Wie herkent vogelgeluiden beter: een vogelaar of een computer?

Sommige vogelgeluiden herkent iedereen, zoals het ‘koe-koek’ van de koekoek of het ‘kraaa’ van een zwarte kraai. Geluid van andere soorten vereist meer oefening om te herkennen, zoals de verrassend luide en melodieuze zang van de winterkoning of het iele gepiep van de grauwe vliegenvanger. Net als dat veel fervente muziekliefhebbers bij het horen van de eerste paar tonen van een nummer de naam van de artiest meteen kunnen noemen, herkennen geoefende vogelaars de meeste vogelsoorten snel en foutloos aan de hand van hun zang of roep. Maar vogelgeluiden leren herkennen is lastig. Gelukkig zijn er de laatste jaren voor de beginnende vogelaar apps ontwikkeld die vogelgeluiden met behulp van kunstmatige intelligentie kunnen herkennen. Een soort Shazam voor vogelgeluiden dus. Maar hoe goed werken deze apps? Moeten professionele vogeltellers vrezen voor hun baan als computers nog beter worden in het automatisch herkennen van vogels?

Hoe werkt automatische vogelgeluidenherkenning?

De meeste apps die worden gebruikt om vogelgeluiden te herkennen, zoals Merlin Bird ID en BirdNET Sound ID gebruiken hiervoor kunstmatige intelligentie technieken, zoals Machine Learning en Deep Learning. Om de software te trainen in het herkennen van vogelgeluiden wordt een enorme database van honderdduizenden vogelgeluiden gebruikt. Vervolgens wordt van elk geluidsfragment een spectrogram gemaakt – een visuele weergave van het geluid – en de software ‘leert’ de geluiden te herkennen op basis van patronen die in deze spectrogrammen aanwezig zijn. Wanneer de ontwikkelaar van de software of gebruikers aangeven of de door de software voorgestelde identificaties goed of fout zijn kan de software verder getraind worden in het herkennen van soorten en wordt hier op deze manier steeds beter in.

Zijn de apps nauwkeurig?

Er zijn verschillende studies uitgevoerd om te onderzoeken hoe betrouwbaar herkennings-apps zijn in het correct identificeren van geluiden. Over het algemeen blijkt dergelijke software redelijk goed in staat om een correcte soortnaam op een vogelgeluid te plakken, maar varieert de betrouwbaarheid nogal: sommige soorten worden veel beter herkend dan andere soorten. Daarnaast neemt de betrouwbaarheid af met de afstand van de vogel tot de microfoon van de waarnemer en wordt herkennen van geluiden lastiger als de kwaliteit van de opname matig is, vogels door elkaar zingen, of er storende geluiden zoals wind of een snelweg aanwezig zijn.

HBO tentamen vogelgeluiden: app vs. studenten

Bij de opleiding Toegepaste Biologie bij Aeres Hogeschool in Almere krijgen de tweedejaars studenten een tentamen waarbij ze 20 vogelgeluiden te horen krijgen en de juiste vogelsoort moeten noteren. Tijdens het afgelopen tentamen hadden de studenten gemiddeld 70% van de soorten goed. 15% van de studenten vulde een correcte naam voor alle geluiden in. Het tentamen werd ook ‘uitgevoerd’ door de app Merlin Bird ID. De app scoorde zeer goed op dit tentamen en had alle 20 soorten goed. Daarnaast identificeerde de app als bonus ook diverse soorten die op de achtergrond te horen waren. De app scoort dus beter op het tentamen vogelgeluiden dan de gemiddelde student.

Vogelgeluiden in het veld: app vs. ervaren vogelaar

Professionele vogeltellers hoeven nog niet te vrezen voor hun baan door de komst van kunstmatige intelligentie. In vergelijking met ervaren vogelaars zijn de vogelgeluiden-herkennings-apps over het algemeen veel minder snel en accuraat in het herkennen van vogelgeluiden. Dit komt onder andere doordat menselijke waarnemers veel beter in staat zijn om geluiden onder verre van ideale omstandigheden te herkennen, bijvoorbeeld in situaties met veel achtergrondgeluid, bij heel zacht zingende vogels, of bij het ‘ochtendkoor’ waar vaak wel 5-10 soorten dwars door elkaar heen zingen. Hoewel computers goed zijn in het herkennen van patronen, missen ze vaak de contextuele interpretatie van een menselijke waarnemer. Mensen kunnen zaken als het gedrag en de leefomgeving van de vogel gebruiken om tot een correcte determinatie te komen. Door deze meer holistische benadering van vogelgeluiden herkennen hebben vogelaars in ieder geval voorlopig nog een grote voorsprong op computers. Dit wil overigens niet zeggen dat deze herkennings-apps niet nuttig zijn voor de geoefende vogelaar; soms is het erg fijn als een app bevestigt dat je daadwerkelijk een bepaalde soort hoort, of detecteert de app een soort die je zelf hebt gemist of niet hebt herkend.

Waar ligt de toekomst?

Een van de grote voordelen van automatische vogelherkenning door computers is de mogelijkheid om enorme hoeveelheden data te verwerken, omdat menselijke waarnemers dit niet op dezelfde schaal kunnen doen. Dit is vooral nuttig bij ecologisch onderzoek, bijvoorbeeld onderzoek naar welke verschillende soorten in een gebied voorkomen, waar duizenden uren aan vogelgeluiden moeten worden geanalyseerd. Een recente studie laat inderdaad zien dat deze technologie gebruikt zou kunnen worden om op een grote schaal vogeldiversiteit te monitoren. De verwachting is dat de technieken en software snel veel nauwkeuriger zullen worden, zeker nu bedrijven als Google en verschillende universiteiten zich op het vraagstuk van het automatisch herkennen van vogelgeluiden hebben gestort. Een andere kans is het ontwikkelen van software die individuen binnen een soort leert te herkennen op basis van subtiele individuele variaties in geluid, wat bij onderzoek naar diergedrag een doorbraak zou kunnen betekenen.

Vogelgeluiden-herkennings-apps zijn ideaal voor iedereen die wil weten welke vogels je hoort zingen tijdens een wandeling in de natuur of gewoon in je eigen tuin. Probeer deze apps vooral eens, want vogels kijken is verrassend leuk en een recente studie suggereert dat vogels kijken een positief effect heeft op het psychologisch welzijn. Een nadeel is dat je straks misschien met iets andere ogen kijkt naar die schattige merel in de tuin, wanneer de app aangeeft dat dit de vogel is die je om 4 uur ’s ochtends gewekt heeft.