Passive acoustic monitoring is a promising method for surveying wildlife populations that are easier to detect acoustically than visually. When animal vocalisations can be uniquely identified on an array of sensors, the potential exists to estimate population density through acoustic spatial capture-recapture (ASCR). However, sound classification is imperfect, and in some situations a high proportion of sounds detected on just a single sensor ('singletons') are not from the target species. We present a case study of bowhead whale calls (Baleana mysticetus) collected in the Beaufort Sea in 2010 containing such false positives. We propose a novel extension of ASCR that is robust to false positives by truncating singletons and conditioning on calls being detected by at least two sensors. We allow for individual-level detection heterogeneity through modelling a variable sound source level, model inhomogeneous call spatial density, and include bearings with varying measurement error. We show via simulation that the method produces near-unbiased estimates when correctly specified. Ignoring source level variation resulted in a strong negative bias, while ignoring inhomogeneous density resulted in severe positive bias. The case study analysis indicated a band of higher call density approximately 30km from shore; 59.8% of singletons were estimated to have been false positives.


翻译:被动声学监测是调查野生生物群落的一个很有希望的方法,在声学上比视觉上更容易探测到。当动物声学可以在一系列传感器上得到独特识别时,就存在通过声音空间捕捉(ASCR)来估计人口密度的潜力。然而,声学分类不完善,在某些情况下,仅在单一传感器(“星盘”)上检测到的声音比例很高,并不是来自目标物种。我们介绍了2010年在博福特海收集的弓头鲸呼唤(Baleana mysticetus)的案例研究,其中含有此类虚假的阳性。我们建议了动物声学的新型扩展,通过对至少两个传感器探测到的电话进行调试和调节,对假阳性反应具有强力。我们允许通过模拟一个可变声源级别(“singletons”),模型不来自目标物种。我们通过模拟来显示2010年在博福特海采集的弓头鲸呼唤(Baleana mystiteetusetus)包含此类假阳性估计。我们建议了源水平变化的结果是强烈的负偏差,同时忽略了30个恒度密度密度,同时忽略了直系直系直度分析结果。</s>

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
专知会员服务
31+阅读 · 2021年6月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年4月14日
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
Arxiv
13+阅读 · 2018年4月6日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员