AI helpt bij herkennen van vleermuizen voor NDFF

Alle vleermuizen zijn beschermd, dus de vraag naar goede data van vleermuizen is groot. Bijvoorbeeld vanwege de verschuiving naar soortmanagementplannen en de grote opgave van het isoleren van woningen. Daarvoor is betrouwbare verspreidingsdata van vleermuizen waardevol, waarover de NDFF beschikt. Voordat vleermuiswaarnemingen echter beschikbaar komen in de NDFF, worden ze eerst gevalideerdDeze link opent in een nieuw tabblad. Daarmee garandeert de NDFF betrouwbaarheid en kwaliteit van de data.

Hoeveelheid data groeit

Met de komst van bat recorders groeit de hoeveelheid vleermuisdata flink, en daarmee neemt de druk op het validatieteam Vleermuizen toe. Reden voor de NDFF om aan Aquila Ecologie te vragen een AI-model te ontwikkelen dat automatisch vleermuisgeluiden kan herkennen, waarmee het team werk uit handen wordt genomen.

Werkwijze

Het AI-model dat Aquila Ecologie vervolgens heeft ontwikkeld, is gebaseerd op een dataset van 5200 gevalideerde vleermuisgeluiden uit de NDFF, van vijftien verschillende soorten. Deze zijn aangevuld met tweehonderd geluiden van de zeldzaamste acht soorten, verkregen van Xeno CantoDeze link opent in een nieuw tabblad. Hiermee zijn er vier soorten toegevoegd, waarmee uiteindelijk een model gemaakt is voor de herkenning van negentien soorten.

Machine learning

De vleermuisgeluiden zijn verkregen met bat recorders, die in staat zijn hoge geluidsfrequenties op te nemen. Met een zo groot mogelijke variatie aan geluiden leert de computer te onderscheiden wat er typisch is aan de roep van een bepaalde vleermuissoort. De data worden herhaaldelijk door een algoritme ‘bekeken’: het zoekt op een complexe manier naar patronen in de data. Zodoende wordt het algoritme telkens ietsje beter in het herkennen van vleermuizen.

Hoge nauwkeurigheid en minimale rekenkracht

Het resultaat van de samenwerking tussen de NDFF en Aquila Ecologie is een AI-model dat met grote nauwkeurigheid vleermuis-individuen op soort kan determineren op basis van geluid. Een nuancering daarbij is dat het vooral de algemene soorten zijn – zoals de gewone dwergvleermuis – die goed herkend worden omdat er veel audio van ze beschikbaar is en ze in het algemeen goed te herkennen zijn. Een opvallende uitkomst van het onderzoek is de minimale rekenkracht die de software nodig heeft om de geluiden te herkennen.

Geluidsherkenning als validatie-assistent

Dit model is een eerste stap in automatische geluidsherkenning van vleermuizen. Door meer data te verzamelen en het model hiermee te trainen, zal het steeds beter worden. Het model wordt in de nabije toekomst onderdeel van het validatieproces van de NDFF. Eerst als assistent voor validatoren en na een proefperiode zal het zelfstandig gaan draaien. Hiermee kunnen validatoren hun tijd en expertise inzetten op moeilijke en bijzondere waarnemingen.

Foto header: Erik Broer