Utility of Automated Species Recognition For Acoustic Monitoring of Owls
Notice bibliographique
Résumé
Presence or abundance of owls is frequently assessed using call-broadcast surveys to elicit responses and increase detection rates, but can draw owls in from a distance and could affect conclusions about fine-scale habitat associations. Passive acoustic surveys with field personnel or autonomous recording units (ARUs) may be a less biased method for surveying owls. Automated recognition techniques have proven useful to process large volumes of acoustic recordings from ARUs, and we sought to test the utility of automated recognition for three owl species. We built templates or “recognizers” for the territorial calls of the Barred Owl (Strix varia), the Boreal Owl (Aegolius funereus), and the Great Horned Owl (Bubo virginianus). We assessed the performance of each recognizer by evaluating precision, processing time, and false negatives. We used ARUs to survey for owls in northeastern Alberta, Canada, and compared the results from the recognizers to results from researchers listening to a subsample of the recordings. We verified the results to filter out false positives, but verification time was substantially lower than time spent listening. We processed more recordings and obtained a larger dataset of owl detections than would have been possible with either listening to the recordings only or conducting traditional field surveys without ARUs, suggesting a significant benefit of automated recognition. Precision was quite variable, but false negatives were relatively low and did not affect results of owl habitat associations. Given the relatively low detection rates of owls by listening to recordings, an automated recognition approach is likely to be highly useful for monitoring owls.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».