodaki numaralı seçimler, dedektörün spektrogram görünümünde tanımladığı seçimlere karşılık gelir. Her seçim 3 saniye uzunluğunda sabit olur ve algılanan tüm seslendirme boyunca her zaman tekrarlanmayabilir. Her seçime, seçim tablosunda (Ek Dosya S8) bir tanımlama Etiketi ve Puan atanır. Bu skorlar birimsiz bir tahmindir ve sonraki aşamalarda lojistik regresyon analizinde kullanılacaktır.
    1. Dosya > Kayıt Seçim Tablosu "Öğrenme Dedektör" As seçeneğini seçin ve dosyayı ARU adı ile aşağıdaki gibi bir tanımlayıcı ile kaydedin: AM1_LearningDetectorTable_Original.txt.

3. Her çalışma noktasından temsilci bir ARU'da hedef türler için hassas tablolar oluşturun

  1. Doğrulama veri setini hazırla
    1. 2.3.1. adımda kaydedilen Öğrenme Dedektörü seçim tablosunu açın ve bir elektronik tablo yazılımına aktarın.
    2. Etiket sütununda yalnızca hedef türün göründüğünü doğrulayın.
    3. Seçim ve Puan sütunları dışındaki tüm sütunları silin.
    4. Elektronik tablonun rastgeleleştirme fonksiyonunu kullanarak satırları rastgele yapın (örneğin, =RAND( ile bir sütun ekleyin), bu sütunu sıralayın, ardından rastgeleleştirme sütununu silin).
    5. İlk 300 rastgele tespit varsa, 300'den az varsa, tüm tespitleri koruyun.
      Not: Doğrulama için 300 tespit seçmek, benzer çalışmalarda 1 aylık akustik verikullanılarak standarttır 24. Bu örneklem büyüklüğü, hassasiyet ve yanlış etiketleme oranlarını güvenilir şekilde tahmin eder, çeşitli tespit puanları yakalar ve iş yükünü yönetilebilir kılar. Daha uzun veri setleri için daha fazla seçim gerekebilir.
    6. Doğrulama veri setini, analiz edilen ARU adı ve şu gibi bir tanımlayıcı kullanarak kaydedin: AM1_ValidationDataset.xlsx.
  2. Manuel doğrulama için biyoakustik analiz yazılımı hazırlamak
    1. Yazılımı aç 31, Dosya > Ses Dosyalarını Aç... ve Open Sound Files penceresinde analiz edilen ARU için tüm ilgili WAV dosyalarını seçip Aç düğmesine tıklayın.
    2. Açılan Yeni Sesi Konfigureet Penceresi'nde, Sayfalama altında Sayfa Sesi'ni seçin ve 2.2.3. adımda kullanılan Sayfa boyutunu girin. Çoklu Dosyalar altında bir pencerede Dosya olarak Aç seçeneğini seçin ve OK seçin.
    3. Dosyaya geçin > Seçim Tablosunu Açın... ve 2.3.1 adımında kaydedilen analiz edilen ARU'nun Öğrenme Algılama Tablosunu açın.
    4. Ses görünümünün solundaki panelde, Layouts sekmesinin altında, Görünüm:'de, Waveform görünümünü kaldırın, böylece tüm dosyalar Spektrogram görünümünde görüntülenir ve ses yapısının görsel olarak doğrulanmasını sağlar.
  3. Rastgele seçimleri onaylayın
    1. Biyoakustik analizyazılımı 31 ile birlikte, hazırlanan veriler manuel doğrulama için hazır hale getirilirken, 3.1.6. adımda kaydedilen doğrulama tablosunu açın.
    2. Elektronik tabloda Doğru Tespit Edildi etiketli yeni bir sütun oluşturun.
    3. Rastgele listeden her bir seçim numarasını spektrogram görünümünde bulun ve doğru tespit edilen (1) veya yanlış (0) olarak tespit edilip edilmediğini Doğru Tespit Edilmiş sütununa girin.
  4. Dedektör hassasiyetini hesaplayın
    1. ARU ve hedef türler için dedektörün hassasiyetini (lojistik regresyondan önce) şu formülü kullanarak hesaplayın:
    2. Hassasiyet (%) = (Doğru tespit sayısı/Toplam doğrulanmış tespit) x 100
    3. %90 veya daha yüksek hassasiyete sahip veri setleri için, mevcut dedektör ayarlarını koruyun.
    4. %90'ın altında hassasiyete sahip veri setleri için, dedektörün çalışmak için optimal eşik belirlenmesi için lojistik regresyon analizi yapmak üzere bölüm 4'e geçin.
      Not: Hassasiyet %90'ın altına düştüğünde, yüksek yanlış etiketleme oranları eşik ayarlaması olmadan seslendirmelerin güvenilir şekilde çıkarılmasını zorlaştırır. %90 kesim, tespit güvenilirliğini yeterli örneklem büyüklüğüyle dengeler. Önceki makine öğrenimi tabanlı kuş ses tanıma modeli kalibrasyon çalışmaları da %90 ve üzeri hassasiyet oranlarını yeterince güvenilirolarak kabul eder 42.

