Все знают: чтобы насладиться утренним птичьим хором в лесах Центральной Европы или провести научное изыскание, нужно вставать ни свет ни заря. До сих пор у ученых были подробные данные о суточных и сезонных ритмах пения лишь для видов птиц — наблюдения отнимали слишком много времени. Но теперь команда исследователей из Геттингенского университета и Северо-Западного германского института лесного хозяйства впервые проанализировала пение и крики 53 видов европейских лесных птиц за целый сезон размножения, прибегнув к помощи искусственного интеллекта. Оказалось, поведение птиц, записанное автономными аудиорекордерами, во многом не совпадает с прежними экспертными представлениями.

Результаты исследования опубликованы в издании Journal of Ornithology.

Ученые собрали данные в 256 лесных локациях Нижней Саксонии. С марта по май небольшие аудиорекордеры работали круглосуточно, записывая звуки по 30 секунд каждые 10 минут. Затем искусственный интеллект определил виды птиц по их пению и крикам. Исследователи вручную проверили все предложения ИИ, чтобы в окончательный анализ попали только достоверно определенные виды.

Высокоточный разбор 6.4 миллионов записей раскрыл индивидуальные паттерны активности у каждого вида лесных птиц.

Наши данные показывают, что среди лесных видов куда больше типов активности, чем просто «жаворонки» и „совы“, — объясняет Дэвид Зингер, ведущий автор исследования и аспирант кафедры охраны природы Университета Геттингена.

Помимо большой группы видов, активных в светлое время суток, некоторые птицы — например, дрозды и вальдшнепы — проявляли активность на рассвете и в сумерках, и их можно было услышать дважды в день. Дроздов, кстати, вечером слышно было значительно чаще, чем утром, — этот нюанс прошлые подсчеты не уловили. Были и подгруппы среди дневных видов. Синицы и желна были активнее всего ранней весной, а к концу апреля их почти не слышно. Зато певчий дрозд и крапивник выходили на первый план в апреле. Ночные виды образовали свою группу, как и перелетные птицы, которые прибывают в Центральную Европу только к маю.

Ученые сравнили свои выводы с прежними рекомендациями по учету птиц. Оказалось, что рекомендованное время для подсчета многих видов часто даже не пересекается с пиком их певчей активности. Раньше считалось, что большого пестрого дятла легко обнаружить в течение всего утра. Но новые данные говорят, что через два часа после восхода его слышно значительно реже, чем сразу после рассвета. А у других типичных лесных видов, например, лазоревки и пеночки-теньковки, певчая активность остается высокой и после рекомендованного утреннего времени учета — значит, этих птиц можно учитывать и позднее.

Комбинируя традиционные методы подсчета птиц с новыми методами анализа пения при поддержке ИИ, мы можем значительно улучшить наши знания и понимание их поведения, — говорит лесной эколог из Геттингенского университета профессор Андреас Шульдт, курировавший работу. — В особенности новый метод улучшает учет видов с короткими пиками активности.

Например, седоголового и малого пестрого дятлов, которых слышно лишь в относительно короткое окно, теперь можно регистрировать гораздо лучше, в то время как орнитологу нужно было бы изрядно повезти, чтобы их увидеть.

Вместе с Союзом немецких авифаунистов (DDA) результаты исследования уже включили в новое издание книги «Стандарты методов учета гнездящихся птиц Германии». Это поможет лучше планировать полевые исследования в будущем.

Реальная польза исследования:

• Во-первых, это конкретные практические руководства для орнитологов и природоохранных организаций. Теперь учет птиц можно проводить в действительно подходящее для каждого вида время, что повысит точность мониторинга популяций. Это критически важно для оценки статуса редких и исчезающих видов и принятия решений об их охране.
• Во-вторых, это новый уровень в фундаментальной науке. Мы получаем не обрывочные данные, а непрерывную, объективную картину звукового ландшафта леса, что позволяет изучать экологические взаимодействия между видами, влияние климата и антропогенных факторов на их поведение с беспрецедентной детализацией.
• В-третьих, это технологический мост: методология, отработанная на лесных видах, теперь может быть масштабирована на любые другие экосистемы, создавая глобальную сеть «умного» акустического мониторинга биоразнообразия.

Основное замечание касается методологии валидации данных ИИ. Хотя исследователи и проверяли предложения алгоритма вручную, в статье не указаны ни метрики точности самого ИИ (например, процент ложноположительных и ложноотрицательных срабатываний для каждого вида), ни количество привлеченных для валидации экспертов, ни критерии, по которым идентификация признавалась «достоверной». Это создает „серый ящик“: мы видим выводы, но не до конца понимаем, насколько надежны исходные данные.

Ошибка алгоритма на каком-либо часто встречающемся виде (например, на одном из дроздов) могла бы существенно исказить картину его суточной активности. Идеальным было бы двойное слепое рецензирование аудиозаписей независимыми экспертами для оценки как качества работы ИИ, так и консенсусной идентификации сложных для различения видов.

Ранее ученые упростили подсчет водоплавающих птиц.