Grote kans dat je in het veld de telefoon een keer hebt gepakt om een vogelgeluid te herkennen. Steeds meer vogelaars maken gebruik van slimme apps als Merlin en BirdNet die met behulp van kunstmatige intelligentie vogelgeluiden kunnen determineren. Handig voor de beginnende vogelaar, maar voor de toepassing in het vogelonderzoek zijn er nog veel uitdagingen te overwinnen.
Automatische herkenning van vogelgeluiden begint met een algoritme. Dit is feitelijk niets meer dan een verzameling van regels waarin staat welk geluid bij welke vogel hoort. Een van de bekendste algoritmes is het Amerikaanse BirdNET, ontwikkeld door Cornell Lab of Ornithology en de Chemnitz University of
Technology. Een ander voorbeeld is de Google Bird Vocalization Classifier, die gebruik maakt van vogelopnames op Xeno-canto.
Ook in Nederland wordt gewerkt aan herkenningssoftware, bijvoorbeeld door Naturalis (AvesEcho) en het bedrijf Aquila Ecology dat algoritmen ontwikkelt om naast vogels ook vleermuizen, sprinkhanen en krekels te herkennen.
Vogel gemist
Algoritmes zitten ook achter de eerder genoemde apps voor de smartphone. Door het instellen van tijd en locatie, werken deze apps met een specifieke soortenlijst zodat je bijvoorbeeld niet opeens allemaal Amerikaanse zangvogels in de lijst ziet staan.
De apps kunnen een handig hulpmiddel zijn bij vogels kijken en tellen, maar zijn allesbehalve betrouwbaar. Een veel voor komend – en herkenbaar – probleem zijn de vals-negatieven,
oftewel: de vogelgeluiden die de app niet oppikt. Het kan zijn dat een vogel te ver weg zit, of dat er achtergrondgeluiden zijn waardoor het algoritme een vogelgeluid niet herkent. Ook
vogels die door elkaar zingen, zorgen regelmatig voor missers. En doordat de soortenlijst afhangt van jouw locatie, kunnen soorten uitgesloten worden die de app niet op dat tijdstip op die
plek verwacht. Handig bij Amerikaanse soorten, maar onterecht bij een vroege (of juist late) broedvogel.
24 Vogelbalans 2024 AudioMoths kunnen continu opnames in het
veld maken, die daarna vergeleken kunnen worden met waarnemingen uit het veld.
Ten onrechte gehoord
Een groter probleem is dat van de vals-positieven. In dat geval komt het algoritme met een vogel die er helemaal niet zit. Hier zijn ruimschoots voorbeelden van. Een zingende Merel die af en toe voor Grote Lijster wordt aangezien, een Visarend die opduikt midden in de stad of een Zomertortel die in een drukke
woonwijk wordt gehoord. Deze waarnemingen moet je dus met een korrel zout nemen. Als waarnemers over onvoldoende vogelkennis beschikken en de meldingen klakkeloos overnemen, kunnen deze vals-positieven in tellingen belanden. Dit maakt het belangrijk om terughoudend te zijn met het gebruik
van herkenningsapps bij het uitvoeren van tellingen.
Het devies is voorlopig: neem alleen waarnemingen over van vogels die je zelf ook als die soort hebt gedetermineerd.
Algoritmes trainen
Constateren dat er nog veel moet verbeteren aan herkennings algoritmes is één. Het daadwerkelijk zorgen voor die verbeteringen is een ander verhaal. Algoritmes moeten worden
getraind om ze beter te maken. Je geeft bijvoorbeeld steeds weer geluidsfragmenten van een Zwartkop met de opmerking erbij dat het om die soort gaat. Op basis daarvan leert het algoritme de patronen van de zwartkopzang te herkennen. Of was het misschien toch een Tuinfluiter? Er is veel tijd nodig om
het algoritme deze subtiele verschillen aan te leren. Bij het trainen van algoritmes kunnen vele handen het werk verlichten.
Door heel Europa ontstaan dan ook citizen science initiatieven waarbij vrijwilligers kunnen helpen bij het invoeren van vogelgeluiden. Zo kunnen vrijwilligers meehelpen met
het determineren van vogelgeluiden in het Finse project Bird Sounds Global. Binnen de European Bird Census Council (EBCC) is een werkgroep gestart om Europese initiatieven bij elkaar te brengen.
Bron: Vogelbalans 2024 (Sovon)