Approches analytiques

Les points d’écoute humains sont l’une des méthodes les plus courantes pour évaluer l’abondance des oiseaux, mais les enregistreurs autonomes sont de plus en plus utilisés pour les remplacer. Des études antérieures ont comparé les avantages relatifs des méthodes de points d’écoute humains et des enregistreurs autonomes, surtout dans le but de comprendre les différences dans la richesse d’espèces et de l’abondance des individus détectées sur une distance illimitée. Ce qui n’a pas été fait, c’est d’évaluer comment normaliser ces deux types de données afin de les comparer dans une même analyse, particulièrement lorsque la zone échantiollonnée présente des différences.

Nous avons comparé les distances de détection entre les observatrices et observateurs humains sur le terrain et quatre dispositifs d’enregistrement commercialisés (modèles SM2 et SM3 de Widllife Aoustics, RiverForks et Zoom H1) en simulant des  vocalisations d’espèces aviaires à différentes distances et amplitudes. Nous avons également étudié la relation entre l’amplitude et la détection des sons afin de simplifier l’étalonnage des enregistreurs autonomes. Nous avons ensuite utilisé ces données pour déterminer les facteurs de correction qui pourraient normaliser les distances de détection entre les enregistreurs autonomes et les observatrices et observateurs humains. En général, l’oreille humaine peut détecter des sons à de plus grandes distances que les enregistreurs autonomes, mais la détectabilité varie en fonction des caractéristiques de chant des espèces. Nous proposons des facteurs de correction pour quatre enregistreurs autonomes couramment utilisés et des méthodes pour étalonner les enregistreurs autonomes les uns par rapport aux autres et par rapport aux observatrices et observateurs humains.

La reconnaissance automatique est de plus en plus utilisée pour détecter des espèces à partir d’enregistrements audio; cependant, il peut être extrêmement coûteux de passer en revue chaque détection en raison du temps que cela demande. Nous avons conçu un protocole souple appelé « validation des prédictions » qui est fondé sur l’apprentissage automatique pour prédire si les animaux détectés par algorithme sont de vrais ou de faux positifs. Il est compatible avec tout type de système de reconnaissance, d’application écologique ou d’approche analytique. La validation des prédictions se base sur une relation prévisible entre le score de recnonaissance et l’énergie d’un signal acoustique, mais elle peut également intégrer d’autres prédicteurs écologiques ou spectraux (p. ex., heure du jour, fréquence dominante) qui aideront à distinguer les vraies détections des fausses. Nous avons commencé par documenter la relation entre le score de reconnaissance et l’énergie d’un signal acoustique pour deux types d’algorithmes de détection (modèles de Markov cachés et réseaux neuronaux convolutifs). Ensuite, nous avons fait la démonstration du protocole à l’aide d’une étude de cas portant sur deux espèces, l’engoulevent d’Amérique (Chordeiles minor) et la paruline couronnée (Seiurus aurocapilla). Nous avons réduit le nombre de détections nécessitant une validation de 75,7% et de 42,9%, respectivement, tout en conservant au moins 98% des vrais positifs détectés. La validation des prédictions améliore considérablement l’efficacité de la reconnaissance automatique dans les ensembles de données acoustiques. Notre méthode peut être utile aux programmes de surveillance et de recherche sur la faune sauvage et favorise le recours à la reconnaissance automatique pour exploiter les ensembles de données bioacoustiques.

La reconnaissance automatique est de plus en plus utilisée pour extraire des informations sur les vocalisations des espèces à partir d’enregistrements audio. Durant le traitmenet, des algorithmes de détection (ou reconnaisseurs) calculent la probabilité de classification exacte (ou score) pour chaque signal acoustique évalué. L’objectif de notre étude était d’examiner les effects du score de reconnaissance sur la recherche et la surveillance écologique. Nous avons entraîné quatre reconnaisseurs avec des extraits de cris d’engoulevent d’Amérique (Chordeiles minor) enregistrés à des distances différentes: proche, moyenne, éloignée et mixte. Nous avons constaté que les variations de score s’élevaient à 49% et à 41% pour les reconnaisseurs de vocalisations à distance proche et mixte, mais n’étaient que de 3% et de 6% pour les reconnaisseurs de vocalisations à distance moyenne et éloignée.

Les enregistrements bioacoustiques sont souvent utilisés pour effectuer des relevés auditifs dans le cadre desquels des auditrices et auditeurs humains identifient les animaux qui émettent des vocalisations. Dans ces relveés, on fait généralement le compte des animaux, indépendamment de la distance à laquelle ils se trouvent du point d’écoute. Lorsque ces relevés sont menées dans des habitats hétérogènes ou à proximité de lisières, les individus détectés peuvent fréquemment se trouver dans un type de couverture terrestre différent de celui du point d’écoute, ce qui introduit une incertitude quant aux associations espèces-habitat. Notre méthodes consiste à restreindre les détections provenant de microphones uniques à l’intérieur d’un rayon d’étude prédéterminé. Elle repose sur une analyse de régression logistique pour sélectionner un seuil de niveau sonore correspondant au seuil de distance souhaité. Nous l’avons appliquée à des données acoustiques provenant de 21 sites de puits de pétrole d’un hectare dans le nord de l’Alberta.