De geluiden van vogels zijn overal te horen, maar ken jij het verschil tussen een roodborstje en een halsbandparkiet? En wanneer vogels naar elkaar luisteren, horen zij elkaars geluiden dan op dezelfde manier als wij? Als deel van mijn onderzoek probeer ik deze vragen te beantwoorden door computerprogramma's te ontwikkelen die geluiden automatisch betekenis geven, zoals het identificeren van vogels aan de hand van hun geluid.

We beseffen niet hoe wonderlijk het is dat het menselijk brein geluiden begrijpt todat we dat proces moeten uitleggen aan een computer, zodat hij het zelf ook kan. In mijn laboratorium aan de Queen Mary Universiteit van Londen hebben we een algoritme ontwikkeld dat duizenden opnames van vogels doorspit, om vervolgens de computer aan te leren hoe hij deze geluiden van elkaar kan onderscheiden. We hebben deze techniek gebruikt om vogelsoorten in het regenwoud te identificeren en we verkregen geweldige resultaten. 

We beslisten hierna om ons algoritme om te vormen naar een smartphone-app die getraind is in het herkennen van vogels in Groot-Brittannië. Zo konden mensen in eigen land vogelliederen opnemen en identificeren. Tot onze verrassing bleken de opnames een wel erg vreemde en grappige verzameling van vogelimpressies. We leerden niet alleen iets interessants bij over vogels, maar ook over mensen.

Smartphones en vogelliedjes

Als je een onderzoek uitvoert, is het handig als je over genoeg data beschikt. Ons werk is gebaseerd op 'machine learning', een soort van artificiële intelligentie waarbij de software leert uit en zich aanpast aan de grote hoeveelheid data. Specifiek programmeren is dan niet meer nodig. Grote datasets zijn een cruciaal deel van de technologie waarbij smartphones bijvoorbeeld stemcommando's moeten herkennen.

Ecologen en andere biologen verzamelen tegenwoordig bijzonder veel audio- en videodata, omdat het nu eenvoudiger is dan vroeger om netwerken op te zetten met mini-opnameapparatuur in het bos, een veld of zelfs aan de rand van een afgrond. Zo is er het Keniaans Bioakoestisch Project, geleid door Ciira wa Maina, waarbij verschillende kleine geluidsrecorders werden gemonteerd op Raspberry Pi miniatuur-computers, om opnames te maken van verschillende vogels in Kenia. 

We kunnen datasets zoals deze gebruiken om automatisch vogel-, insecten- of zoogdiergeluiden te detecteren en te herkennen, al blijft het moeilijk om elk geluid apart te onderscheiden. De geluidsapparatuur in je smartphone maar immers maar rekening houden met één enkele diersoort. Dezelfde methodes die worden gebruikt bij machine learning, kunnen ook worden gebruikt voor dieren, maar ze moeten specifiek worden aangepast aan de eigenschappen van het probleem dat wij proberen op te lossen.

Dat was de motivatie voor ons onderzoek naar het automatisch herkennen van vogelsoorten op basis van hun geluid. Het sterkte ons in onze beslissing om ons werk om te vormen naar een app genaamd Warblr, die iedereen makkelijk kan gebruiken. Je neemt een vogelgeluid op met je smartphone en Warblr vertelt je met welke soort je hoogstwaarschijnlijk te maken hebt. Ook krijg je percentages bij alle voorgestelde soorten die aantonen hoe zeker het programma is van elke soort.

Vogelopnames delen

De applicatie is niet zomaar een product. Het is ook een citizen scienceproject, dat ons toelaat mensen te vragen of we hun opname mogen gebruiken. Deze bijdragen kunnen gebruikt worden voor toekomstig onderzoek of het voor een grootschalige monitoring van vogels. Mensen stuurden al duizenden opnames in, zoals dit lied van de heggenmus. 

Als we wilden luisteren naar de geluiden die het Britse volk had opgenomen sinds de lancering van de app in augustus 2015 - meer dan 25.000 opnames in het hele Verenigd Koninkrijk - waren we compleet verrast. Terwijl 75% van de geluiden die we tot nu toe hadden geanalyseerd gemaakt zijn door vogels, vonden we vaak ook opnames terug waarin geen vogel te bespeuren was. In plaats hiervan vonden we geluiden van mensen die vogels probeerden te imiteren met hun eigen stem, met wisselend succes. 

Vogel of vliegtuig?

We hebben nu een gigantische bibliotheek van opnames en daarbovenop één van de beste verzamelingen van vogelimpressies en andere gekke geluiden. Maar wat gaan we met deze informatie doen? Ook de niet-vogelgeluiden zijn nuttig voor onderzoek omdat ze machines kunnen aanleren hoe ze allerlei verschillende types van geluiden moeten onderscheiden, van een schreeuwend kind tot een kwetterende parkiet.

We leerden iets dat meermaals werd bevestigd door andere wetenschappers. Zelfs detecteren of er nu wel of niet een vogel aanwezig is, laat staan welke soort het is, vormt nog steeds een probleem. Daarom willen we de data die we verzameld hebben, publiceren en verder onderzoek aanmoedigen over het detecteren en herkennen van vogels.

Met de ontwikkeling van machine learning, statistische analyse en alle verzamelde data, zullen we uiteindelijk een beter inzicht krijgen in vogelpopulaties, hun migratiepatronen, hun habitats en zelfs hun interacties met elkaar.

Je kan ons onderzoek helpen door deel te nemen aan ons online luisterspel. 

Je kan meer van onze favoriete opnames beluisteren via deze link. 

We hopen dat de opnames die we verzamelden een goede inkijk geven in het gedrag van Britse vogels, al lijkt het erop dat we nu ook een inkijk hebben in het gedrag van de Britse burgers. 

Dan Stowell onderzoekt machine listening. Hij leidt het Machine Listening Lab aan de Queen Mary University in Londen. Hij schreeft dit artikel voor The Conversation, een onafhankelijke, non-profit journalistieke website die nieuws en achtergrond afkomstig uit de academische gemeenschap publiceert.