Al jaren zijn wij in de bioakoestiek op zoek naar patronen in de geluiden om ons heen. Wat voor geluiden maken verschillende dieren? Wat zijn de verschillen en wat is de functie daarvan? Om dit te doen maken we opnames van vocalisaties, analyseren die en spelen dezelfde of aangepaste geluiden weer af om te kijken hoe daarop gereageerd wordt.
Nu is er altijd een limiet aan hoeveel we kunnen doen. Je kunt maar zoveel geluiden opnemen (dit kan vooral bij wilde dieren soms heel lastig zijn) en ondanks dat de analyse voor een groot deel geautomatiseerd is, komt daar toch ook altijd handwerk bij kijken om te controleren of alles goed gecodeerd wordt.
Tot nu toe dan. Vorige week zag ik een nieuwe studie waarbij er 60 miljoen (!) vogelgeluiden geanalyseerd waren. Dat is een heel andere ordegrootte dan wij tot dusver hebben weten te analyseren. De onderzoekers verkregen hun data via BirdNET, een online databank voor opnames van vogelgeluiden. Iedereen kan daar hun opnames op zetten, wat natuurlijk een schat aan data genereert. Vervolgens hebben ze met een machinelearningalgoritme al die 60 miljoen opnames geanalyseerd. In deze specifieke studie vonden ze dat vogels in gebieden met meer artificieel licht 18 minuten eerder begonnen met zingen en 32 minuten langer doorgingen dan hun soortgenoten in minder verlichte gebieden. We wisten natuurlijk al dat licht (en lawaai!) invloed heeft op het ritme van dieren, maar het was nog nooit op zo’n grote schaal onderzocht.
Ik kijk ernaar uit om te zien wat de toekomst op dit gebied gaat brengen
Ook wanneer we maar naar één soort willen kijken, heeft AI een enorme impact op de manier waarop we vocalisaties kunnen analyseren. In een recente studie naar kippen, waar tot voorheen vier verschillende vocalisaties bekend waren, hebben ze nu 42 verschillende soorten geluiden herkend. Door de geautomatiseerde manier van analyseren, bleken er meer clusters te zijn dan eerder gedacht. Of de kippen dit ook zo ervaren is natuurlijk nog maar de vraag, maar het toont wel aan dat er nog heel veel te ontdekken is. Ik kijk ernaar uit om te zien wat de toekomst op dit gebied gaat brengen. We beginnen bioakoestiek al in te zetten om automatisch te monitoren hoeveel soorten er in een gebied voorkomen, hoe het met de biodiversiteit gesteld is en hoe de natuurlijke ritmes van dieren zijn. Maar ook op de lange termijn zijn er veel mogelijkheden. Wellicht vinden we universele patronen tussen soorten waar we nog nooit aan gedacht hadden. Kunnen we straks individuen automatisch herkennen aan hun geluid en daardoor een sociaal netwerk simpeler in kaart brengen. Of wellicht helpt het bij het monitoren van welzijn en kunnen we sneller en efficiënter meten of een dier problemen ervaart.
Hoe dan ook, machinelearning brengt duidelijk een verandering in de manier waarop we geluiden kunnen analyseren. Ik heb er zin in om te zien waar de grenzen liggen. Wat mij betreft klinkt de toekomst van bioakoestisch onderzoek simpelweg fantastisch.
Michelle Spierings werkt als gedragsbioloog aan het Instituut Biologie Leiden en de universiteit van Wenen aan spraak-, zang- en cognitieontwikkeling van menselijke baby’s, penseelaapjes, parkieten en zebravinken.