Разница в возрасте шепелев и фриске: Дмитрий Шепелев рассказал, что его сын от Жанны Фриске быстро повзрослел

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

шоу-бизнес, знаменитости, дмитрий шепелев, звезды, жанна фриске

МОСКВА, 8 июл – РИА Новости. Телеведущий Дмитрий Шепелев в день рождения Жанны Фриске (певице сегодня могло исполниться 47 лет) опубликовал в Instagram снимок, на котором показывает их общего сына Платона.

На фотографии бывший возлюбленный Жанны Фриске держит сына на плечах. Оба при этом чему-то сильно радуются. Лицо мальчика видно не полностью — Дмитрий Шепелев скрывает Платона от публики.

К публикации ведущий также прикрепил текст, в котором поразмышлял на тему жалости. По его мнению, «нет ничего хуже и унизительнее» этого явления, особенно когда кто-то пытается жалеть Платона.

«Мой сын Платон необыкновенно яркий, умный мальчишка, у него так много талантов и успехов в учебе, музыке, спорте! Его обожают семья, друзья, учителя, у него, я знаю, большое будущее — он взял лучшее от своих родителей. Он живет насыщенной и яркой жизнью, перед ним открыт весь мир, его окружают достойные люди. Он солнечный, улыбающийся и не по годам мудрый человек. Платон достоин только восхищения и уважения», — написал Дмитрий Шепелев. — Поэтому когда я вижу жалостливые сообщения, меня это удивляет, потому что жалость — это слишком мелко для него, он совсем не заслуживает жалости, а только самых теплых слов».

В комментариях большинство пользователей написало, что Дмитрий Шепелев — «замечательный папа» и пожелали его семье счастья.

В конце марта телеведущий стал отцом во второй раз. У Шепелева и его возлюбленной Екатерины Тулуповой в одной из элитных столичных клиник родился сын. Мальчика назвали Тихоном.

Новый постоянный колумнист Glamour – известный телеведущий Дмитрий Шепелев

«Она же для тебя старая», — сдавленным голосом пробормотала мама. «Боже мой, а что люди скажут?» — присоединилась бабушка. И только отец мечтательно прикрыл глаза и предался воспоминаниям.

 Знаки отличия

Это довольно щекотливая тема — возраст. Тут, как говорят соцсети, «все сложно». Большая разница в возрасте — это вообще сколько? Волнение родных понятно в случае, если твоя избранница постоянно забывает твое имя, в ее седых волосах бигуди, в сумочке — рецепты из поликлиники. А тебе едва удалось отпраздновать выпускной. О, да! Тут я понимаю причину беспокойства: пожалуй, шансов отпраздновать бриллиантовый юбилей со дня знакомства у вас немного. Но бывает и по-другому. Допустим, она ненамного младше своего избранника, но почему-то убеждена, что у нее есть «мигалка» — именно так она называет поворотник в машине. Она не выходит из дома без шапки и носит в сумочке мамины бутерброды, называя их «бУтики». Вы одногодки, но есть ощущение, что рядом школьница. Лолита на высоких каблуках. У нее большая красивая грудь, и в минуты нежности она шепчет тебе совсем не домашнее задание. Но вот эта шапка на крючке в прихожей… ваш первый секс, которого она так хотела и одновременно так боялась, что легла в постель в трусах и колготках. Ты хочешь поговорить, но все, что она может предложить, — покорное согласие. Вот это, я бы сказал, большая разница! Хоть возраст и один.

Вечно молодой

Допустим, она старше — на 8, на 10 лет. В этом немало плюсов для вас обоих. Скорее, она сама предложит тебе пойти в стриптиз-клуб или в бар, развеяться вдвоем или с друзьями. Она уже не стесняется ни тебя, ни себя в постели и знает, как удивить. Она точно знает, чего хочет от отношений и от мужчины, и поэтому между вами ясность  и никакой суеты. Она не станет тратить время на ревность и долгие выяснения «что я для тебя значу» и «куда мы идем». Бесспорно, есть плюсы и для нее. Ведь именно ей на плановом приеме доктор скажет: «Молодец! Надо брать, пока молодой и здоровый». И будет прав. Сколько раз мы слышали слова тех, кого чужая жизнь волнует больше своей: «она для него слишком старая», «она ему не пара»? У меня есть только один ответ. Это для вас она не та, а для меня в самый раз. Короче, не суйте нос.

Думаю, что разница в возрасте — это предрассудки. Они родом из того времени, когда женились на однокурсницах и сразу заводили детей. Если для вас возраст — это количество лет от рождения, подтверждающее, что физическое тело стареет, а счастье лишь в том, чтобы подольше выглядеть молодым и красивым, — то продлится это счастье недолго. Преждевременно быстро стареет человек любого возраста, если его сердце черство, душа и ум пусты, а жизнь лишена смысла. Я не верю в разницу в возрасте. Только в любовь».

Мартовский номер журнала Glamour уже в продаже!

Шепелева не смущает 8-летняя разница в возрасте с Жанной Фриске

По мнению 30-летнего телеведущего, разница в возрасте действительно имеет значение, то только тогда, когда «избранница с седыми волосами постоянно забывает твое имя, а в ее сумочке – одни лишь рецепты из поликлиники».

Кажется, совсем не устраивают Дмитрия и инфантильные «одногодки, поскольку есть ощущение, что рядом находится школьница». А вот «блестящая» Жанна, конечно, хоть и старше его на 8 лет, но зато знает, чего хочет.

«Скажем, она старше – на 8 -10 лет. В этом столько плюсов для вас обоих! Она совсем не стесняется в постели и умеет удивить. А еще она точно знает, чего хочет от отношений с мужчиной, поэтому между обоими ясность и никакой лишней суеты. Она не тратит время на ревность и выяснения», – считает знаменитость.

Шепелев также заявил, что ему наплевать на разницу в возрасте, а всем остальным советует «не совать свой нос»: «Может для вас она не та, а для меня как раз наоборот. Короче, не суйте свой нос. Я не верю в разницу в возрасте. Верю только в любовь».

Напомним, совсем скоро у 30-летнего Дмитрия Шепелева и 38-летней Жанны Фриске родится первенец. Сольная исполнительница находится на седьмом месяце беременности, и уже рассказала, что у них с Димой будет сын.

Не забудьте добавить «INFORMING» в источники новостей

Не забудьте поделиться новостью!

Лисовец раскрыл тайну последнего трагического визита Жанны Фриске

На пике славы, в самом расцвете сил Жанна сгорела за считанные месяцы. За все эти годы журналисты сделали сотни документальных фильмы, статей, выпусков ток-шоу, сюжетов о Жанне. Память о ней и ее яркой судьбе по сей день трогают  сердца людей.

Разговор с Владиславом Лисовцом получился непростым. Мы не ожидали столько откровений, трогательных воспоминаний, которые услышали от Владислава о Жанне. Эксперт моды говорил о певице в настоящем времени, как будто она здесь, с нами, оговариваясь, что все это «было». 

«Я не знаю, когда вы собираетесь писать наше интервью, — начал Владислав. — Но вот сегодняшняя погода такая же, как была в последний наш разговор с Жанной. Пять лет назад я ехал в машине: у меня была депрессия, тяжело на душе, еще и пасмурно, и срывался дождь… Звонок, это была Жанна, незадолго до своего ухода.

Почему она мне тогда позвонила? Я не знаю, она просто так спросила: «Владичка, ты, наверное, грустишь? Все будет хорошо. Все наладится!» И я тогда понял, что со мной связался человек, у которого страшный диагноз, который тяжело болеет —  звонит мне, чтобы меня, здорового мужчину, поддержать. Мне хочется, чтобы люди, услышав эту историю, поняли насколько можно быть человечным, и понимать, и чувствовать других людей. Мне кажется, одна эта история объяснит все о Жанне»

— Как вы познакомились с Жанной?

— В середине 90-х ко мне поступило предложение: образовалась новая женская группа, нужна помощь. Меня попросили подобрать стиль, поработать с девочками, привести их в порядок, потому что готовится новый клип на песню «Цветы», снимали в клубе «Титаник». Было очень мало времени, и я предложил девочкам идеи, которые они одобрили.  

Как сейчас помню, притащил Жанне цветной хвост, потому что она была очень темная. Я ей сказал, что мы уберём ее темные волосы и сделаем вот такой хвост.

С Жанной сколько лет работали вместе, никогда не было проблем. Мне казалось, что мы духовно совпадали. Она ко мне относилась, как к старшему брату. Сейчас анализирую наше общение, наш совместный отдых, поездки, и понимаю, что мы были очень близки.

— Вспомните одну из поездок?

— У певицы Шаде был тур, предложил Жанне (Фриске любила эту артистку) со мной поехать. У Жанны тогда был очень серьёзный график, она мне его переслала, и я под него нашел один день.

Шаде должна была выступать в Стокгольме, я какими-то окольными путями купил 4 билета, и мы рванули, прихватив ещё друзей! Была очень весёлая компания, но я запомнил, как к концу концерта Жанна и я сидели вместе, держались за руки и плакали. От какого-то такого невероятного действия! Просто так, от эмоций!

Жанна всегда была очень тонкой, высококультурной личностью. Часто слышал, что якобы Жанну Фриске слишком превознесли, что она была обычной, а из нее сделали звезду. Но, поверьте, это не так. Жанна не была похожа ни на кого. Она была очень глубокой личностью, всегда больше молчала, нежели говорила. Но при этом — удивительно! — она могла и умела хорошенько поржать, подурачиться. 

— Жанна совершала необдуманные поступки?

