Во многих лесах Северной Америки сокращается численность певчих птиц, возвращение которых традиционно считается одним из признаков наступления весны. Чтобы выяснить причины изменений популяций, биологи проводят трудоёмкие полевые исследования: отлавливают птиц, надевают им индивидуальные кольца на лапы, а затем пытаются обнаружить тех же особей во время последующих сезонов размножения. Сопоставление таких наблюдений позволяет оценивать выживаемость и динамику численности популяций.
Однако традиционный метод имеет существенные ограничения. Поиск и отлов птиц требуют большого количества времени, а сама процедура кольцевания вызывает у животных стресс и, хотя и редко, может приводить к травмам. Кроме того, кольца иногда повреждаются или теряются, что затрудняет идентификацию особей.
Исследование, опубликованное 5 ноября 2026 года в журнале Nature Methods, предлагает альтернативный подход: использовать автономные звукозаписывающие устройства и искусственный интеллект для распознавания отдельных птиц по характерным особенностям их песен. Метод позволяет отслеживать одних и тех же особей на протяжении нескольких лет, не прибегая к их отлову и физической маркировке.
«Это практически святой Грааль», — так оценивает перспективы разработки Скотт Силлетт, биолог из Центра мигрирующих птиц Смитсоновского института, не участвовавший в исследовании.
Традиционная идентификация птиц по кольцам остаётся важным инструментом орнитологии, но имеет очевидные недостатки. В зависимости от вида и условий наблюдения поиск и отлов даже одной особи могут занимать значительное время. Повреждение или потеря кольца способны привести к ошибкам при последующем учёте.
«В редких случаях птицы могут получить травмы и даже погибнуть. Если всё делать правильно, этого происходить не должно, но полностью исключить такую возможность нельзя», — отмечает орнитолог Михаэль Шауб из Швейцарского орнитологического института.
В поисках менее инвазивного способа наблюдения за птицами исследователь машинного обучения Сэм Лапп и его коллеги разработали систему автоматической идентификации по голосу. В качестве модельного вида они выбрали печника (Seiurus aurocapilla, Ovenbird) — небольшую перелётную певчую птицу из семейства древесницевых, обитающую в лесах Северной Америки.
Для этого вида характерна достаточно устойчивая индивидуальная структура песни. Самцы издают повторяющиеся последовательности нот, напоминающие сигнал «тíчер-тíчер», причём акустические особенности исполнения немного различаются у разных особей. Именно эти различия и стали основой нового метода.
Для обучения алгоритма исследователи использовали аудиозаписи, собранные более чем в 100 точках штата Пенсильвания за четыре года. Нейросеть обучили выделять характерные акустические признаки песен. Затем полученные признаки преобразовывались в компактные числовые представления и группировались по степени сходства. Предполагалось, что записи, относящиеся к одной группе, принадлежат одной и той же птице.
Важная особенность подхода заключается в том, что исследователям не требовалось заранее иметь индивидуальные записи каждой птицы с известной идентичностью. Нейросеть обучалась выделять характерные особенности голосов, используя информацию о местах записи, а затем алгоритм кластеризации помогал объединять похожие вокализации.
Для проверки метода команда использовала независимый набор аудиозаписей из канадской провинции Альберта. Их ранее собрал исследователь Скотт Уилсон, который около десяти лет назад развернул в районе обитания печников систему микрофонов. Благодаря пространственному расположению звукозаписывающих устройств и возможности определять координаты источника звука исследователи могли сопоставлять конкретные песни с определёнными территориями и отдельными птицами.
После обработки этих записей разработанная система смогла идентифицировать отдельных особей с точностью 96%. Особенно важно, что речь шла о птицах, которые не использовались непосредственно для обучения модели. Таким образом, алгоритм продемонстрировал способность распознавать индивидуальные акустические особенности за пределами исходной обучающей выборки.
В дальнейшем исследователи применили метод к многолетнему акустическому мониторингу. С его помощью удалось отслеживать 405 самцов печника в 126 точках наблюдения на протяжении четырёх лет. На основе полученных данных учёные смогли оценивать численность популяции и показатели ежегодной выживаемости.
Поскольку самцы печника обычно возвращаются на привычные территории размножения, повторное обнаружение характерной песни позволяет предположить, что конкретная особь пережила период миграции и вернулась в район гнездования. Для проведения подобных исследований достаточно установить в лесу сеть микрофонов и регулярно анализировать поступающие записи.
Однако у метода есть существенное ограничение: он позволяет идентифицировать преимущественно поющих самцов. Самки, которые не демонстрируют аналогичного вокального поведения, остаются за пределами такого наблюдения.
По словам Скотта Силлетта, исследователи часто используют численность поющих самцов как показатель состояния популяции, предполагая, что у каждого из них есть партнёр. Такой подход не даёт точной оценки общего количества птиц, но при соблюдении единой методики позволяет сравнивать численность популяций на разных территориях и отслеживать изменения со временем.
Разработчики считают, что технологию можно адаптировать и для других видов. Многие птицы обладают индивидуальными особенностями вокализации, которые потенциально позволяют отличать одну особь от другой. Однако для каждого нового вида потребуется достаточный объём проверочных данных, позволяющих установить, действительно ли алгоритм распознаёт индивидуальные голоса, а не просто различия между территориями, условиями записи или периодами наблюдения.
«Чтобы применить этот подход к новым видам, нам необходимо знать, какие именно песни принадлежат конкретным особям», — объясняет Сэм Лапп.
При этом исследователи не рассматривают ИИ как полную замену традиционным методам орнитологических исследований. Отлов и осмотр птиц позволяют получить информацию, которую невозможно извлечь из аудиозаписей: например, оценить жировые запасы, физическое состояние и другие показатели, важные для понимания успешности миграции и размножения.
«Человек всё равно должен оставаться частью этого процесса», — подчёркивает Лапп.
Тем не менее сочетание акустического мониторинга и машинного обучения открывает возможности для масштабных исследований дикой природы. Автономные микрофоны способны собирать данные круглосуточно, а алгоритмы — обрабатывать огромные массивы записей без необходимости постоянно присутствовать в местах обитания животных. Исходный код разработанной системы исследователи также опубликовали в открытом доступе.
Таким образом, ИИ может превратить пассивную акустическую регистрацию в инструмент индивидуального мониторинга животных. Но насколько далеко можно зайти в этом направлении? Если алгоритмы научатся надёжно различать не только птиц, но и других животных по индивидуальным особенностям их звуков, смогут ли автономные сенсорные сети в перспективе заменить значительную часть традиционных полевых наблюдений? Или чрезмерная ставка на автоматизацию создаст риск того, что учёные начнут доверять статистическим оценкам больше, чем реальному состоянию экосистем? Предлагаем обсудить.
Источник: https://www.science.org/content/article/ai-can-track-single-bird-over-time-based-solely-its-song?ref...Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
