没有基本真相的声学个体识别模型的空间验证:与高 gibbon 种群的案例研究

科学领域:

• 生物声学是一种生物声学.
• 计算生态学计算生态学
• 动物行为 动物行为

背景情况:

• 生物声学对于研究声音产生的动物的生态和行为至关重要.
• 声学个体识别 (Acoustic Individual Identification,AIID) 模型可以通过声音识别动物,帮助对生态数据进行解释.
• 评估AIID模型的可靠性是具有挑战性的,特别是随着人口的不断变化和有限的地面真相数据.

研究的目的:

• 通过本地化预测,正式制定一个用于评估AIID模型的方法,绕过基本真相标签的需求.
• 开发和评估AIID模型用于没有基准真相数据的雄性高白 (Nomascus nasutus).
• 为了证明空间化数据在AIID模型对领土物种的评估中的实用性.

主要方法:

• 开发了一种基于深度学习的AIID模型,用于雄性高维特 gibbons.
• 提出了一个新的AIID模型性能估计框架,没有地面真相标签,利用领土性假设.
• 通过模拟数据和使用高石 gibbons 的案例研究验证了无基础真相评估框架.

主要成果:

• 无基础真相AIID评估框架表现出良好的可靠性,在估计准确度和实际准确度之间的低根平均平方误差 (0.05) 在误差率<30%的模型中.
• 该研究发现了与AIID错误类型相关的特定性能估计缺陷.
• 空间化数据在评估领土物种的AIID模型中被证明是有效的.

结论:

• 已经建立了一个新的,可靠的方法来评估AIID模型没有地面真相数据.
• 这种空间化数据驱动的方法增强了对长期生物声学数据的解释,以促进保护工作.
• 该方法适用于其他区域性,产生声音的物种,推进生物声学研究和保护.