Management-relevant applications of acoustic monitoring for Norwegian nature:The Sound of Norway

Tradisjonelt sett har disse dataene blitt innsamlet for hånd, men gjennombrudd innen mikroelektronikk og maskinlæring har nå muliggjort helautomatiserte me-toder for overvåkig av økosystemer. Akustisk overvåking er en lovende og kostnadseffektiv me-tode for å samle inn økologiske data på stor skala, og det har blitt utviklet en rekke sofistikerte metoder for datainnsamling og analyse det siste tiåret.

I denne rapporten starter vi med å kartlegge eksisterende litteratur innenfor økologisk akustikk med fokus på fire norske naturforvaltningsområder: økologiske grunnkart, grønn infrastruktur, økologisk tilstand og handlingsplaner for trua arter. I hvert tilfelle diskuterer vi hvilken type data som trengs for en effektiv forvaltning, hvordan akustisk overvåking kan bidra til å nå de ønskede målene, og identifiserer områder der ytterligere forskning er nødvendig for at akustisk overvåking skal kunne bidra til disse prioriterte områdene. Vi viser hvordan enkle automatiserte deteksjons-metoder for lyd kan bidra med høyoppløselige data på artsforekomst, bestandsstørrelse og at-ferd på en stor skala til økologiske grunnkart, grønn infrastruktur og handlingsplaner for trua arter. I tillegg kan analyser av lydbilder gi nye, helhetlige mål på økosystemhelse og forbedre mål på økologisk tilstand.

Vi rapporterer deretter oppsett, implementering og resultater fra Lyden av Norge-prosjektet; et helautonomt akustisk overvåkingsnettverk fordelt over store deler av landet. Vi presenterer den første storskala testen av BUGG, et toppmoderne økologisk akustisk overvåkingssystem, der vi overvåket 41 lokaliteter på tvers av skog, semi-naturlig mark og mer urbane habitater mellom juli og november 2021. Totalt ble 58 355 timer med lyddata lastet opp direkte fra felt over en mobil internett-kobling og analysert i sanntid ved hjelp av en deteksjonsmodell for fuglelyd (BirdNET) og en lydbilde-fingeravtrykkstilnærming. Når analysene var behandlet i skyen, ble resultatene levert gjennom et intuitivt og interaktivt online dashbord, og hele datasettet ble til slutt eksportert i et maskinlesbart format for mer dyptgående analyser.

Vi utledet presisjons- og gjenkallingsmålinger for modellen ved hjelp av ekspertvurderinger. Mo-dellen hadde over 60 % presisjon for 44 arter (hvorav 21 arter hadde 100 % presisjon) og iden-tifiserte 5 arter der modellen gav falske positiver, altså at disse artene ikke fantes på lokaliteten. Å kvantifisere nøyaktighet på denne måten ga oss innsikt i styrker og svakheter ved modellen og tillot oss å kontrollere for potensielle feilklassifiseringer i videre analyser. Vi brukte de filtrerte BirdNET-deteksjonene for å kartlegge artssamfunn og endringer i artsrikdom på tvers av hele overvåkingsnettverket, og for å demonstrere at viktige fenologiske mønstre kan utledes fra kon-tinuerlige akustiske overvåkingsdata.

I tillegg demonstrerte vi at lydbilder kan brukes til å beskrive mønstre i tid og rom på tvers av overvåkingsnettverket vårt. Fra disse analysene har vi vist at automatisert akustisk overvåking kan gi kontinuerlige økologiske data både for enkeltarter og på et overordnet samfunnsnivå, inkludert informasjon om biodiversitet, samfunnsendringer og migrasjonstidspunkt.

Til slutt gir vi anbefalinger for hvordan akustisk overvåking kan benyttes av norsk naturforvaltning i dag. Vi identifiserer eksisterende overvåkingsprogrammer som kan, (i) dra nytte av den høye tidsmessige oppløsningen til akustiske data (f.eks. TOVe, SEAPOP), (ii) integrere lydbildeanaly-ser for å måle generell økosystemhelse (f.eks. ANO), og (iii) integrere lydbaserte kontinuerlige mål på menneskelig påvirkning (f.eks. nasjonal overvåking av insekter). Vi avslutter med å peke på de mest effektive løsningene for videre metodeutvikling som kan finjustere eksisterende akus-tiske overvåkingsløsninger og ivareta behovene til norsk naturforvaltning.