通过鸣声自动识别个体鸟类，实现被动声学监测数据的多年重捕

自主传感器和机器学习正在通过实现对生物体和生态系统的大规模观测而改变生态学。然而，相机陷阱、录音机和其他传感器目前产生的是物种水平的检测结果。追踪个体仍然需要侵入性、高投入的捕获–标记–重捕。在此，我们介绍一种自动化、通用的方法，基于个体独特的鸣声在被动声学录音中识别个体动物。我们训练一个卷积神经网络，利用位置预测任务从音频录音中提取显著特征，然后对特征应用降维和聚类，以实现基于鸣唱的个体识别。我们以96%的准确率识别出未包含在训练数据中的个体。我们应用该方法追踪来自126个地点、跨越4年的405只雄性橙顶灶莺（Seiurus aurocapilla），然后对丰度和表观存活率进行建模。我们提供开源代码，以促进该方法在其他物种上的应用。在被动声学数据集上执行自动化个体识别将支持种群轨迹研究，并为预防生物多样性丧失的主动生态系统管理提供信息。

中文由 AI 翻译，仅供参考，以原文为准。