— Нет, конечно, нет. Она держалась, всегда следила за собой. Мы могли выпить, где-то погулять, петь на улицах в Америке, но всегда все было культурно. Жанка никогда не была худышкой, но за питанием очень следила! Очень много времени уделяла йоге, медитации.

Помню, в Майами отдыхали вместе, компанией приходили к ней в гости. Жанна всегда готовила только свежую еду, она никогда не пользовалась микроволновой печью и другим запрещала! Мы даже смеялись над этим, но она понимала, что артистке нельзя потерять форму. 

Жанна всегда дружила со своими стилистами, визажистами, выбирала только тех, кто ее «чувствовал». У Фриске был особенный тип внешности и фигуры. Крупная, с хорошим формами. Отличалась от других певиц, не такая, как все сейчас: с одинаковыми носами, губами, скулами — не, это было не про Жанну. Она часто прислушивалась к моему мнению, хотя я был против, но Жанна как будто ждала моего одобрения, видимо, я для нее был старшим товарищем, хотя у нас разница в возрасте каких-то два года, всего ничего. А сейчас я уже часто мысленно обращаюсь к ней. Такие люди, как Жанна, правда, не уходят бесследно.

— Когда в последний раз вы виделись с Жанной?

— Примерно за три месяца до ее ухода. Жанна понимала, что с ней происходит, прошла тяжелейший курс лечения, только что вернулась из Америки. Тогда она пришла в себя, на короткий период, мы все обрадовались… Вот тогда Жанна решила приехать ко мне в салон, постричься. Именно после этой встречи, через три дня, она позвонила мне. Это был тот самый звонок, о котором я говорил в начале.

— Она приехала в салон?

— Да. Я сам удивился тому, что она не попросила ширму. Я ей предлагал: «Может, дома? Может, в закрытом пространстве?». Она мне резко ответила : «Нет, не надо». Жанна приехала в салон, мне позвонил Дима (Дмитрий Шепелев) и сказал: «Мы приехали». Я помню, что убрал в салоне звук и попросил всех, кто там был: «Ребята, включите все свое театральное мастерство, пожалуйста. Будет Жанна Фриске. Никаких шушуканий, переглядываний, телефонов и разговоров. Максимум, что вы можете сказать Жанне — «привет».

— Как люди отреагировали?

— Был полный салон: администраторы, клиенты — все были в некоем шоке. К тому времени Жанна похудела, но все равно была большой, хромала, ходила с тростью. Я выбежал к ее машине, хотел руку подать, но она ответила: «Нет, я сама». Я оторопел, а Жанна прошла в салон, всем улыбнулась, все было как обычно, похвалилась своими новыми кроссовками, со всеми поздоровалась, поинтересовалась, куда ей сесть… Потом я все же собрался с силами и спросил: «Жанна, как будем стричься?» А она в ответ: «Да без разницы. Я все равно ничего не вижу».

— Как вы выдержали тогда?

— Это был ужас. Я стригу свою подругу, которая видит только силуэт, у которой практически нет волос… А она смеётся. Мы шутки отпускали в адрес друг друга. Жанна даже несколько раз извинялась перед другими клиентами за шум. Вы представляете? Какая сила воли у нее была.  

Это было наше тёплое, обычное общение, но и я видел, как другие люди со слезами смотрели на нас, потому что все понимали ситуацию, и у всех читался ужас на лицах.

Эта ситуация разделила мою жизнь на до и после. У Жанны было по-настоящему красивое, женское сердце, которое мечтало о счастье, любви и детях. Это не громкие слова. Когда она уехала из салона, у меня случилась жуткая истерика. В голове вертелась эта фраза: «Да все равно я ничего не вижу». Это было сказано не с жалостью к себе, это было в нашей стилистике, такой циничной, смешной, дурацкой.

— В июне Жанны не стало, как вы про это узнали?

— Это была последняя наша встреча. Через три месяца мне позвонила Орлова, и сказала, что Жанна в коме, потом она ушла.

— В чем феномен Жанны Фриске?

— Высококультурная личность. Она всегда слушала качественную западную музыку, любила образы зарубежных звёзд. Но при этом Жанна никогда не копировала их и не пародировала. Фриске была готова помочь практически всем, но вместе с тем, она была довольно требовательна в работе, в общении с журналистами.

— Какую культуру Жанна любила?

— Она очень грамотно примеряла на себя образы афроамериканской эстетики, ей нравились и вокалистки, и вокалисты. Стиль афро, надо сказать, ей очень шёл. Жанна не фантела от Бритни Спирс, она всегда брала чуть выше. У нее была харизма и внутренняя культура, вот это для звезды очень важное. Без этого звезда — не звезда, а просто известный человек. 

Жанна Фриске: группа «Блестящие» и начало карьеры

Смотрите фотогалерею по теме

В каком возрасте фронтальный Лисп становится причиной нарушения артикуляции, фонологии и речевого звука 1581

Вопрос У меня есть дочь, которой почти три года, и она жалуется на звук / s /. В каком возрасте мне стоит задуматься и начать над этим работать? Я работаю со взрослыми и даже не знаю, с чего начать.

Ответ

Это интересный вопрос. Есть, конечно, короткая версия ответа и более длинная.По правде говоря, ребенок, которому исполняется три года, слишком мал, и, судя по всей литературе, еще не может быть кандидатом на терапию. Сделав это заявление (краткая версия), необходимо рассмотреть множество других переменных, прежде чем мы примем эту предпосылку как действительную.

Хотя звук появляется на трех, шепелявость распространена даже до 7 (Портер и Ходсон 2001, стр. 165). Другие источники указывают, что 75% детей правильно усвоили фонему / s / к 4,6 годам (Кэролайн Боуэн, Килминистер и Лэрд, 1978).Есть много разных исследований разных авторов с широким спектром общепринятых мнений по этому поводу, и, по сути, можно сказать, что фонема / s / может входить в три, но нормой будет где-то от 3-7 или даже 8 лет. возраст. Вот несколько примеров:

Веллман (1931), 5 лет, Пул (1934) 7: 6, Темплин (1957) 4: 6, Сандер (1972) 3, Пратер (1975) 3. (Взято из норм Шипли).

Очевидно, ваш ребенок, которому почти три года, еще совсем маленький, и не стоит беспокоиться о том, что у него в этом возрасте шепелявит в лобной области.Дело в том, что у нее есть / s /, хотя и не идеальный на данный момент.

Сказав это, нужно посмотреть на следующее: это единственный звук, и насколько это влияет на разборчивость речи? Обычно, если это единственный звук, разборчивость не сильно пострадает. Но если кто-то работает с другими фонемами, он может в конечном итоге заглянуть в / s / на ранних этапах возрастных норм. Это единичная проблема или происходит что-то еще? Вот несколько вещей, на которые следует обратить внимание: Каковы пищевые привычки ребенка.Она небрежно ест, и пища ускользает из области рта? Она использует губы во время еды? Как она пользуется языком? Есть ли слюни? Ее язык высовывается в другое время? Она дышит ртом с открытым ртом в состоянии покоя? Может ли она поднять язык при моделировании на имитации альвеолярного гребня? Сможет ли она облизнуть губы, держа перед собой леденец? Сможет ли она слизывать варенье с верхней губы? Сможет ли она закрыть зубы и держать их закрытыми языком на счет до 5? Она страдает заболеваниями верхних дыхательных путей?
Первое, на что мы всегда должны смотреть, — это слышать.Проверяли ли этот ребенок слух, особенно на высокочастотные звуки?

Если у ребенка хронические заболевания верхних дыхательных путей и / или возможная аллергия, он может дышать ртом по необходимости, и это усугубит проблему. Для этого ей может потребоваться медицинское вмешательство.

Ребенок, который не болеет простудой или аллергией, но постоянно держит рот открытым и высовывает язык, может демонстрировать низкий тон. Ребенок, который пускает слюни или плюется вместе с шепелявостью, также может испытывать некоторые тональные проблемы.Здесь мы можем рассмотреть некоторые другие проблемы, которые необходимо решить. Низкий тонус мускулатуры полости рта можно исправить укреплением ротовой полости; могут помочь некоторые устные двигательные упражнения, которые преподает профессионал. Часто, когда обращаются к кормлению, слюноотделению, низкому тону и т. Д., Фронтальная шепелявость разрешается сама собой. Шепелявость исправляется не обязательно оральными моторными упражнениями, а скорее повышением тонуса и более подходящими движениями оральной мускулатуры, которые облегчают соответствующие движения.Я бы также проверил на стимуляцию. Ребенок с высокой стимуляцией, вероятно, исправится самостоятельно, если все остальные области (т. Е. Тон) не будут повреждены.

Таким образом, этот ребенок молодой. Я бы не стал поправлять в этом возрасте, если не задействованы другие переменные, такие как упомянутые выше. Я бы, однако, попытался исправить это, если не самокорректировать, до того, как этот ребенок потеряет передние зубы, которые действуют как «клетка» для этого звука, обычно около 5, задолго до потери зубов (обычно в 6). Надеюсь, это было несколько полезно.Я попытался осветить для вас несколько возможных сценариев.

Посетите нашу библиотеку электронного обучения, чтобы просмотреть курсы по нарушениям беглости речи и многим другим темам в этой области.

