Towards Automated Animal Density Estimation with Acoustic Spatial Capture-Recapture

要約

受動的音響モニタリングは、音響的には活動的だが視覚的に調査するのが難しい野生動物の個体群をモニタリングする効果的な方法です。
デジタルレコーダーを使用すると、調査員は低コストで大量のデータを収集できますが、これらのデータから対象種の鳴き声を特定することは簡単ではありません。
識別を行うには、機械学習 (ML) 手法がよく使用されます。
大量のデータを迅速に処理できますが、すべての鳴き声を検出できるわけではなく、一部の偽陽性 (対象種以外の鳴き声) が生成されます。
既存の野生生物生息数調査方法は、これらの最初の間違いに対処するために特別に設計されていますが、偽陽性に対処する現在の方法は十分に開発されていません。
個々の発声の特徴は考慮されておらず、その一部は他の発声よりも偽陽性である可能性が高くなります。
我々は、ML 発声識別からの個人レベルの信頼度の尺度を尤度に統合し、ML の不確実性を推論に統合する、音響空間捕捉再捕捉推論のための 3 つの方法を提案します。
この方法には、種の同一性が潜在変数である混合モデルが含まれます。
私たちはシミュレーションによって手法をテストし、海南テナガザルの音響データに基づくシナリオ（偽陽性を無視すると 17% の陽性バイアスが生じる）では、我々の手法は公称 95% レベルに近い無視できるバイアスとカバレッジ確率を与えることがわかりました。

要約(オリジナル)

Passive acoustic monitoring can be an effective way of monitoring wildlife populations that are acoustically active but difficult to survey visually. Digital recorders allow surveyors to gather large volumes of data at low cost, but identifying target species vocalisations in these data is non-trivial. Machine learning (ML) methods are often used to do the identification. They can process large volumes of data quickly, but they do not detect all vocalisations and they do generate some false positives (vocalisations that are not from the target species). Existing wildlife abundance survey methods have been designed specifically to deal with the first of these mistakes, but current methods of dealing with false positives are not well-developed. They do not take account of features of individual vocalisations, some of which are more likely to be false positives than others. We propose three methods for acoustic spatial capture-recapture inference that integrate individual-level measures of confidence from ML vocalisation identification into the likelihood and hence integrate ML uncertainty into inference. The methods include a mixture model in which species identity is a latent variable. We test the methods by simulation and find that in a scenario based on acoustic data from Hainan gibbons, in which ignoring false positives results in 17% positive bias, our methods give negligible bias and coverage probabilities that are close to the nominal 95% level.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google