Biodiversiteten udfordres af menneskeskabte påvirkninger i Danmark og på verdensplan. En forudsætning for at kunne gøre noget ved problemet er at man overvåger arterne, så man ved hvor de er og hvor mange der er af dem. Det skaber et stort behov for effektive metoder til overvågning.
Flagermus er artsmæssigt en af de største grupper af pattedyr, med 17 kendte arter i Danmark og over 1.400 arter på verdensplan. Flertallet af flagermusarter ekkolokaliserer ved aktivt at sende ultralydskald ud i omgivelserne for at finde rundt og finde føde om natten. Traditionelt overvåger man dem ved at lytte efter deres ultralydskald med specielle flagermusdetektorer. I de senere år er der desuden kommet automatiske optagesystemer, der kan sættes til at optage lyden om natten i områder med flagermus: Et akustisk vildtkamera.
Arbejdet med at lytte sig gennem timers optagelser af flagermus for at bestemme arterne er dog en meget langsommelig og derfor dyr affære. Derfor har forskere fra Aarhus Universitet anvendt kunstig intelligens til at genkende arterne i optagelserne.
I en artikel, der netop er udkommet online i tidsskriftet Methods in Ecology and Evolution, giver forskere fra institutterne Biologi og Ecoscience på Aarhus Universitet sammen med internationale kollegaer et bud på, hvordan man kan automatisere analyse af lyddata fra flagermusovervågning ved hjælp af en gratis, open source softwareplatform, der oprindeligt er udviklet til at finde og klassificere hvallyde.
– Vi bruger en form for machine learning, der hedder deep learning og er baseret på neurale netværk til at træne en computeralgoritme i at genkende flagermuskald fra støj og sortere kaldene efter hvilken art, der udsender dem. Det kan også gøres ved at en fagperson sidder og kigger optagelserne igennem, men bliver hurtigt en uoverkommelig opgave hvis man for eksempel skal overvåge alle flagermus i Danmark, så i stedet har vi blot hjulpet algoritmen lidt på vej ved at træne den med udvalgte lydklip der enten indeholder kald fra forskellige flagermusarter eller støj, som algoritmen lærer ikke at genkende som flagermus, siger specialkonsulent ph.d Signe Brinkløv fra Ecoscience ved Aarhus Universitet.
Passiv akustisk overvågning af flagermus bruges af både private, konsulenter, kommuner, Miljøstyrelsen og forskere, men midt i dette store datahav ligger der ofte en væsentlig flaskehals i at gennemgå og fortolke lydoptagelser. Forskerne tester derfor hvordan forskellige optagere og optageindstillinger i sidste ende påvirker den automatiserede artsbestemmelse ved hjælp af deep learning.
– Flagermuskald overlapper ofte mellem de forskellige arter og mange arter ændrer deres kald alt efter hvilken kontekst de befinder sig i. Det betyder, at man – i hvert fald indtil videre – hverken opnår perfekte resultater med manuel analyse eller kunstig intelligens, men så længe vi ved hvor fejlene er og kvantificerer dem ordentligt, så er det noget der kan kompenseres for, forklarer Signe Brinkløv.
– Vi håber, at artiklens resultater, diskussion og konklusioner kan være med til at vise vejen frem mod et styrket overvågningsgrundlag. Dels ved at opfordre til brug af metoder som er transparente og tilgængelige for så mange som muligt og dels ved at belyse, hvordan valg og opsætning af optagere kan have afgørende betydning for overvågningens kvalitet og anvendelsesmuligheder, slutter hun.
