Ved at anvende maskinlæring på skovlydlandskaber kan forskere lokalisere sjældne og truede fugle.
Den marmorerede alke er et sky dyr. Til havs dykker den korte havfugl ved det første tegn på rovdyr. På land lægger den sine æg højt oppe i de mossede grene i de gamle skove i det nordvestlige Stillehav – en kendsgerning, der kun blev opdaget ved et tilfælde af en medarbejder fra et forsyningsselskab, der klatrede i træer i 1970’erne.
Murrelet er så mystisk, at forskere kalder den Stillehavets gåde. For at forsøge at overvåge bestanden har forskere iført sig tørdragter for at fastgøre radiosendere til fuglene og har fløjet i små fly for at lede efter reder – en indsats, der er dyr og upræcis. På trods af de sparsomme data er murrelet imidlertid i klar tilbagegang.
I 1992 blev den opført som truet under den amerikanske lov om truede arter. Den lider under tab af levesteder som følge af skovhugst i gamle skove og faldende mængder af byttedyr i havet på grund af klimaforandringer. Det er svært at vende tilbagegangen, fordi fuglene er så svære at studere. Men ved at overvåge skovens lydbillede ved hjælp af kunstig intelligens har forskerne fundet en ny og banebrydende metode til at studere den beskyttede art.
“Alk er ofte nævnt som en af de sværeste skovfugle at arbejde med,” siger Adam Duarte, biolog hos US Forest Service og hovedforfatter af en ny artikel om den nye teknik. Ved at kombinere computerteknologi og optagelsesteknologi med økologi er forskerne i stand til at overvinde mange af de historiske udfordringer, siger Duarte.
For at finde en mere effektiv måde at studere fuglene på henvendte Matthew Betts, økolog ved Oregon State University og medforfatter, sig til forskere, der studerer plettet ugle. Ligesom marmorerede alke er plettede ugler truede og kryptiske, og i årtier har studiet af dem involveret at lokke fuglene til at blive fanget og ringmærket. Men i 2017 begyndte et team af forskere i plettede ugler fra Forest Service og Oregon State University at afprøve noget nyt: passiv akustisk overvågning. Teamet installerede højkvalitetsmikrofoner 150 steder i Oregon og Washington State for at se, om de kunne registrere uglerne på deres kald.
Alene i det første år optog mikrofonerne 150.000 timers lyd, som det tog to fuldtidsansatte cirka to år at analysere. “Det var utroligt arbejdskrævende,” siger Damon Lesmeister, en biolog med speciale i vilde dyr, der er involveret i forskningen i plettede ugler.
Det var klart, at teamet var nødt til at automatisere processen, siger Lesmeister. For at gøre det omdannede de lydene til spektrogrammer – en visuel repræsentation af lydbølger, hvor den plettede ugles kald (ligesom alle andre arters) producerer en unik signatur. Derefter udviklede de noget nyt: et konvolutionelt neuralt netværk, en type maskinlæring, der automatisk kunne identificere og analysere billederne.
Men Lesmeisters data fangede ikke kun plettede ugler, men også alle andre arter inden for det menneskelige høreområde. I denne guldgrube så forskerne i alkefugle et potentiale for at udvide deres rækkevidde radikalt. De trænede algoritmen til automatisk at identificere alkefuglenes kald og dermed registrere deres tilstedeværelse.
Duarte siger, at denne tilgang i fremtiden kan gøre det muligt for forskere at identificere, hvor ofte murreletter kalder i et skovområde, og bruge det til at forudsige områder, der aktivt bruges til redebygning – hvilket er vigtigt, da USA beskytter redeområder mod skovhugst. “Det ville være fantastisk, fordi det ville gå direkte ind i beslutningsprocessen for skovforvaltning,” siger Duarte.
Lena Ware, biolog ved Canadian Wildlife Service, der som studerende brugte en AI-drevet platform kaldet BirdNET til at identificere fuglestemmer, siger, at omfanget af murrelet-forskningen var imponerende. Maskinlæringsbaserede værktøjer er allerede i stand til meget mere end et enkelt menneske, siger hun.
I Wares undersøgelsesområde i det nordlige Canada registrerede BirdNET 20 til 60 procent flere arter end en menneskelig lytter. Men større datasæt – som det, der blev brugt i murrelet-forskningen – vil føre til endnu mere nøjagtige resultater, og en big data-tilgang vil kun øge omfanget af forskningen, siger hun.
Der er så mange flere spørgsmål, man kan besvare ved at have de enorme akustiske data.
I det nordvestlige Stillehav er kombinationen af kunstig intelligens og passiv akustisk overvågning kun begyndelsen. Lesmeisters team udvider for eksempel sit arbejde til andre arter end marmormurrelet. Forskerne er begyndt at behandle lyd fra 80 arter på over en million kvadratkilometer og har alene i 2023 indsamlet mere end to millioner timers lyd – et tal, der helt sikkert vil stige.
I samarbejde med start-up-virksomheden Instinct er forskerne begyndt at indbygge behandlingskapacitet i selve optageudstyret. Udstyret kan identificere et måldyrs kald, når det lyder, så forskerne kan lokalisere truede arter i realtid. Denne type data vil gøre det muligt at iværksætte mere præcise bevaringsforanstaltninger, herunder at standse skovdrift eller fjerne rovdyr, såsom barred owls, i vigtige områder.
Grundlæggende er det afgørende at kende tilstanden for truede arter for at kunne bevare dem. “Jeg anser mig selv for at være meget heldig, at jeg [arbejder] i en tid, hvor vi har alt dette til rådighed,” siger Lesmeister.
Tidligere generationer af økologer kunne ikke drømme om at [foretage] undersøgelser som dem, vi foretager i dag.
