Desempenho de modelos de abundância não marcados com dados da classificação por aprendizado de máquina de gravações acústicas passivas

Resumo A capacidade de realizar monitoramento da vida selvagem em grande escala e de forma econômica está aumentando rapidamente devido à disponibilidade de unidades de gravação autônomas (ARUs) baratas e ao reconhecimento automatizado de espécies, apresentando diversas vantagens em relação a levantamentos realizados por humanos. No entanto, estimar a abundância com essas técnicas de coleta de dados permanece desafiador porque a maioria dos modelos de abundância requer dados difíceis de obter por ARUs monoaurais de baixo custo (por exemplo, contagem de indivíduos, distância até os indivíduos), especialmente quando se usa a saída do reconhecimento automatizado de espécies. Modelos estatísticos que não exigem contagem ou medição de distâncias até indivíduos alvo, combinados com ARUs de baixo custo, fornecem uma maneira promissora de obter estimativas de abundância para projetos de monitoramento da vida selvagem em larga escala, mas ainda não foram testados. Apresentamos um estudo de caso usando dados de campo de aves coletados em florestas da Pensilvânia durante a primavera de 2020 e 2021, utilizando tanto contagens pontuais tradicionais quanto monitoramento acústico passivo nos mesmos locais. Testamos a capacidade dos modelos de Royle–Nichols e de tempo para detecção para estimar a abundância de duas espécies a partir de históricos de detecção gerados pela aplicação de um classificador de aprendizado de máquina em dados coletados por ARUs. Comparamos as estimativas de abundância desses modelos com as dos mesmos modelos ajustados usando dados de contagem pontual e com dois modelos adicionais apropriados para contagens pontuais, o modelo de mistura N e modelos de distância. Encontramos que os modelos de Royle–Nichols e tempo para detecção podem ser usados com dados de ARU para produzir estimativas de abundância similares às geradas por estudos baseados em contagens pontuais, mas com maior precisão. Modelos baseados em ARU produziram intervalos de confiança ou credibilidade que foram em média 31,9% (±11,9 SE) menores do que seus correspondentes baseados em contagem pontual. Nossos achados foram consistentes em duas espécies com diferentes abundâncias relativas e padrões de uso do habitat. A maior precisão dos modelos ajustados com dados de ARU provavelmente se deve à maior probabilidade cumulativa de detecção, que pode ser o resultado de maior esforço de levantamento usando ARUs e classificadores de aprendizado de máquina para amostrar significativamente mais tempo para as espécies focais em qualquer ponto dado. Nossos resultados fornecem suporte preliminar para o uso de ARUs em aplicações baseadas em estudos de abundância, o que pode permitir aos pesquisadores uma melhor compreensão da qualidade do habitat e das tendências populacionais, além de possibilitar recomendações e ações de conservação mais informadas.