Hindy D. Lubinsky, M.S., CCC-SLP, является директором и заведующим отделом программы повышения квалификации по патологии речи в колледже Туро. Она также является председателем речевых программ бакалавриата в колледже. В дополнение к своим административным обязанностям в колледже, профессор Любински является доцентом на полную ставку и преподавала курсы артикуляции и фонологии в аспирантуре, а также коммуникативные расстройства и терапию на уровне бакалавриата. Некоторые из ее обязанностей включают супервизию в клинике, обучение в клинике и практические занятия на семинарах, участие в исследовательской деятельности и участие в команде, разрабатывающей двуязычные тесты на артикуляцию и язык. Профессор Любинский также в течение последних 30 лет вел частную практику со специальными знаниями в области артикуляции, фонологии, языка, заикания и голоса. Она имеет лицензию штата Нью-Йорк, двуязычный сертификат и сертификат ASHA.

Lisp FAQ

Что такое Lisp?

Lisp — это семейство языков программирования, происходящих от язык изобрел Джон Маккарти (точнее, обнаружен) в конце 1950-х годов.В сейчас два основных диалекта — Common Lisp и Scheme. Мы работаем над новым диалектом под названием Arc.

Как я могу изучить Лисп?

Выучить любой язык можно, написав на нем программы. У вас есть два основных диалекта на выбор: Схема и Common Lisp. У каждого из них есть свои преимущества и недостатки, но различия между ними крошечные по сравнению с различия между ними и другими языками, поэтому, если вы хотите чтобы начать изучать Лисп, неважно, какой вы выберете.

Есть хорошие книги на обоих диалектах и ​​много хороших бесплатных реализации. Так что возьмите книгу и реализацию и начните писать программы. Прочтите существующий исходный код, чтобы получить представление о Лиспе стиль. Если у вас возникнут проблемы, спросите на comp.lang.lisp. Там всегда готовы помочь новичкам.

Что мне следует изучить, Common Lisp или Scheme? Что за разница?

Common Lisp мощный, но уродливый. Схема небольшая и чистая, но стандарт определяет только внутреннее ядро ​​языка.Если бы мне пришлось подавать заявку Я бы, наверное, использовал Common Lisp; если бы я преподавал курс, я мог бы использовать Схема (но с макросами Common Lisp).

Знаете ли вы хорошую бесплатную реализацию Lisp?

Их несколько. Реализация Common Lisp я использую это Clisp, но CMUCL также хорошо известен. Для взлома схемы я использую схему 48 и схема PLT.

Можете ли вы порекомендовать книгу тем, кто хочет изучать Лисп?

Вам может понравиться Вот этот.

Есть ли хороший онлайн-учебник по Lisp?

Начать с Глава 2 Ansi Common Lisp, который представляет собой краткое введение в программирование на Лиспе. Для более подробной информации см. Common Lisp. Справка руководство по эксплуатации.

Если Lisp настолько хорош, почему все больше людей не используют его?

Основная причина, вероятно, в том, что это выглядит сложно, но Было бы полезно, если бы существовал диалект с обширными библиотеками.

Где я могу получить копию на Lisp ?

Благодаря Чипу Колдвеллу теперь вы можете получить Postscript файл онлайн.

Похоже, книгу снова собираются печатать скоро, но если вы полны решимости получить ценный первое издание, вы можете получить бывшую в употреблении копию по адресу Amazon.

Есть ли второе издание ANSI Common Lisp ?

Некоторые базы данных говорят, что есть, но нет; еще нет по меньшей мере.

Есть ли набор решений проблем в ANSI Common Lisp ?

К сожалению, нет. Я должен был написать один, но мы запустили Viaweb сразу после книга ушла в печать, а я так и не додумался до нее.

Где я могу получить работу по взлому Lisp?

Попробуйте компании с приложениями Lisp. Или вы можете начать свое собственное.

Мне нравится Lisp, но моя компания не позволяет мне его использовать. Что мне делать?

Попытайтесь заставить их позволить вам использовать Python. Часто, когда ваш работодатель не разрешает вы используете Lisp, потому что (какой бы ни была официальная причина) ответственный вашего отдела боятся того, как выглядит исходный код Lisp. Python выглядит как обычный тупой язык, но семантически он имеет много общего с Lisp, и становится ближе к Лиспу с течением времени.

Они могут даже позволить вам использовать Ruby, который еще больше похож на Lisp.

Что вы думаете о ML и его производных?

Большинство известных мне хакеров были разочарованы семейством машинного обучения. Языки со статической типизацией были бы более подходящими, если бы программы были то, что вы думали заранее, а затем просто переведены в код. Но это не так как пишутся программы.

Неспособность иметь списки смешанных типов особенно вредно. ограничение.Это мешает исследовательскому программированию (это удобно на раннем этапе представлять все в виде списков), и это означает, что у вас не может быть настоящих макросов.

Вы знаете кого-нибудь, кто консультирует AutoLisp?

Нет, но Google делает.

Сравнение полуавтоматического распознавания песен птиц с ручным обнаружением записанных образцов песен птиц

Ниже приведен установленный формат ссылки на эту статью:
Venier, L. A., M. J. Mazerolle, A. Rodgers, K. A. McIlwrick, S. Holmes и D. Thompson. 2017. Сравнение полуавтоматического распознавания песен птиц с ручным распознаванием записанных образцов песен птиц. Сохранение птиц и экология 12 (2): 2.
https://doi.org/10.5751/ACE-01029-120202

¹ Канадская лесная служба, Министерство природных ресурсов Канады, Sault Ste. Мари, Онтарио, Канада, ² Centre d’étude de la forêt, Département des Sciences du Bois et de la forêt, Université Laval, Квебек, Квебек, Канада

РЕФЕРАТ

РЕЗЮМЕ

Les units d’enregistrement automatis sont de plus en plus использует для шантильоннер лесных популяций фауны. Эти инструменты могут производить грандиозные количественные данные, необходимые для обработки сложных трудностей. Здесь вы найдете информацию, касающуюся полуавтоматических учетных записей, связанных с логикой разведки.L’objectif de notre tude tait d’valuer l’utilit des recnaisseurs de chants d’oiseaux semi-automatiss pour produire des donnes utiles la Conservation et l’application de mesures d’amnagement d’amnagement Forestier Strong. Nous avons compare les donnes de dtection gnres par les Experts ayant cout les enregistrements de chants d’oiseaux собирает все мои подразделения автоматической регистрации с автоматическим получением информации о моих объектах. Nous avons enregistr des chants d’oiseaux 109 sites en fort borale en 2013 et 2014 l’aide d’units d’enregistrement automatis.Мы работаем с разведчиками песнопений для 10 самых лучших в мире звуков Song Scope (Акустика дикой природы) и разведчиков, которые используют для проверки подлинности и регистрации, чтобы они могли быть экспертами по идентификации куазных песен. Nous avons utilis des modles d’occupation for estimer la probabilit de dtection associe avec chaque mthode. partir de ces оценка вероятности обнаружения, nous avons produit des Courbes de probabilit cumule de dtection. Пожалуйста, обратите внимание на то, что вероятность обнаружения рекогносцировщиков в моей учетной записи кратна 10 минутам на уникальную станцию ​​и посещение (35 63 регистраций на 10 минут в течение 10 минут в quatre priodes d’une semaine).Нет результатов, необходимых для проверки возможности детектирования детей за 10 минут, плюс уровень регистрации и учетных записей, соответствующих экспертному сравнительному использованию логики разведки песнопений. Надежные, не требующие проверки результатов для разведчиков, которые могут петь, можно использовать для регистрации 10 минут, ce qui peut aisment tre fait, faible cot, grce au processus automatis.la lumire de ces rsultats, nous pensons que les units d’enregistrement automatis et les logiciels de reconnaissance de chants peuvent tre des outils utiles afin d’estimer la probabilit de dtection et l’occurrence des oiseaux forestiers boraux si l’on des chantillonne durant durant priodes suffisamment longues.

Ключевые слова: автоматизированные регистрирующие устройства; птицы бореальных лесов; вероятность обнаружения; подсчет очков; распознавание песен; программа для распознавания песен

ВВЕДЕНИЕ

Лесные птицы — эффективные индикаторы экологической целостности леса и устойчивого лесопользования.Они очень разнообразны и способны улавливать экосистемные процессы, их наличие может быть эффективно измерено с помощью стандартизованных методов, их идентификация относительно проста для опытных наблюдателей, а обширная информация об их жизненном прошлом делает интерпретацию закономерностей более надежной (Venier and Пирс 2004). Образцы певчих птиц чаще всего отбираются с помощью точечных учетов (Rosenstock et al. 2002), когда наблюдатель регистрирует всех птиц, услышанных или увиденных на станции в течение определенного периода времени (Ralph et al.1995). Автоматизированные регистрирующие устройства (ARU) были предложены, оценены и внедрены в качестве средства проведения обследований птиц и земноводных (Асеведо и Вильянуэва-Ривера 2006, Swiston and Mennill 2009, Goyette et al. 2011, Venier et al.2012, Holmes и др., 2014 г., Сиди-Слеттедаль и др., 2015 г., Лич и др., 2016 г.). Сравнения записей с полевыми наблюдениями различались по подходам и пришли к разным выводам. Например, Hutto и Stutzman (2009) пришли к выводу, что автоматизированные регистрирующие устройства не являются рентабельной альтернативой полевому точечному учету, потому что они не могут наблюдать большую часть обнаружений, зарегистрированных людьми-наблюдателями в полевых условиях, и являются более дорогими и затратными по времени потребляет использовать.Напротив, в нескольких других исследованиях утверждается, что ценность автоматизированных регистрирующих устройств зависит от их реализации и целей исследования и что они могут быть экономически эффективными и эффективными при наблюдении за птицами из-за их способности собирать больше данных, чем полевые наблюдатели (Haselmayer and Quinn 2000 , Hobson et al. 2002, Acevedo and Villanueva-Rivera 2006, Celis-Murillo et al. 2009, Venier et al. 2012).

