La détection à grande échelle des vocalisations aviaires offre des aperçus fiables sur la biodiversité mondiale

Le suivi de la biodiversité et de ses dynamiques à grande échelle est essentiel pour résoudre les défis environnementaux mondiaux. La détection des vocalisations animales dans des données audio enregistrées passivement offre une méthode automatisable, peu coûteuse et taxonomiquement large pour surveiller la biodiversité. Cependant, le travail et l'expertise nécessaires pour étiqueter de nouvelles données et affiner les algorithmes pour chaque déploiement constituent une barrière majeure. Dans cette étude, nous avons appliqué un modèle de détection pré-entraîné des vocalisations d'oiseaux, BirdNET, à 152 376 h de données audio comprenant des ensembles de données provenant de Norvège, de Taïwan, du Costa Rica et du Brésil. Nous avons écouté manuellement un sous-ensemble des détections pour chaque espèce dans chaque ensemble de données, calibré les seuils de classification et trouvé des précisions de plus de 90 % pour 109 des 136 espèces. Bien que certaines espèces aient été détectées de manière fiable à travers plusieurs ensembles de données, la performance d'autres espèces était spécifique à chaque ensemble de données. En filtrant les détections peu fiables, nous avons pu extraire des perspectives au niveau des espèces et des communautés sur des échelles temporelles diurnes (Brésil) et saisonnières (Taïwan), ainsi que sur des échelles spatiales paysagères (Costa Rica) et nationales (Norvège). Nos résultats démontrent qu'avec une calibration locale relativement rapide mais essentielle, un seul modèle de détection des vocalisations peut fournir des perspectives multifacettes au niveau des communautés et des espèces à travers des ensembles de données hautement divers ; débloquant l'échelle à laquelle la surveillance acoustique peut avoir un impact appliqué immédiat.