AI zoekt naar individuele handtekeningen in vogelzang
Gepubliceerd 6 november 2026
Niet alleen de soort telt
Automatische vogelgeluidherkenning richt zich meestal op de soort. Maar binnen één soort kunnen vogels ook herkenbare verschillen in hun zang of roep hebben. Een studie in Methods in Ecology and Evolution onderzoekt of die individuele handtekening bruikbaar is voor monitoring zonder vogels te vangen of te ringen.
De onderzoekers combineerden geluidskenmerken uit BirdNET met een licht LSTM-model. In plaats van één kort geluidsvenster of een gemiddelde van meerdere vensters, verwerkt het model de fragmenten in tijdsvolgorde. Daardoor kan het ook informatie gebruiken die verspreid zit over een langer en complexer lied.
Test met zeven soorten
Het systeem werd getest met 87.865 vocalisaties van 352 individuen uit zeven soorten. De datasets bevatten korte roepen van minder dan een seconde en langere zangfragmenten tot 27,6 seconden. In vijf herhaalde tests lagen de gemiddelde nauwkeurigheden tussen 93,9 en 98,3 procent.
De winst ten opzichte van een sterke statische aanpak was niet overal gelijk. Bij de koolmees en de grote kiwi kwamen de duidelijkste verbeteringen uit op respectievelijk 1,3 en 2,8 procentpunt. Het voordeel van tijdsmodellering was vooral zichtbaar bij langere vocalisaties met meerdere informatieve delen.
Belofte en beperking
Een akoestische individuele herkenning kan helpen om dieren langdurig te volgen zonder fysieke markering. Toch zijn zulke resultaten afhankelijk van de kwaliteit en herkomst van de trainingsdata. De studie testte bestaande datasets met labels per individu, niet een willekeurige opname uit de natuur zonder voorkennis.
De uitkomst is daarom vooral een veelbelovende methode voor toekomstig onderzoek. Ze laat zien dat niet alleen de klank zelf, maar ook de volgorde en ontwikkeling van een zangfragment informatie over een vogel kunnen bevatten.
Bron: Gallego, Martinez-Vargas en López, Individual bird identification by modelling temporal structure in bioacoustic embeddings, Methods in Ecology and Evolution (2026).