<i>NABat ML</i>: Utilizing deep learning to enable crowdsourced development of automated, scalable solutions for documenting North American bat populations
Notice bibliographique
Résumé
Abstract Bats play crucial ecological roles and provide valuable ecosystem services, yet many populations face serious threats from various ecological disturbances. The North American Bat Monitoring Program (NABat) aims to use its technology infrastructure to assess status and trends of bat populations, while developing innovative and community‐driven conservation solutions. Here, we present NABat ML , an automated machine‐learning algorithm that improves the scalability and scientific transparency of NABat acoustic monitoring. This model combines signal processing techniques and convolutional neural networks (CNNs) to detect and classify recorded bat echolocation calls. We developed our CNN model with internet‐based computing resources (‘cloud environment’), and trained it on >600,000 spectrogram images. We also incorporated species range maps to improve the robustness and accuracy of the model for future ‘unseen’ data. We evaluated model performance using a comprehensive, independent, holdout dataset. NABat ML successfully distinguished 31 classes (30 species and a noise class) with overall weighted‐average accuracy and precision rates of 92%, and ≥90% classification accuracy for 19 of the bat species. Using a single cloud‐environment computing instance, the entire model training process took <16 h. Synthesis and applications . Our convolutional neural network (CNN)‐based model, NABat ML , classifies 30 North American bat species using their recorded echolocation calls with an overall accuracy of 92%. In addition to providing highly accurate species‐level classification, NABat ML and its outputs are compatible with Bayesian and other statistical techniques for measuring uncertainty in classification. Our model is open‐source and reproducible, enabling future implementations as software on end‐user devices and cloud‐based web applications. These qualities make NABat ML highly suitable for applications ranging from grassroots community science initiatives to big‐data methods developed and implemented by researchers and professional practitioners. We believe the transparency and accessibility of NABat ML will encourage broad‐scale participation in bat monitoring, and enable development of innovative solutions needed to conserve North American bat species.
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 | 0,001 | 0,000 |
| 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 | 0,002 | 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) | 0,000 | 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 ».