Vleermuisgeluiden in kaart gebracht

Als u een boswandeling maakt heeft u ze misschien al eens gezien. Kleine bakjes met een microfoon bevestigd aan bomen. Deze bakjes zijn zogenaamde bat detectors, apparaten die vleermuisgeluiden opnemen. Hiermee kunnen onderzoekers weten hoeveel vleermuizen en welke soorten zich bevinden op bepaalde locaties. Zulke tellingen zijn essentieel, gezien vleermuizen een bedreigde diersoort zijn. De analyse van deze geluiden is echter niet zo eenvoudig. Momenteel gebeurt dit vooral handmatig door experts. In mijn thesis heb ik een programma ontwikkeld om deze analyse gedeeltelijk te automatiseren.

Hoe kan je vleermuizen horen?

Hoewel de ultrasone geluiden van een vleermuis te hoog zijn om door mensen gehoord te worden, kunnen deze wel opgenomen worden door een speciale microfoon. Vleermuizen gebruiken deze geluiden om zich te oriënteren in complete duisternis. Door zorgvuldig te luisteren naar de echo's van hun geluiden kunnen vleermuizen een beeld vormen van hun omgeving. Ultrasone geluiden zijn hiervoor zeer goed geschikt. Vandaar dat ook mensen deze gebruiken in sommige toepassingen. Als een zwangere vrouw een echo laat nemen worden hiervoor dezelfde ultrasone geluiden gebruikt om een beeld te maken van de baby, net zoals vleermuizen een beeld kunnen maken van hun omgeving. Via het opnemen van deze geluiden kunnen vleermuizen geïdentificeerd worden, gezien elke vleermuissoort een ander geluid zal maken. Deze techniek heeft als groot voordeel dat de vleermuizen niet verstoord worden. Het enige wat nodig is is een speciale microfoon die de geluiden kan opnemen. Vleermuizen kunnen deze microfoon wel detecteren, maar zullen deze gewoon als onderdeel van de omgeving zien.

Waarom gebruiken we geluiden?

Identificatie aan de hand van geluiden wordt elke dag gebruikt. Een normaal persoon kan gemakkelijk een kikker of vogel herkennen aan de hand van hun geluid. Met de juiste training kan deze persoon ons ook vertellen welke vogel dit precies is. In theorie zou dit proces dus volledig geautomatiseerd kunnen worden. Men plaatst simpelweg microfoons waar men vogels wil tellen en een mens of computer analyseert elk geluid. Dit is echter niet nodig gezien een mens ook gewoon kan zien welke soort vogel het is als deze in de tuin landt. 

Voor vleermuizen ligt dit een stuk moeilijker. Vleermuizen zijn nachtdieren en hebben minder duidelijk verschillende uiterlijke kenmerken. Het is natuurlijk mogelijk om overdag een vleermuisnest binnen te gaan en de slapende vleermuizen te tellen, maar dit kan vrij verstorend zijn voor de dieren. Ook het gebruik van zenders is zeer verstorend. Bovendien zijn veel van deze zenders simpelweg te zwaar voor kleine vleermuizen. Vandaar dat de meest praktische manier is om hun geluiden op te nemen.

Welk geluid hoort bij welke vleermuis?

Wanneer we deze geluiden hebben moeten we alleen nog elk geluid aan de juiste vleermuis linken. Dit is echter niet zo gemakkelijk als het lijkt. Dezelfde soort kan een licht ander geluid maken in een andere omgeving. Hetzelfde geluid kan ook anders klinken als een andere microfoon dit opneemt of de microfoon ergens anders geplaatst wordt. Elke vleermuis maakt zijn geluid ook meerdere keren na elkaar, maar terwijl dit gebeurt vliegt de vleermuis verder. Als deze geluiden opgenomen worden door een microfoon zullen deze niet meer helemaal identiek zijn omdat de afstand tot de microfoon verandert. Tot slot zijn er ook nog andere geluiden die kunnen lijken op een vleermuis. Bepaalde insecten zoals sprinkhanen maken ook ultrasoon geluid.

Dit probleem zou gemakkelijk kunnen opgelost worden als er een zeer grote database van geluiden beschikbaar was. Helaas is dit niet zo. Het is vrij tijdsintensief (en dus duur) om een expert in te huren om geluiden te herkennen. Bovendien zijn er weinig voorbeelden beschikbaar van de zeldzame soorten. Deze database zou bovendien uniek zijn per land gezien elk land sterk verschillende soorten heeft. Om al de redenen is het praktisch (nog) niet haalbaar om elk geluid automatisch te classificeren met de computer.

Een zelforganiserende kaart classificeert de geluiden

In plaats van elk geluid individueel te analyseren zullen we iets anders doen. We gaan de computer ‘leren’ hoe verschillend twee geluiden van elkaar zijn. Hiervoor volstaat een kleine hoeveelheid van voorbeeldgeluiden. Daarna zal de computer een aantal lege ‘groepen’ maken. Hij neemt elk geluid en stopt dit in een bepaalde groep. Als twee geluiden goed op elkaar lijken komen ze in dezelfde groep terecht, als ze niet goed op elkaar lijken komen ze in een andere groep terecht. Elke groep heeft ook een ‘positie’. Groepen die goed op elkaar lijken staan dichter bij elkaar dan sterk verschillende groepen. Op deze manier zullen de geluiden zichzelf organiseren. De expert krijgt nu een ‘kaart’ waarop alle groepen aangeduid staan met hun positie en aantal geluiden. Deze techniek wordt een self-organizing map  (‘zelforganiserende kaart’) genoemd.

De expert kan nu een groep kiezen. Als hierin vijftig geluiden zitten hoeft hij ze natuurlijk niet allemaal te bekijken. Hij neemt er misschien vijf uit, kijkt of deze allemaal dezelfde soort zijn en als dit zo is dan concludeert hij dat de volledige groep waarschijnlijk deze soort is. Als dit niet zo is zegt hij tegen de computer dat de groepen te groot zijn en dat hij meer groepen moet maken. De vijf geluiden waarvan de soort nu gekend is worden ook meegegeven aan de computer als voorbeeldgeluiden. Op deze manier leert de computer bij en kan hij zichzelf beter maken. We hopen dat op het einde van de rit elke soort mooi in een groep terecht komt. Als we nu dezelfde soort tegenkomen in een andere omgeving met een licht ander geluid, dan verwachten we dat er zeer dicht bij de originele groep een nieuwe groep gemaakt wordt met deze licht afwijkende geluiden. Als een compleet nieuwe soort binnen komt dan verwachten we dat deze op niets anders lijkt en dus mooi in een nieuwe groep terecht komt ver van de andere groepen. Op deze manier kan de gebruiker de geluiden veel sneller analyseren.

Dit onderzoek werd uitgevoerd aan onderzoekseenheid KERMIT onder leiding van Bernard De Baets, Laura Hoebeke en Michiel Stock en is in samenwerking met Thierry Onkelinx van het Instituut voor Natuur- en Bosonderzoek (INBO).