Advancing bird survey efforts through novel recorder technology and automated species identification

Abstract

Recent advances in acoustic recorder technology and automated species identification hold great promise for avian monitoring efforts. Assessing how these innovations compare to existing recorder models and traditional species identification techniques is vital to understanding their utility to researchers and managers. We carried out field trials in Monterey County, California, to compare bird detection among four acoustic recorder models (AudioMoth, Swift Recorder, and Wildlife Acoustics SM3BAT and SM Mini) and concurrent point counts, and to assess the ability of the artificial neural network BirdNET to correctly identify bird species from AudioMoth recordings. We found that the lowest-cost unit (AudioMoth) performed comparably to higher-cost units and that on average, species detections were higher for three of the five recorder models (range 9.8 to 14.0) than for point counts (12.8). In our assessment of BirdNET, we developed a subsetting process that enabled us to achieve a high rate of correctly identified species (96%). Using longer recordings from a single recorder model, BirdNET identified a mean of 8.5 verified species per recording and a mean of 16.4 verified species per location over a 5-day period (more than point counts conducted in similar habitats). We demonstrate that a combination of long recordings from low-cost recorders and a conservative method for subsetting automated identifications from BirdNET presents a process for sampling avian community composition with low misidentification rates and limited need for human vetting. These low-cost and automated tools may greatly improve efforts to survey bird communities and their ecosystems, and consequently, efforts to conserve threatened indigenous biodiversity. Los recientes avances en la tecnología de grabación acústica y en la identificación automatizada de especies son muy prometedores para los esfuerzos de monitoreo aviar. Evaluar cómo estas innovaciones se comparan con los modelos de grabadora existentes y las técnicas tradicionales de identificación de especies es vital para entender su utilidad para investigadores y gerentes. Realizamos ensayos de campo en el condado de Monterey, California, para comparar la detección de aves entre cuatro modelos de grabadora acústica (AudioMoth, Swift Recorder y Wildlife Acoustics SM3BAT y SM Mini) y conteos por puntos simultáneos, y para evaluar la capacidad de la red neuronal artificial BirdNET en identificar correctamente las especies de aves de las grabaciones AudioMoth. Encontramos que la unidad de menor costo (AudioMoth) funcionaba de manera equiparable a unidades de mayor costo y que, en promedio, las detecciones de especies eran más altas para la mayoría de los grabadoras (rango 9.8 a 14.0) que para los conteos por puntos (12.8). En nuestra evaluación de BirdNET, desarrollamos un proceso de subconjuntos que nos permitió alcanzar una alta tasa de especies correctamente identificadas (96%). BirdNET identificó una media de 8.5 especies verificadas por registro y una media de 16.4 especies verificadas por ubicación (más que conteos por puntos realizados en hábitats similares). Demostramos que una combinación de grabaciones de larga duración con grabadoras de bajo costo y un método conservador para el subconjunto de identificaciones automatizadas de BirdNET presentan un proceso para tomar muestras de la composición de la comunidad aviar con bajas tasas de identificación errónea y necesidad limitada de verificación humana. Estas herramientas automatizadas y de bajo costo pueden facilitar en gran medida esfuerzos en examinar las comunidades de aves y sus ecosistemas y, en consecuencia, los esfuerzos para conservar la biodiversidad indígena amenazada.