ARU имеют множество преимуществ. Например, эти устройства можно оставлять в поле без присмотра на длительное время, они накапливают данные, которые могут оцениваться повторно или несколькими экспертами, если необходимо, и они не требуют отправки обученных наблюдателей в поле во время сезона размножения птиц ( Hobson et al.2002 г., Ремпель и др. 2005). Записи могут интерпретироваться одним или несколькими опытными наблюдателями во время межсезонья, снижающего эффект наблюдателя (Venier et al. 2012). Помимо увеличения усилий по отбору проб в каждой точке, автоматические записывающие устройства могут быть развернуты в любое время суток, независимо от погоды, и вести запись одновременно на нескольких участках. Размещение и извлечение регистраторов может происходить вне сезона размножения, что делает работу в поле более гибкой (Venier et al. 2012). Устройства автоматической регистрации могут генерировать огромное количество записей, которые невозможно получить в результате точечных учетов, проводимых наблюдателями.Это может улучшить потенциальную обнаруживаемость на объекте, а также улучшить оценки обнаруживаемости, что может снизить систематическую ошибку в оценках занятости (MacKenzie and Royle 2005, Bailey et al. 2007), но также повлечет за собой дополнительные затраты на постобработку, связанные с интерпретацией дополнительных или более длинных записей.

Альтернативой интерпретации записей обученными наблюдателями является сканирование записанных данных с помощью программного обеспечения автоматического распознавания. Автоматическое распознавание песен птиц в настоящее время является очень активной областью исследований (Kogan, Margoliash, 1998, Briggs et al.2012 г., Potamitis et al. 2014 г., де Оливейра и др. 2015, Кац и др. 2016). Это исследование было преобразовано в практичные, простые в использовании инструменты распознавания песен, такие как Song Scope (Wildlife Acoustics Inc., Конкорд, Массачусетс, США; I. Agranat, 2009, , неопубликованная рукопись , https://wildlifeacoustics.com/ images / documentation / Automatically-Identifying-Animal-Species-from-their-Vocalizations.pdf), Raven (Корнельская лаборатория орнитологии; Charif et al. 2006) или monitoR (Katz et al. 2016). В этом исследовании мы использовали программное обеспечение Song Scope, которое включает алгоритм, основанный на скрытых марковских моделях (HMM), разработанный для оценки спектральных и временных характеристик отдельных слогов, а также того, как слоги структурированы для формирования сложных песен (Kogan and Margoliash 1998, Somervuo et al. al.2006 г.). Пользователи могут разрабатывать и проверять автоматические распознаватели для интересующих видов и применять их для создания списков «предполагаемых» положительных идентификаций, которые могут быть подвергнуты постобработке. Процесс обзора не требует такого же уровня знаний, как полная аудиоинтерпретация записи нескольких видов. Potamitis et al. (2014) обнаружили, что подход автоматического распознавания видов может сократить время поиска для наблюдателя до 98%, но что существующие алгоритмы распознавания по-прежнему дают много ложных срабатываний и ложных отрицаний, требующих постобработки данных (Wimmer et al.2013).

распознавателей Song Scope были разработаны и протестированы Wildlife Acoustics в неопубликованном исследовании, в котором 37% целевых вокализаций были обнаружены на новых тестовых данных, при этом по крайней мере один вокализации был обнаружен на 74% всех целевых записей с ложноположительным уровнем 0,4. % (И. Агранат, 2009, неопубликованная рукопись ). Дополнительные распознаватели, разработанные с помощью Song Scope, использовались в нескольких опубликованных исследованиях для определения видов птиц в записях (Holmes et al.2014 г., Zwart et al. 2014) и оказались особенно полезными для обнаружения редких видов по многочасовым записям (Holmes et al. 2014, Zwart et al. 2014). Однако в настоящее время опубликованных данных недостаточно, чтобы полностью оценить полезность распознавателей Song Scope.

В этой статье мы сравниваем вероятность обнаружения для набора из 10 выбранных лесных певчих птиц, обычно встречающихся в бореальных лесных местообитаниях, между записями, интерпретируемыми вручную, и записями, обработанными с помощью автоматических распознавателей, созданных с помощью программного обеспечения Song Scope (Wildlife Acoustics, Maynard, MA).Мы предположили, что (1) обученные наблюдатели, слушающие 10-минутные записи, будут иметь большую способность обнаруживать виды птиц, чем автоматические распознаватели, применяемые к тем же 10-минутным записям, но (2) с использованием нескольких 10-минутных записей, т. Е. С использованием Недельная выборка записанных данных увеличит вероятность обнаружения автораспознавателем данного вида до уровня, равного или превышающего уровень, достигнутый экспертами, прослушивающими 10-минутные записи. Кроме того, мы оценили совокупную вероятность обнаружения, чтобы дать рекомендации о том, когда распознаватели песен могут быть более полезными по сравнению с ручной интерпретацией.

Мы использовали односезонные модели занятости участков для оценки влияния метода (ручной или распознаватель песен) и характеристик участка на вероятность обнаружения каждого вида для каждого периода на каждой станции (MacKenzie et al. 2002, 2006, Furnas and Callas 2015). Мы включили в модель небольшой набор характеристик сайта, чтобы учесть потенциальную неоднородность занятости, чтобы соответствовать предположению о том, что неоднородность занятости соответствующим образом моделируется с помощью ковариат.Мы выбрали переменные, которые, как было установлено, позволяют прогнозировать использование среды обитания птиц в бореальных лесах (Venier et al. 2005, 2007).

МЕТОДЫ

Район исследования

Исследование проводилось в рамках лицензии Hearst Sustainable Forest License (Hearst SFL), которая представляет собой участок бореального леса в северной части Онтарио площадью примерно 1,2 млн га с центром на 49 ° 36 ‘северной широты и 83 ° 39’ западной долготы (рис. 1). Наши пробы были сосредоточены в северной и центральной частях леса, где преобладают плоские глинистые и алевритисто-глинистые почвы и преимущественно низинная черная ель ( Picea mariana Mill.B.S.P.) (рис.1). Черная ель также является доминирующей древесной породой во всей лесной зоне Херста, занимая примерно 67% от общей площади леса. Такие участки обычно характеризуются умеренно глубокими (20-40 см) и глубокими (> 40 см) органическими почвами над глинами, с относительно плохим дренажем и низкой продуктивностью. Почти чистые насаждения черной ели составляют примерно 34% лесной базы или в виде смеси с другими хвойными деревьями, включая лиственницу ( Larix laricina (Du Roi) K.Koch) и кедра ( Thuja occidentalis L.), реже с нетолерантными лиственными породами, включая дрожащую осину ( Populus tremuloides Michx.) И тополь бальзамический ( Populus balsamifera L.).

Мы случайным образом отобрали 109 низинных насаждений с преобладанием елей. Эти насаждения охватывают градиенты возраста и вертикального структурного состава (рис.1) на основе следующих критериев: (а) ≥ = 50% черной ели в надземном ярусе, (б) ≥ 10 га на площади и (в) в пределах 2 км второстепенной или третичной лесной дороги, доступ к которой не был заблокирован такими объектами, как река или большое болото.Возможные места отбора проб были определены на основе пространственного анализа имеющихся данных инвентаризации лесов, дорог и слоев воды, предоставленных Hearst Forest Management Inc. на платформе ArcGIS (ArcMap 9.3, ESRI 2008). Некоторые потенциальные участки были отклонены или перемещены по мере создания участков из-за непредвиденных проблем с доступом к древостоям, включая затопление дорог из-за активности бобра или размыв водопропускных труб во время весеннего стока. Всего мы отобрали 74 стенда в 2013 году и 35 различных стендов в 2014 году.Одна станция для отбора проб птиц была размещена в каждой клетке на расстоянии не менее 150 м от ее края с минимальным расстоянием 350 м между станциями в любой год. Используя данные инвентаризации лесов с географической привязкой, мы измерили пропорциональное покрытие черной ели в пределах круга радиусом 100 м вокруг каждой точки отбора проб. Мы использовали данные воздушного обнаружения и определения дальности (LiDAR) со средней плотностью выборки 1,1 отражения / м², которые были получены в период с 4 июля по 4 сентября 2007 г. (Таблица 1), чтобы зафиксировать показатели структуры растительности (Таблица 2; см. Pitt et al.2014 для деталей отбора проб LiDAR). Данные бортового LiDAR по всей исследуемой области были разделены на сетку размером 400 м² (20 м × 20 м). Затем была рассчитана статистика распределения высот для облаков точек в каждой ячейке сетки с использованием всех возвратов без какого-либо порогового значения высоты для фильтрации данных точек. Мы определили пять показателей структуры растительности для включения в наши модели, как показано в таблице 2.

