Using autonomous recording units for vocal individuality: insights from Barred Owl identification
Notice bibliographique
Résumé
Recent advances in acoustic recording equipment enable autonomous monitoring with extended spatial and temporal scales, which may allow for the censusing of species with individually distinct vocalizations, such as owls. We assessed the potential for identifying individual Barred Owls (<em>Strix varia</em>) through detections of their vocalizations using passive acoustic monitoring. We placed autonomous recording units throughout the John Prince Research Forest (54°27' N, 124°10' W, 700 m ASL) and surrounding area, in northern British Columbia, Canada, from February to April 2021. The study area was 357 km<sup>2</sup> with a minimum of 2 km between the 66 recording stations. During this period, we collected 454 Barred Owl calls, specifically the <em>two-phrase hoot</em>, from 10 recording stations, which were of sufficient quality for spectrographic analysis. From each call, we measured 30 features: 12 temporal and 18 frequency features. Using forward stepwise discriminant function analysis, the model correctly categorized 83.2% of the calls to their true recording location based on a 5-fold cross validation. The model showed substantial agreement between the recording station that the call was classified to originate from, and where the call was actually recorded. The most important features of the calls that enabled discrimination were call length, interval between the 4th and the 5th note, interval between the 6th and 7th note, and duration of the 8th note. Our results suggest that passive acoustic monitoring can be used not only to detect presence/absence of species but also, where vocalizations have individually distinct features, for population censusing.
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 | 0,000 | 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 | 0,000 | 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) | 0,000 | 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 ».