4. Doğrulama tablolarında lojistik regresyon analizi yaparak optimal bir güven puanı eşiği oluşturulur

  1. Wood & Kahl'ın21 yönergesini kullanarak güven puanı eşikleri oluşturun
    1. Bölüm 3'te oluşturulan doğrulama veri setini içe aktarmak için R32 yazılımını kullanın.
    2. Genelleştirilmiş doğrusal modelleme fonksiyonunu kullanarak bir lojistik regresyon çalıştırın, veri setinde aile binom olarak kullanılıyor.
    3. İstenen hassasiyet olasılığını 0.9 olarak ayarlayın, bu da bir tespitin gerçek pozitif olma olasılığının %90 veya üzerinde olacağı anlamına gelir.
      Not: İstenen hassasiyet olasılığını 0.9'a ayarlamak, çoğu tespitin gerçek pozitif olmasını sağlar, ancak bu seviyede bile büyük akustik veri setlerinde yanlış pozitifler meydana gelebilir ve kullanıcılar bu sınırlamanın farkında olmalıdır. %90 hassasiyet eşiği, kullanıcıların yüksek sayıda doğru tespit etmesini sağlarken, sağlam bir analiz için yeterli veri tutarken, %100 hedeflemeyi hedeflemek kullanılabilir veriyi sınırlar.
    4. Aşağıdaki Lojistik Regresyon Analiz Script'i kullanarak tahmin değeri (güven puanı) için uygun lojistik regresyon denklemini çözerek optimal eşik hesaplayın:
      figure-protocol-1
      p = 0.9 ve β0 ile β1, uyarlanan modelden alınan kesişme ve eğimdir
      İstatistiksel hesaplama yazılımı için Lojistik Regresyon Analiz Scripti
      # Yük doğrulama tablosu
      ThresholdRobin <-read.csv('ValidationTableRobin.csv')
      # Lojistik Regresyonu Çalıştır
      Model1<-glm(Doğru.Tespit edildi~Puan, data=ThresholdRobin, family='binomial')
      Model1
      # %90 hassasiyetin üzerinde istenen olasılık
      p <- 0.9 # istenen p (gerçek pozitif olasılığı)
      eşik <- (log(p/(1-p))- Model1$katsayılar[1]) / Model1$katsayıları [2]
      Not: Önceki çalışmalardaolduğu gibi Logit Puanı 24,27 gibi bağımsız değişken olarak kullanılmak yerine, bağımsız değişken olarak ham güven puanlarını kullanın. Wood ve Kahl'ın21 yönergesinde hem ham güven puanlarının hem de geriye dönüştürülmüş versiyonların kullanılabileceği belirtilir.
  2. Optimal güven puanını uygulayın
    1. Biyoakustik analiz yazılımı31'i açın.
    2. Bölüm 2'deki adımlarla araştırılan ARU'da Öğrenme Dedektörü'nü yeniden çalıştırın. Ancak, bu sefer yapılandırma sürecinde, tespit edilen hedef türün Eşiği , protokolün 4.1. bölümünde belirlenen eşik olarak değiştirilmelidir.
    3. (İsteğe bağlı) Algılama çözünürlüğünü artırmak için örtüşmeyi 2 saniyeye çıkar.
      Not: Örtüşme değeri, bitişik tespit edilen segmentlerin ne kadar örtüştüğünü belirler. 0 s seviyesinde segment sınırlarındaki seslendirmeler kaçırılabilir (yanlış negatifler). Artan örtüşme, tespit çözünürlüğünü ve tahmin gücünü artırır ancak analiziyavaşlatır 19,29. Burada, lojistik regresyon için, varsayılan olarak 0 s örtüşmesi kullanılmıştır. Lojistik regresyon analizinde hesaplanan temsil sonuçlar ve güven puanı eşikleriyle, hem 0 hem de 2 s arasında bir örtüşme test edilir.
    4. Artık daha doğru olmalı ve daha az yanlış pozitif içeren yeni bir tespit listesi oluşturulacak (bkz. Sonuçlar).
    5. Yeni Öğrenme Dedektörü çıktısını, türetilen güven puanı eşiği kullanılarak oluşturulan tespit listesiyle birlikte Dosya > Kayıt Seçim Tablosu "Öğrenme Dedektörü" As olarak seçerek kaydedin ve dosyayı ARU adı ile aşağıdaki gibi bir tanımlayıcı ile kaydedin: AM1_LearningDetectorTable_OptimisedThreshold.txt.
    6. Bu dosya, protokol tarafından oluşturulan son doğrulanmış veri setini temsil eder. Bu protokolün nihai çıktısı olarak kaydedilmiş optimize edilmiş öğrenme dedektörü seçim tablosunu kullanın. Lütfen seslendirmelerin notlanması ve akustik parametre çıkarımı gibi sonraki analizlerin bu yöntemin kapsamı dışında olduğunu unutmayın.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Tanımlanan protokolün etkinliğini göstermek için, Liverpool'daki bir park (ARU 1), The Cairngorms Ulusal Parkı içinde doğal olarak yenilenen ormanlık alanı (ARU 2) ve Glasgow'daki banliyö alanı (ARU 3) dahil olmak üzere farklı ortamlara ve kuş türlerine sahip üç alanda toplanan Avrupa Robin (Erithacus rubecula) akustik verilerinin analizinden temsil edici sonuçlar sunuyoruz. Bu örnekler, istatistiksel olarak türetilen güven puanı eşiklerinin uygulanmasının farklı akustik ortamla...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu makalede belirtilen protokolün kullanımı, büyük ses setleri işlenirken faydalı olmuş olan, türe özgü ve doğru sınıflandırılmış kuş sesleri veri setleri oluşturmak için güvenilir ve akıcı bir yöntem sunmaktadır. Protokolü, şarkı repertuarında iyi bilinen yapısal ve frekans değişkenliği nedeniyle AvrupaRobin'inde test etmeyi seçtik. Yani başlangıçta, tespitlerde yüksek yanlış etiketleme (yanlış pozitif) oranları bulundu (Tablo 1). Ayrıca, yeni tü...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarların rekabet eden finansal çıkarları yoktur.