Сбор данных регистрации птиц

Автоматизированные записывающие устройства (SM2; Wildlife Acoustics, Inc., Конкорд, Массачусетс) были размещены на каждой станции отбора проб. Единицы записи были настроены на выборку 24000 Гц в стерео с использованием формата wav. Коэффициент усиления был установлен на заводские значения по умолчанию. В 2013 году регистраторы были запрограммированы на запись в течение 10 минут в течение пяти периодов каждый день: за полчаса до восхода солнца, на восходе солнца, а также через 30 минут, 1,5 часа и 3,5 часа после восхода солнца. Регистраторы собирали данные по 50 минут в день в течение 29 или 30 дней с 5 июня по 3 или 4 июля 2013 г. (Таблица 3). Это составляет примерно 24 часа данных для каждого сайта или 1896 часов записанных данных для всех 74 сайтов, отобранных в 2013 году.В 2014 году на каждом участке ежедневно снималось в общей сложности 90 минут с тем же графиком, что и в 2013 году, плюс дополнительные 10-минутные записи: 1 час, 2 часа, 2,5 часа и 3 часа после восхода солнца. Записи в 2014 году начались 11 июня и продолжались до 13 или 14 июля, в общей сложности около 47 часов на каждый участок и 1645 часов записанных данных по всем 35 участкам, отобранным в этом году (Таблица 3). Мы выбрали 10-минутное время записи в соответствии с рекомендациями Howe et al. (1997). Время записи было выбрано на основе наших знаний о частоте пения и в попытке запечатлеть промежуток времени, когда подавляющее большинство пения происходит в течение дня.Регистрации проводились в период размножения воробьиных на территории нашего исследования. Мы подождали до июня для отбора проб, чтобы уменьшить влияние нетерриториальных птиц на наблюдения. Мы провели сравнение ручного и полуавтоматического обнаружения 10 видов птиц, представляющих ряд общих и более редких видов, типичных для сообществ птиц бореальных лесов.

Устройство распознавания песен

Распознаватель каждого вида был построен отдельно с использованием набора высококачественных обучающих записей без фонового шума, такого как дождь, автомобили или другие птицы.Распознаватели песен были параметризованы в соответствии с документацией Song Scope (Wildlife Acoustics Inc.), но также включали значительное количество проб и ошибок с использованием как статистики перекрестного обучения, так и результатов сканирования тестовых данных. Наш протокол для создания распознавателей, настройки параметров для каждого распознавателя, статистика перекрестной проверки для окончательных моделей, минимальная оценка и настройки качества для запущенных распознавателей и источник данных перекрестного обучения представлены в Приложении 1.Файлы Song Scope Recognition (SSR) были созданы и использовались в программе Wildlife Acoustics Song Scope Software для распознавания песен отдельных видов (Приложение 2). См. Приложение 1 для описания разработки и использования файлов SSR, исходных данных для обучения распознавателей, настроек параметров для наших распознавателей песен и оценок производительности.

Сравнение ручного распознавания и распознавания песен на отдельных 10-минутных записях

Мы выбрали одну 10-минутную запись, сделанную через полчаса после восхода солнца для каждой из четырех дат в течение сезона размножения каждого вида птиц.Эти четыре записи на каждой станции были обработаны с использованием подходов ручного распознавания и распознавания песен (Таблица 3). Таким образом, четыре записи для каждой из 109 станций (436 записей) были интерпретированы вручную и отсканированы с помощью распознавателя песен. Сроки были выбраны равномерно в течение сезона размножения. Записи, содержащие чрезмерный шум ветра или дождя, заглушающий звуковой сигнал, были заменены записями следующего или предыдущего дня.

Ручная интерпретация записей заключалась в просмотре и прослушивании всех 10 минут каждой записи с использованием программного обеспечения для спектрограмм (Song Scope, Wildlife Acoustics, Inc., Конкорд, Массачусетс), и отмечая каждый уникальный вид, услышанный или увиденный на спектрограмме. Было отмечено только первое наблюдение каждого вида за 10-минутную запись. В ходе этого процесса были получены единые данные (обнаружение или необнаружение) для каждого из четырех отдельных дней для каждой станции и каждого вида. Записи были интерпретированы одним из двух техников, имеющих большой опыт в проведении слуховых обследований птиц. Оба специалиста имеют более чем пятилетний опыт проведения обследований птиц и интерпретации записей в профессиональном качестве.Они оба обнаружили, что использование спектрограмм в сочетании с прослушиванием улучшило их способность обнаруживать виды.

Обработка записей распознавателем песни состояла из сканирования каждой из тех же четырех записей на станцию, использованных при ручном обнаружении (четыре записи в четыре разных дня), с распознавателем песен, созданным одним из авторов (AR) для каждого из 10 видов (таблица 4). Сканирование с помощью распознавателя песен всех 436 записей (109 станций x 4 записи = 4360 минут) проводилось в течение ночи в пакетном сканировании для одного вида за раз.Этот процесс сканирования создает файл результатов потенциальных положительных результатов для целевого вида, который включает в себя идентификацию исходных данных, то есть запись, из которой произошло попадание, и связывает его с местоположением попадания. Это место на записи затем должно быть подтверждено техником, прослушав аудиосигнал и визуально изучив сигнал спектрограммы. Это относительно простая задача распознавания, которая не требует распознавания песни экспертного уровня и занимает всего несколько секунд на каждое обращение.Попадания проверяются последовательно, и как только подтверждается истинный положительный результат, птица отмечается как присутствующая, и постобработка останавливается.

В этом исследовании нас интересовала способность распознавателя определять присутствие целевой птицы при каждой 10-минутной записи. Каждый распознаватель был построен отдельно с использованием набора высококачественных записей интересующих видов, а спецификации распознавателя скорректированы для оптимизации статистики перекрестной проверки (более подробную информацию см. В Приложении 1).Обработка распознавателя песен дала единственную базу данных, состоящую из обнаружения или необнаружения для каждого из 10 видов птиц, для каждой из четырех записей на каждой станции отбора проб.

Работа распознавателя песен с объединением нескольких записей за неделю

Одним из самых больших преимуществ программного обеспечения для распознавания песен является низкая стоимость сканирования дополнительных записей. Чтобы количественно оценить прирост информации от использования нескольких записей, мы использовали наши распознаватели для сканирования полных записей сезона размножения на каждой станции за каждый год.Это включало пять 10-минутных записей каждый день в 2013 году и девять 10-минутных записей каждый день в 2014 году. Мы разделили записи на четыре (недельные) временные окна, соответствующие четырем датам, которые использовались для отдельных сканирований 10-минутных записей. в предыдущем разделе (таблица 3). Эти недельные периоды выборки включали либо 35, либо 63 10-минутных записей в зависимости от года. Для каждого временного окна и станции несколько записей сканировались и затем подвергались постобработке для проверки «совпадений» или положительных результатов, как описано в предыдущем разделе.Это дало данные обнаружения (одно присутствие или отсутствие) для каждого из четырех временных окон, 109 станций и 10 видов. Мы провели графическое сравнение этих вероятностей обнаружения с вероятностями ручного обнаружения 10-минутных записей.

Статистический анализ

Наборы данных

Мы создали два набора данных для анализа. Первый заключался в объединении данных обнаружения от ручной обработки и обработки распознавателем песни 10-минутных записей в истории обнаружения для каждой станции.Таким образом, на каждой станции было два наблюдения (одно для ручного, одно для распознавателя песен) для каждого посещения (записи). Второй набор данных состоял исключительно из нескольких записей, объединенных в каждую из четырех недель. В обоих случаях данные представлены в формате, пригодном для анализа занятости сайта.

Сравнение отдельных 10-минутных записей

Мы использовали одновидовые модели занятости участков за один сезон (MacKenzie et al. 2002, 2006), чтобы оценить влияние метода и пяти характеристик участков на вероятность обнаружения и заселенность каждого вида для каждого периода на каждой станции.Этот тип модели использует данные обнаружения для оценки параметров вероятностей обнаружения и занятости. Основные допущения модели включают следующее: (1) состояние занятости остается неизменным между первым и последним посещением (отсутствие исчезновений или колонизаций во время исследования), (2) неоднородность вероятности обнаружения и занятости соответствующим образом моделируется с помощью ковариат, (3) обнаружения на данной станции и посещения независимы, и (4) нет ложных срабатываний (неправильная идентификация видов).Мы уверены, что предположения модели были выполнены, потому что мы собрали данные в течение сезона размножения этого вида, мы использовали ковариаты для моделирования неоднородности, а опытный техник обработал данные обнаружения для удаления ложноположительных результатов. Каждый из 10 видов был проанализирован отдельно.

Мы использовали модель выбора и многомодельного вывода для оценки влияния различных ковариат на вероятность обнаружения, а также на заселенность данного вида (Burnham and Anderson 2002, Mazerolle 2006).Мы включили влияние характеристик площадки на заполняемость, чтобы учесть потенциальную неоднородность занятости, чтобы соответствовать допущениям модели, хотя мы не исследуем результаты занятости в этой статье. Мы провели две серии анализов. Первый включал сравнение обнаружений из одиночных 10-минутных записей (четыре 10-минутных записи в каждый из четырех отдельных дней для каждой станции) с использованием ручного и полуавтоматического подходов. Для этого мы проверили восемь гипотез о вероятности обнаружения, включая метод, посещение, структуру растительности и возраст древостоя (Таблица 5).Мы проверили три гипотезы о вероятности заселения, включая влияние доли черной елового покрова, структуры растительности, а также возраста древостоя и неоднородности высоты полога (Таблица 6). Мы построили модели для каждого сценария по вероятности обнаружения и занятости, в результате чего было получено 24 модели-кандидата. Мы рассчитали усредненные по модели прогнозы на основе наблюдаемых независимых переменных.

Суммарная вероятность обнаружения по отдельным данным 10-минутной записи

Мы рассчитали совокупные оценки вероятности обнаружения для каждого вида.Первые четыре оценки (1–4 посещения) были рассчитаны с использованием наших данных и моделей. Более поздние оценки (> четырех посещений) были рассчитаны с использованием средних вероятностей обнаружения из первых четырех посещений; мы вычислили кумулятивную вероятность обнаружения данного вида для различных сценариев количества посещений, используя уравнение: 1 — (1 — p ) ^t , где p — вероятность обнаружения вида, обусловленная его присутствие на станции за одно посещение, а т — количество посещений.

