通过声学空间捕获-重新捕获进行自动化动物密度估计

科学领域:

• 生态生态学 生态生态学
• 生物声学是一种生物声学.
• 计算生物学 计算生物学

背景情况:

• 被动声学监测 (PAM) 对于监测难以捉摸的野生动物至关重要.
• 机器学习 (ML) 有助于呼叫检测,但与假阳性作斗争.
• 现有的方法在声学调查中不足以解决ML衍生的错误阳性.

研究的目的:

• 引入一种新的声学空间捕获-重新捕获 (ASCR) 方法.
• 解决基于ML的声学监测中虚假阳性问题,这是一个尚未得到充分研究的问题.
• 从声学数据改进野生动物种群密度估计.

主要方法:

• 开发了一个ASCR模型,将物种身份视为潜在变量.
• 整合了ML检测输出作为随机变量,取决于隐藏的身份.
• 使用混合模型概率来估计通话密度.

主要成果:

• 拟议的ASCR方法与标准假阳性校正因子相比,显示出更高的准确性.
• 来自新方法的估计与排除假阳性结果的分析密切一致.
• 模拟证实了接近零的偏差和准确的覆盖概率.

结论:

• 新的ASCR方法有效地减轻了声学监控中的错误阳性.
• 这种方法提高了基于声学数据的野生动物密度估计的可靠性.
• 该方法为生物声学调查和生态研究提供了重大进展.