Automated acoustic identification of bat species

Abstract

Automated acoustic identification of bat species Recent improvements in bat survey methods in Portugal, especially automatic recording stations, have led to an analysis problem due to the amount of data obtained. In this thesis we propose to develop an automated analysis and classification method for bat echolocation calls by developing a computer program based on statistical models and using a reference database of bat calls recorded in Portugal to quickly analyze and classify large amounts of recordings. We recorded 2968 calls from 748 bats of 20 (of the 25) bat species known in mainland Portugal and coded a program in R that automatically detects bat calls in a recording, isolates the calls from the background noise and measures 19 parameters from each call. A two stage hierarchical classification bat call scheme was implemented based on logistic regression models and ensembles of artificial neural networks. In the first stage calls were classified in six major groups with individual correct classification rates that varied between 93% and 100%. In the second stage calls were classified in species or groups of species with classification rates that varied between 50% and 100%; ### Identificação acústica automatizada de espécies de morcegos Desenvolvimentos recentes nas metodologias de monitorização de morcegos utilizadas em Portugal, especialmente estações de gravação automáticas, conduziram a um problema de análise devido à quantidade de dados obtida. Nesta tese propomos desenvolver um método automatizado de análise e classificação de pulsos de ecolocalização de morcegos através do desenvolvimento de um programa de computador baseado em modelos estatísticos e utilizando uma base de dados de pulsos de morcegos gravados em Portugal continental para rapidamente analisar e classificar grandes quantidades de gravações. Gravámos 2968 pulsos de 748 morcegos de 20 (das 25) espécies de morcegos conhecidas em Portugal continental e codificámos em R um programa para automaticamente detectar pulsos de morcego numa gravação, isolar os pulsos do ruído de fundo e medir 19 parâmetros de cada pulso. Foi implementado um esquema hierárquico de classificação de pulsos em duas etapas baseado em modelos de regressão logística e conjuntos de redes neuronais artificiais. Numa primeira etapa os pulsos foram classificados em seis grupos com taxas individuais de classificações correctas que variaram entre 93% e 100%. Numa segunda fase os pulsos foram classificados em espécies ou grupos de espécies com taxas de classificação correctas que variaram entre 50% e 100%.