Работа распознавателя песен с объединением нескольких записей за неделю

Второй анализ был сосредоточен исключительно на полуавтоматическом подходе и включал обнаружение, полученное на основе данных, охватывающих каждую неделю (на основе 35-63, 10-минутных записей для каждого из четырех периодов времени для каждой станции). Здесь мы проверили четыре гипотезы о вероятности обнаружения, включающие структуру растительности и возраст древостоя, а также три гипотезы о вероятности заселения, идентичные гипотезам для первого анализа (Таблица 6).Мы не рассматривали переменную «метод» во втором упражнении, потому что в этой части использовались только данные от распознавателей песен. Во втором анализе мы рассмотрели всего 12 моделей-кандидатов.

Протоколы моделирования для обоих наборов данных

Мы стандартизировали все числовые переменные, прежде чем вводить их в модели. Мы проверили корреляцию между переменными и никогда не включали переменные с (| r |> 0,7) в ту же модель. Модели были подогнаны с оценкой максимального правдоподобия в немаркированном пакете для R 3.3.0 (Фиске и Чендлер 2011, R Core Team 2016). Выбор модели и многомодельный вывод на основе информационного критерия Акаике второго порядка (AIC _c ) был реализован с помощью пакета AICcmodavg (Mazerolle 2016). Отношение наблюдений к количеству оцениваемых параметров было <40, поэтому мы использовали небольшую выборку AIC (также известную как AICc; Burnham and Anderson 2002).

Мы проверили соответствие модели высшего ранга для каждого вида с помощью критерия согласия Маккензи и Бейли (2004) с 10 000 итерациями.Когда были доказательства чрезмерной дисперсии (т.е. c-hat> 1), мы использовали QAIC _c для наших выводов и скорректировали стандартные ошибки, умножив на квадратный корень из оценки избыточной дисперсии.

РЕЗУЛЬТАТЫ

Сравнение отдельных 10-минутных записей

На основании 10-минутных записей с ручным обнаружением 10 видов, которые мы оценили, были обнаружены на 13% (14/109) и 87% (95/109) станций (Таблица 4). Паттерны обнаружения совпадали между 67 и 99% из 436 периодов исследования, между ручным методом на 10-минутных записях и распознавателем песен на 10-минутных записях, в зависимости от вида (Таблица 7).Ручной метод обнаружения часто обнаруживал вид, когда распознаватель (на 10-минутной записи) не обнаруживал, но обратное, то есть распознаватель, обнаруживающий вид, когда ручной метод не обнаруживал, не был распространен (Таблица 7). На общее согласие между методами сильно повлияли случаи отсутствия обнаружения при использовании любого из методов. Однако это представляет собой важный индикатор эффективности постобработки, поскольку ложные срабатывания относительно распространены при использовании распознавателей, а постобработка, по-видимому, эффективна для различения ложных и истинных срабатываний.Без учета случая 0-0 шаблоны обнаружения совпадали между 19 и 82% времени между ручным методом на 10-минутных записях и распознавателем песен на 10-минутных записях (Таблица 7).

Анализ (модели занятости участков для одного сезона) отдельных 10-минутных записей (одна запись, собранная при каждом из четырех отдельных посещений) предложил адекватную модель, подходящую для всех 10 видов с незначительным или отсутствующим чрезмерным разбросом (Приложение 3). Для каждого вида, кроме BBWA (камышевка, Setophaga castanea ), компонент вероятности обнаружения в модели с наивысшим рейтингом включал эффект метода (ручной или распознаватель), либо отдельно, либо с дополнительными эффектами возраста древостоя, год , посещение или структура растительности <4 м (Приложение 3).Для всех видов, кроме BBWA и MOWA (Mourning Warbler, Geothlypis philadelphia ), ручной метод обнаружения имел большую вероятность обнаружения, чем только полуавтоматический подход (сравнение твердых форм внутри видов на рис. 2, таблица 8). Вероятность обнаружения также варьировалась в зависимости от возраста древостоя и посещения определенных видов (рис. 3, таблица 8).

Суммарные вероятности обнаружения по отдельным 10-минутным данным записи

На основе совокупной вероятности обнаружения 10-минутных записей, например, для камышевки, всего пять 10-минутных записей, обработанных с помощью распознавателя песен, дали 90% -ную вероятность обнаружения вида хотя бы один раз (Рис. .4). Напротив, полуавтоматическая обработка не менее 26 10-минутных записей MOWA требуется для получения сопоставимых совокупных вероятностей обнаружения при ручной обработке четырех 10-минутных записей. Было предсказано, что по крайней мере пяти видам потребуется шесть или более посещений, чтобы достичь 80% вероятности обнаружения с помощью распознавателей песен. При ручном подходе с использованием 10-минутных записей прогнозируется, что вероятность обнаружения большинства видов достигнет 90% только после пяти посещений (на основе уравнения 1- (1-p) t для прогнозирования совокупной вероятности обнаружения) и всех, кроме трех. прогнозируется, что для достижения 80% вероятности обнаружения потребуется не более трех посещений.

Работа распознавателя песен с объединением нескольких записей за неделю

На основе объединенных еженедельных данных виды были обнаружены на 6% (7/109) и 88% (96/109) станций (Таблица 4). Схемы обнаружения совпадали в 64-94% случаев (Таблица 7). Обнаружение распознавателя на объединенных еженедельных данных часто обнаруживало вид, когда ручная интерпретация 10-минутной записи не показывала истинных положительных результатов для метода распознавания и ложноотрицательных результатов для ручного подхода, но обратное было гораздо реже (Таблица 7).В классической матрице путаницы одно наблюдение считается истиной, а другое — наблюдаемым. В нашем случае мы предполагаем, что если вид наблюдается любым из методов, то он действительно присутствует. Любой метод может пропустить виды, поэтому мы не предполагаем, что один из них более правильный, чем другой. Таким образом, случай 0-1 является ложным отрицательным результатом для первого подхода и истинным положительным результатом для второго подхода. Случай 1-0 является истинно положительным для первого подхода и ложно отрицательным для второго подхода. Согласованность между методами в этом сравнении (руководство по 10-минутной записи и распознаватель при недельной записи) в целом было ниже, в основном из-за улучшенных показателей обнаружения метода распознавания песен при использовании большего количества записанных данных.

Для данных записи, собранных за неделю исключительно на основе метода распознавания песен, мы обнаружили существенное несоответствие моделей GCKI (Golden-crowned Kinglet, Regulus satrapa, Х² = 60,533, P <0,0001), HETH ( Дрозд-отшельник, Catharus guttatus , Х² = 54,526, P <0,0001), RCKI (Кинглет с рубиновым венцом, Regulus calendula , Х² = 119,13, P = 0,0001) и YBFL, желтобрюхая мухоловка, Empidonax flavivent. , Х² = 82.67, P <0,0001). Таким образом, мы исключили эти виды из дальнейшего анализа. Среди шести видов, оставшихся для анализа, имелась значительная неопределенность при выборе модели в отношении переменных, включенных в вероятность обнаружения и заселение лесных птиц, выявляющих слабые эффекты или их отсутствие (Приложение 4). Мы обнаружили доказательства отрицательного влияния возраста древостоя на вероятность обнаружения MOWA (усредненная по модели оценка усадки: -4,24, 95% ДИ: -7,24, -1,23). Мы обнаружили аналогичное, но более слабое влияние возраста древостоя на LISP (Lincoln’s Sparrow, Melospiza lincolnii , усредненная по модели оценка усадки: -2.79, 95% ДИ: -5,92, 0,33). Основываясь на визуальном осмотре Рисунка 2, вероятность обнаружения большинства видов была немного выше при объединении данных в течение каждой недели, чем при использовании ручного подхода, основанного на единственной 10-минутной записи.

ОБСУЖДЕНИЕ

Наша первая гипотеза заключалась в том, что ручной подход имеет более высокие вероятности обнаружения, чем подход распознавания песен для тех же 10-минутных записей. Результаты не дают никаких доказательств для опровержения гипотезы. Подход ручного обнаружения имел большую вероятность обнаружения, чем распознавание песни для шести из 10 исследованных видов.Эти результаты показывают, что для эквивалентного времени выборки, то есть 10-минутной записи), распознаватели песен уступают опытному интерпретатору-человеку. Этот результат неудивителен, поскольку существует некоторый скептицизм относительно способности этих алгоритмов последовательно распознавать песни отдельных видов так же эффективно, как и человек-наблюдатель (Swiston and Mennill 2009, Goyette et al.2011; личное наблюдение ).

Создание обобщенного алгоритма распознавания песен для реальных полевых условий — сложная задача.Наши записи включали пение и крики разных людей и видов с наложением песен, а также фоновый шум, в том числе другие неавианские виды, ветер, дождь и движение. Таким образом, отношение сигнал / шум в данных в некоторых случаях может быть слабым. Чтобы справиться с этими проблемами, алгоритмы Song Scope предварительно обрабатывают записанные данные, чтобы уменьшить влияние шума (I. Agranat, 2009, , неопубликованная рукопись ). Кроме того, песни отдельных особей одного вида могут быть весьма разнообразными. В результате алгоритм должен быть достаточно гибким, чтобы распознавать людей, которые не входили в обучающую выборку.Мы обнаружили, что компромисс с гибкостью приводит к ложноположительным результатам, в результате чего особи других видов ошибочно классифицируются как целевые виды. Наш подход к распознаванию песен допускает высокий уровень ложных срабатываний в интересах создания меньшего количества ложноотрицательных результатов. Наш протокол постобработки эффективно удаляет ложные срабатывания с ограниченными затратами времени и усилий. Из-за необходимости постобработки мы называем этот подход полуавтоматическим.

