Artificial intelligence (BirdNET) supplements manual methods to maximize bird species richness from acoustic data sets generated from regional monitoring
Notice bibliographique
Résumé
Processing methods that maximize species richness from acoustic recordings obtained from regional monitoring programs can increase detections of uncommon, rare, and cryptic species and provide key information on species status and distribution. Using data from regional bird monitoring in Yukon, Canada, we (1) compared the number of bird species detected (species richness) and the cost associated with four acoustic processing methods ( Listening, Visual Scanning, Recognizer, and Recognizer with Validation) and (2) combined Listening and Recognizer with Validation information to increase detections of all bird species at the ecoregion scale. We used comprehensive Visual Scanning to detect all bird species on the recordings. We processed ∼1% of the recordings using Listening and detected 56% of the bird community with 71.5 h of human effort. We used Recognizer (multispecies recognizer BirdNET) with Validation and detected 89% of the bird community with ∼22% of the effort required for Visual Scanning (56 and 257 h, respectively). As an application of our approach, we combined Listening and Recognizer with Validation to process recordings from five northern ecoregions and found a 23%–63% increase in the number of bird species detected with little additional effort. Combining Listening and Recognizer with Validation can maximize species detections from large passive acoustic monitoring data sets.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».