Remote and automated detection of Asian hornets (Vespa velutina nigrithorax) at an apiary, using spectral features of their hovering flight sounds
Notice bibliographique
Résumé
• Honeybees and hornets are monitored at hives, using a camcorder and microphone. • Their flight sounds differ and can be discriminated with machine learning. • Two-dimensional-Fourier-transform analysis promotes the discrimination success. • The hovering of hornets during predation is key to acoustic discrimination success. Asian hornets ( Vespa velutina nigrithorax ) are an invasive species that have spread across Europe since 2004. As V.velutina largely predate on honeybees, assessing their presence at apiaries would be useful for invasive species control programmes and beekeepers to help protect their hives. At present, hornet monitoring techniques are both costly and time consuming. A promising alternative is a remote detection strategy at apiaries, which would promote straightforward, non-invasive data acquisition. The remote capture of flight acoustics should benefit hornet detection as wingbeat frequencies have previously been described as ‘the fingerprint’ of some flying invertebrate species. We here demonstrate a non-invasive method of V.velutina detection using their hovering flight sounds, captured by microphones that can be left at an apiary over the long-term. Paired with a training algorithm (principal component analysis and discriminant function analysis) that discriminates between hornet flight and other external noises (honeybee flight sounds and general background noise), we demonstrate that hornet hovering acoustics exhibit specific spectral features that promote the detection of individuals at an apiary. The training algorithm in our study was highly accurate (98.7 %) when testing just under 1-hour of apiary recordings. Utilising two-dimensional-Fourier-transforms has also benefited this algorithm, as the analysis technique is ideal for identifying repeating features in sound/vibrational data, which are an inherent consequence of hovering hornet sounds. The experimental design and training algorithm used in this study have demonstrated excellent potential for hornet detection in the field, and are now ready to be tested on long-term, continuous data to further assess their success.
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 ».