Наши результаты подчеркивают, что эффективность, т.е.е. вероятность обнаружения распознавателей песен варьируется у разных видов. Обнаруживаемость распознавателя песен для 10-минутных записей варьировалась от менее 0,1 для BRCR (Brown Creeper, Certhia americana ) до 0,5 для BBWA. Ожидается, что узкополосные свистящие вокализации, лишенные каких-либо отличительных спектральных характеристик, будут трудно идентифицировать, тогда как широкополосные вокализации со сложными спектральными свойствами должны быть проще. Ожидается, что более длинные вокализации будут легче распознаваться из-за их большей информативности.Однако существует также много вариаций вероятностей ручного обнаружения, где обнаруживаемость колеблется от 0,2 до 0,7. Исследователи должны точно оценить вероятность обнаружения, если вероятность обнаружения любого метода ниже 1 (Mazerolle et al. 2007, Williams et al. 2002). Это веский аргумент в пользу использования протоколов отбора проб, которые могут оценивать обнаруживаемость (повторные измерения) и давать полезные оценки использования ресурсов, занятости или видового богатства, например, протоколы с использованием автоматических регистрирующих устройств.

Сравнение 10-минутных записей позволяет количественно оценить разницу в обнаруживаемости между двумя методами. Ручное обнаружение намного лучше, чем распознавание песни, если оно основано на 10-минутной записи. Однако это не самое подходящее сравнение, потому что, хотя для оценки присутствия и численности птиц регулярно используются 10-минутные подсчеты (Ralph et al. 1995, Howe et al. 1997, Venier and Pearce 2005, 2007), протоколы регистрации и автоматического распознавания вряд ли будет использовать одну 10-минутную запись для оценки присутствия вида на участке (например,г., Холмс и др. 2014). Одним из наиболее значительных преимуществ подхода к записи и автоматическому распознаванию песен является возможность собирать и обрабатывать большие объемы записанных данных на месте с очень небольшими дополнительными затратами по сравнению со сбором и обработкой одного 10-минутного образца. Хотя время компьютерной обработки напрямую связано с объемом используемых записанных данных, подход полуавтоматического распознавателя песен значительно сокращает время, необходимое техническому специалисту для просмотра записей на предмет подозрительных обнаружений и удаления ложных срабатываний.Лучшим сравнением было бы интерпретировать все записанные данные и сравнить их с интерпретациями тех же данных распознавателем песен, хотя у нас не было ресурсов для такого сравнения. В качестве альтернативы мы разработали нашу вторую гипотезу, сравнивающую отдельные 10-минутные записи с использованием ручной интерпретации с несколькими 10-минутными записями с использованием программного обеспечения для распознавания песен.

Наша вторая гипотеза заключалась в том, что увеличение продолжительности записи (в данном случае от 350 до 630 минут в течение семи дней) увеличивает вероятность обнаружения вида программой распознавания песен, чтобы сравняться или превзойти вероятность 10-минутных записей, обработанных с помощью обученные слушатели.Данные по четырем видам дали модели, которые не соответствовали друг другу и были исключены из анализа. Из оставшихся шести видов три имели более высокую вероятность обнаружения с использованием распознавателей на нескольких записях за целые недели (BRCR, NOWA [Northern Waterthrush, Parkesia noveboracensis ], SWTH [Swainson’s Thrush, Catharus ustulatus ]), чем обнаружение вручную на одном 10-минутные записи. Напротив, вероятность обнаружения LISP, BBWA и MOWA не улучшилась при использовании дополнительного времени записи.Для некоторых видов объединение записей в течение каждой недели значительно повысило вероятность обнаружения распознавателями песен до аналогичного или более высокого уровня, чем при ручном методе из одной 10-минутной записи.

Мы обнаружили, что использование распознавателей для большего количества записанных данных обеспечивает гораздо более высокую вероятность обнаружения, чем использование распознавателей для одной 10-минутной записи, и часто дает аналогичные или более высокие вероятности обнаружения, чем ручной метод. Другие исследования показали, что увеличение времени обследования, которое является силой (автоматизированных) записанных данных, может привести к большему количеству обнаружений, чем использование данных, полученных в полевых условиях техническими специалистами (Venier et al.2012, Klingbeil and Willig 2015). Использование протокола регистрации дает много преимуществ перед полевыми наблюдениями, особенно способность собирать гораздо больше слуховых данных (Venier et al. 2012), но он дает меньше информации о численности. Использование автоматических распознавателей предоставляет только данные о присутствии / отсутствии, в то время как ручное обнаружение может позволить собрать некоторые минимальные данные о численности. Однако, как только было принято решение использовать записанные данные, использование автоматической обработки вместо ручного обнаружения позволяет обрабатывать на порядки больше записанных данных за тот же период времени.

Четыре вида были исключены из анализа данных недельной регистрации. Несмотря на то, что эти виды были обнаружены на большом количестве участков (72–88%), эти виды давали сверхдисперсные данные по обнаружению, поскольку оценки c-hat были намного больше, чем 4. Отсутствие соответствия в основном объяснялось недостаточным представлением некоторых историй обнаружения относительно ожидаемым в рамках модели, а именно с тремя обнаружениями за четыре посещения (0111, 1011, 1101, 1110). Такое несоответствие могло быть результатом неоднородности вероятностей обнаружения или занятости, не объясняемой имеющимися переменными.Как и в случае любого статистического метода, это также подчеркивает важность оценки соответствия модели для каждого вида до того, как делать выводы, вместо того, чтобы применять метод к каждому виду без различения.

Сравнения ручного обнаружения и автоматического распознавания относительно редки (Swiston and Mennill 2009, Goyette et al. 2011, Towsey et al. 2012, Stowell and Plumbley 2014). Когда сравнения проводятся на основе парного подхода, когда одна и та же запись анализируется различными методами, ручная интерпретация неизменно лучше и обычно используется в качестве эталона, по которому измеряется автоматическая идентификация (Goyette et al.2011 г., Towsey et al. 2012; наши данные). В еще более мелком масштабе сравнения иногда проводятся на уровне отдельных песен (Goyette et al. 2011). Это может быть важно, если кто-то заинтересован в измерении чего-то вроде рейтинга песен или других показателей песни, т.е. когда целью является правильная идентификация отдельных песен (Swiston and Mennill 2009). Однако на данном этапе развития технологии невозможно последовательно распознавать все песни целевого вида. В исследовании ночных тропических птиц Goyette et al.(2011) обнаружили, что чувствительность (доля известных звонков целевых видов, идентифицированных распознавателями) варьируется от 0,17 до 0,79, а положительная прогностическая ценность (доля обнаруженных звуков, соответствующих целевым видам) — от 0,39 до 0,60.

Распознаватели песен могут эффективно работать, когда целью является определение присутствия вида на участке на основе минимального количества записанных данных. Основываясь на наших результатах, мы можем сделать вывод, что 10 минут недостаточно, но 350–630 минут, вероятно, более чем достаточно.Стоимость использования распознавателя песен для нескольких записей минимально больше, чем для одной записи. Таким образом, уменьшенная вероятность обнаружения распознавателями по сравнению с ручным методом может быть компенсирована способностью распознавателей относительно быстро обрабатывать большее количество данных. Кроме того, если целью является идентификация редких видов, будет выгодно иметь возможность отбирать образцы намного дольше, чем это можно сделать с помощью ручного обнаружения (Swiston and Mennill 2009, Holmes et al.2014). Более низкая вероятность обнаружения для автоматического распознавателя может быть в основном компенсирована выборкой менее 30 записей (300 минут) даже для самых плохих распознавателей, которые мы исследовали.

Мы ожидаем, что экология видов повлияет на их обнаруживаемость. Мы наблюдали большие различия в обнаруживаемости по видам: от менее 10% до 70% за один 10-минутный подсчет. Существует ряд экологических факторов, которые, как ожидается, будут влиять на обнаруживаемость, включая различия в предпочтениях среды обитания, использовании среды обитания, численности, поведении песен и фенологии песен (McShea and Rappole 1997, Alldredge et al.2007, Ройл и Николс 2003). Кривые совокупной вероятности обнаружения показывают, что различия в вероятности обнаружения больше для метода автоматического распознавания, чем для метода ручного обнаружения, но что увеличение количества записанных данных может значительно уменьшить различия между методами. Но наш основной интерес в оценке вероятности обнаружения здесь состоит в том, чтобы сравнить методы с предположением, что увеличение вероятности обнаружения повышает качество наших данных.

Основываясь на нашем опыте, время, необходимое технику для постобработки (проверка ложных срабатываний и подтверждение истинных положительных результатов) для 1400–2520 (35–63 записи x 10 минут x 4 посещения) минут записей на станцию ​​для каждого вида варьируется от около 1 минуты на участок, если вероятность обнаружения вида высока, до 20 минут, когда вид не обнаружен на участке.Обработка редких или отсутствующих видов занимает больше времени, поскольку технический специалист должен просмотреть все ложные срабатывания в файлах результатов. Напротив, обычные виды появляются в файле результатов раньше, и постобработка может быть остановлена ​​после подтверждения техническим специалистом первого обнаружения. Среднее время обработки человеком составляет 5,7 минут на вид на станцию ​​из 1400–2520 минут записей. Ручная интерпретация 40 минут записей для оценки всего сообщества занимает около 1 часа на каждую станцию.Время полуавтоматической оценки 10 видов приблизительно эквивалентно времени, необходимому для ручного подхода к оценке всего сообщества.