Teşekkürler

Rehberlik ve kaynaklar için Liverpool John Moore Üniversitesi'ne teşekkür ederiz. Ayrıca bu araştırma WAI hibeleriyle finanse edilen destek için Wild Animal Initiative'e (WAI) teşekkür ediyoruz.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Otonom Kayıt Birimleri v1.2.0Açık Akustik CihazlarYokOtonom kayıt ünitesi (ARU)
Biyoakustik Analiz Yazılımı v1.6.5Cornell Ornitoloji LaboratuvarıRRID:SCR_016190Ses analiz yazılımı
Veri Aktarım KablosuÇeşitli ÜreticilerYokCihazlardan veri aktarmak için kullanılır
Cihaz Yapılandırma UygulamalarıAçık Akustik CihazlarYokAudioMoths konfigurasyonu için uygulamalar
Makine Öğrenimi Dedektör Modülü v2.4Cornell Ornitoloji LaboratuvarıYokMakine öğrenimi dedektörü 
Şarj edilebilir Alkalin PillerÇeşitli ÜreticilerYokKayıt üniteleri için güç kaynağı
Çıkarılabilir Bellek KartlarıÇeşitli ÜreticilerYokKayıtlar için veri depolama
İstatistiksel Hesaplama YazılımıR Çekirdek TakımıRRID:SCR_001905İstatistiksel hesaplama yazılımı

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Avrupa Ard c Tespit SistemiPasif Akustik zlemeMakine renmesi Detekt rBiyoakustik AnalizOtonom Kay t niteleriG ven Puan E i i

İlgili makaleler