Detección automatizada de cantos de aves continúa siendo un desafío: el caso de warbleR y Megascops centralis (búho del Chocó)

Abstract

El monitoreo acústico permite evaluar cambios espacio-temporales en poblaciones animales. Sin embargo, analizar grandes volúmenes de información es desafiante. Se evaluó el desempeño de una técnica de detección (función autodetec del paquete warbleR de R) para identificar vocalizaciones de Megascops centralis, utilizando 6877 grabaciones de un minuto provenientes de grabadoras ubicadas en 21 sitios alrededor del embalse Jaguas, Andes de Antioquia, Colombia. Las vocalizaciones se anotaron manualmente y se seleccionaron dos sitios (597 grabaciones) con el mayor número de registros (49 y 34) para la evaluación del algoritmo. La función fue utilizada con audios a dos tasas de muestreo (44 100 Hz y 22 050 Hz) y tres umbrales de amplitud (5, 10 y 20). Se evaluó el desempeño de la función en términos de su sensibilidad y especificidad, y se estimó la probabilidad de detección de una vocalización según su calidad. La sensibilidad y especificidad presentaron gran variación (0-0.48 y 0.5-0.98 respectivamente). La probabilidad de detección de una señal aumentó con su calidad (mala: 0.12, media: 0.27 y buena: 0.64). El monitoreo acústico tiene gran potencial, y parte de su éxito depende de herramientas de reconocimiento automático, de acceso abierto y fácil implementación. Este desarrollo puede acelerarse fortaleciendo nuestras colecciones sonoras.

Descifrando el patrón vocal de un ave endémica amenazada: un caso de estudio con el Cucarachero de Apolinar (Cistothorus apolinari) en el páramo de Sumapaz

“…El desempeño del algoritmo en los dos tipos de vocalización presentó diferencias, siendo efectivo para la vocalización con menor complejidad a nivel acústico. Los resultados muestran que la complejidad de la vocalización afecta el desempeño del algoritmo (Cardona et al 2021), esto debido a la gran cantidad de notas, sílabas y variaciones que se pueden observar en el canto del cucarachero. Adicionalmente, la mayoría de los registros eran duetos, lo cual incrementa la complejidad a la hora de la detección debido a que el canto del macho y la hembra se superponen.…”

“…Entender los picos de actividad y las dinámicas acústicas es de vital importancia para generar contribuciones al conocimiento y la conservación de las especies (Baldo & Menill 2011, Katz et al 2016. Actualmente se está utilizando el uso de herramientas de detección acústica las cuales facilitan el monitoreo, la detección e identificación de las especies vocales, brindando como ventaja la disminución de posibles sesgos humanos a la hora de la detección (Cardona et al 2021). Una de las herramientas de autodetección más comunes y fáciles de usar es el paquete 'monitoR' del lenguaje de programación R (R Core Team 2021), el cual se enfoca en la detección automática e identificación de vocalizaciones animales (Katz et al 2016).…”

“…Una de las herramientas de autodetección más comunes y fáciles de usar es el paquete 'monitoR' del lenguaje de programación R (R Core Team 2021), el cual se enfoca en la detección automática e identificación de vocalizaciones animales (Katz et al 2016). Sin embargo, se desconoce la efectividad de esta herramienta para diferentes tipos de vocalizaciones, generalmente la eficacia depende de la calidad de las grabaciones, las cuales deben tener una buena relación señal ruido y un bajo enmascaramiento auditivo (Goyette et al 2011, Cardona et al 2021.…”

“…Previamente se han venido implementando diferentes herramientas de detección acústica en los monitoreos pasivos de aves (Ulloa et al 2021), dentro de las cuales han destacado las paqueterías para R de 'WarbleR' (Araya-Salas et al 2017), 'monitoR' (Katz et al 2016) y la herramienta web Arbimon (Rainforest Connection). Incluso la herramienta de análisis cuantitativo scikit-maad desarrollada en el lenguaje Python (Ulloa et al 2021).…”

“…Previamente se han venido implementando diferentes herramientas de detección acústica en los monitoreos pasivos de aves (Ulloa et al 2021), dentro de las cuales han destacado las paqueterías para R de 'WarbleR' (Araya-Salas et al 2017), 'monitoR' (Katz et al 2016) y la herramienta web Arbimon (Rainforest Connection). Incluso la herramienta de análisis cuantitativo scikit-maad desarrollada en el lenguaje Python (Ulloa et al 2021). Estas herramientas tienen como base el uso de algoritmos e inteligencia artificial para la detección de señales acústicas dentro de un set de grabaciones, las metodologías utilizadas pueden variar según la herramienta.…”