Do you hear what I hear? Implications of detector selection for acoustic monitoring of bats
Notice bibliographique
Résumé
Summary The probability of detecting the echolocation calls of bats is affected by the strength of the signal as well as the directionality and frequency response of the acoustic detectors. Regardless of the research question, it is important to quantify variation in recording system performance and its impacts on bat detection results. The purpose of this study was to compare the detection of echolocation calls among five commonly used bat detectors: AnaBat SD2 (Titley Scientific), Avisoft UltraSoundGate 116 CM16/CMPA (Avisoft Bioacoustics), Batcorder 2·0 (ecoObs), Batlogger (Elekon AG) and Song Meter SM2BAT (Wildlife Acoustics). We used playback of synthetic calls to optimize detection settings for each system. We then played synthetic signals at four frequencies (25, 55, 85 and 115 kHz) at 5‐m intervals (5–40 m) and three angles (0°, 45°, 90°) from the detectors. Finally, we recorded free‐flying bats (Lasiurus cinereus), comparing the number of calls detected by each detector. Detection was most affected by the frequency dominating the signal and the distance from the source. The effect of angle was less apparent. In the synthetic signal experiment, Avisoft and Batlogger outperformed other detectors, while Batcorder and Song Meter performed similarly. Batlogger performed better than the other detectors at angles off‐centre (45° and 90°). AnaBat detected the fewest signals and none at 85 kHz or 115 kHz. Avisoft detected the most signals. In the free‐flying bat experiment, Batlogger recorded 93% of calls relative to Avisoft, while AnaBat, Batcorder and Song Meter recorded 40–50% of the calls detected by Avisoft. Numerous factors contribute to variation in data sets from acoustic monitoring; our results demonstrate that choice of detector plays a role in this variation. Differences among detectors make it difficult to compare data sets obtained with different systems. Therefore, the choice of detector should be taken into account in designing studies and considering bat activity levels among studies using different detectors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».