Время, необходимое для обработки записанных данных с помощью распознавателей, в значительной степени зависит от количества рассматриваемых видов. Если целью является мониторинг всех видов в сообществе, то распознаватели, вероятно, не будут эффективным выбором, поскольку многие сообщества лесных птиц насчитывают более 40 видов. С другой стороны, работа по сохранению, сосредоточенная на одном виде, будет быстрее реализована с помощью распознавателей.(Свистон и Меннил, 2009 г., Холмс и др., 2014 г., Цварт и др., 2014 г.). Обнаружение редких или отдельных видов, несомненно, является очень эффективным использованием распознавателей, поскольку оно позволяет производить отбор проб за гораздо большее время регистрации, что увеличивает вероятность обнаружения, необходимого для необычных видов. Между этими двумя подходами находится потенциальное использование распознавателей для мониторинга набора индикаторных видов, которые могут предоставить достаточно информации о сообществе, необходимой для оценки устойчивости или экологической целостности. В некоторых исследованиях была предложена система индикаторов для выбора такого набора видов, которые могут использоваться в качестве биотеста для оценки устойчивости лесопользования (Venier and Pearce 2004, Rempel 2007).С этой целью Ремпель (2007) предложил набор из 13 певчих птиц, охватывающих широкий диапазон условий обитания, чтобы представить сообщество северных певчих птиц в Онтарио. Для этого типа приложений распознаватели песен могут быть более эффективным подходом для сбора данных. Еще одним важным фактором является отсутствие профессиональных интерпретаторов для ручной обработки данных. Некоторые организации, включая канадские национальные парки, обязаны следить за экологической целостностью, но не обязательно имеют квалифицированный персонал для выполнения интерпретации записей.Распознаватели могут предоставить альтернативу, которая требует гораздо меньше опыта и дополнительных преимуществ подхода к сканированию видов, подверженных риску, и архивных акустических данных.

ВЫВОДЫ

Основываясь на наших результатах, мы предполагаем, что методы регистрации и автоматического распознавания могут быть полезными инструментами для получения информации о занятости и обнаруживаемости сообществ лесных птиц. Используя распознаватели песен на записанных данных из достаточного количества опросов, мы можем достичь вероятностей обнаружения, аналогичных прослушиванию записей вручную, т.е.е., ручное обнаружение. Кроме того, распознаватели песен предлагают несколько преимуществ по сравнению с ручным обнаружением, включая возможность относительно быстро обрабатывать большие объемы записанных данных, менее строгие требования к техническим знаниям для идентификации песен и, возможно, уменьшение вариабельности среди наблюдателей. Однако есть одна существенная ошибка — дополнительное время, необходимое для обработки нескольких видов. Мы полагаем, что использование распознавателей песен целесообразно, когда рассматриваются отдельные или небольшие группы видов, когда возможно собрать большие объемы записанных данных, и особенно когда опыт идентификации птиц ограничен.Напротив, когда требуется знание полного разнообразия сообщества, мы предлагаем, чтобы ручная интерпретация экспертом оставалась наиболее эффективным и точным методом оценки данных биоакустики птиц, полученных с помощью автоматических записывающих устройств. Следующие шаги должны включать ручную интерпретацию большего количества индивидуальных записей, чтобы понять, как стандартная ошибка оценок занятости связана с увеличением времени выборки.

Были разработаны и протестированы альтернативные алгоритмы для автоматического распознавания песен птиц из непрерывных записей (Коган и Марголиаш 1998, Асеведо и др.2009 г., Кац и др. 2016), и вполне вероятно, что со временем будет продолжаться прогресс в разработке новых и улучшенных алгоритмов, включая многовидовые подходы (Briggs et al. 2012). Однако результаты нашего исследования показывают, что существующие алгоритмы эффективны для многих существующих приложений при оценке достаточного количества данных записи и могут, в широком контексте, повысить нашу коллективную способность достигать целей как сохранения, так и устойчивого управления лесами при правильном использовании.

БЛАГОДАРНОСТИ

Для вычислений мы использовали суперкомпьютер Colosse в Университете Лаваля, управляемый Calcul Qubec и Compute Canada. Спасибо Андреа Дросдовска, Кевину Гуду, Кевину Барберу и Дереку Чартранду за поддержку на местах. Том Суистун и Керри Вайнио-Кейзер оказали логистическую поддержку по управлению данными и обработке звука. Распознаватели песен были разработаны с использованием записей из лаборатории биоакустики Боррора (https://blb.osu.edu/) и библиотеки Маколея из лаборатории орнитологии Корнелла (http: // macaulaylibrary.org /).

ЦИТИРОВАННАЯ ЛИТЕРАТУРА

Асеведо, М. А., К. Дж. Коррада-Браво, Х. Коррада-Браво, Л. Дж. Вильянуэва-Ривера и Т. М. Айд. 2009. Автоматизированная классификация криков птиц и земноводных с использованием машинного обучения: сравнение методов. Экологическая информатика 4: 206-214. http://dx.doi.org/10.1016/j.ecoinf.2009.06.005

Асеведо, М. А. и Л. Дж. Вильянуэва-Ривера. 2006. Использование автоматизированных систем цифровой записи как эффективных инструментов для наблюдения за птицами и земноводными. Бюллетень Общества дикой природы 34: 211-214. http://dx.doi.org/10.2193/0091-7648(2006)34[211:UADRSA impression2.0.CO;2

Олдридж, М. В., К. Х. Поллок, Т. Р. Саймонс и С. А. Шрайнер. 2007. Многовидовой анализ данных точечного подсчета: более экономная структура моделирования. Журнал прикладной экологии 44 (2): 281-290. https://doi.org/10.1111/j.1365-2664.2006.01271.x

Бейли Л. Л., Дж. Э. Хайнс, Дж. Д. Николс и Д. И. Маккензи. 2007. Компромиссы дизайна выборки в исследованиях занятости с несовершенным обнаружением: примеры и программное обеспечение. Экологические приложения 17: 281-290. http://dx.doi.org/10.1890/1051-0761(2007)017[0281:SDTIOS impression2.0.CO;2

Бриггс, Ф., Б. Лакшминараянан, Л. Нил, Х. З. Ферн, Р. Райх, С. Дж. К. Хэдли, А. С. Хэдли и М. Г. Беттс. 2012. Акустическая классификация нескольких видов птиц одновременно: подход с несколькими экземплярами и несколькими метками. Журнал акустического общества Америки 131: 4640-4650. http://dx.doi.org/10.1121/1.4707424

Бернхэм, К. П. и Д.Р. Андерсон. 2002. Выбор модели и многомодельный вывод: практический теоретико-информационный подход. Издание второе. Спрингер-Верлаг, Нью-Йорк, Нью-Йорк, США. http://dx.doi.org/10.1007/b97636

Селис-Мурильо, А., Дж. Л. Деппе и М. Ф. Аллен. 2009. Использование звукозаписей для оценки численности, богатства и состава видов птиц. Журнал полевой орнитологии 80: 64-78. http://dx.doi.org/10.1111/j.1557-9263.2009.00206.x

Чариф, Р.А., Д. В. Пониракис и Т. П. Крейн. 2006. Руководство пользователя Raven Lite 1.0. Корнельская лаборатория орнитологии, Итака, Нью-Йорк, США.

де Оливейра, А. Г., Т. М. Вентура, Т. Д. Ганчев, Х. М. де Фигейредо, О. Ян, М. И. Маркес и К.-Л. Шухманн. 2015. Обнаружение акустической активности птиц на основе морфологической фильтрации спектрограммы. Прикладная акустика 98: 34-42. http://dx.doi.org/10.1016/j.apacoust.2015.04.014

Фиск, И. и Р. Чендлер.2011 г. без пометки: пакет R для подбора иерархических моделей встречаемости и численности диких животных. Журнал статистического программного обеспечения 43: 1-23. http://dx.doi.org/10.18637/jss.v043.i10

Фурнас, Б. Дж. И Р. Л. Каллас. 2015. Использование автоматических регистраторов и моделей присутствия для наблюдения за обычными лесными птицами в большом географическом регионе. Журнал управления дикой природой 79: 325-337. http://dx.doi.org/10.1002/jwmg.821

Гойетт, Дж. Л., Р. В. Хоу, А. Т.Вольф и В. Д. Робинсон. 2011. Обнаружение тропических ночных птиц с помощью автоматизированных аудиозаписей. Журнал полевой орнитологии 82: 279-287. http://dx.doi.org/10.1111/j.1557-9263.2011.00331.x

Haselmayer, J., and J. S. Quinn. 2000. Сравнение точечного подсчета и звукозаписи как методов наблюдения за птицами в юго-восточной части Амазонки Перу. Кондор 102: 887-893. http://dx.doi.org/10.1650/0010-5422(2000)102[0887:ACOPCApting2.0.CO;2

Хобсон, К.А., Ремпель Р.С., Х.Гринвуд, Б. Тернбулл и С. Л. Ван Вильгенбург. 2002. Акустические исследования птиц с использованием электронных записей: новые возможности всенаправленной микрофонной системы. Бюллетень Общества дикой природы 30: 709-720.

Холмс, С. Б., К. А. Макилурик и Л. А. Венир. 2014. Использование автоматической записи звука и анализа для обнаружения редких видов птиц в лесных массивах юго-западного Онтарио. Бюллетень Общества дикой природы 38: 591-598. http://dx.doi.org/10.1002/wsb.421

Хау, Р.W., G. J. Niemi, S. J. Lewis и D. A. Welsh. 1997. Стандартный метод мониторинга популяций певчих птиц в районе Великих озер. Пассажирский голубь 59: 183-192.

Hutto, R. L. и R. J. Stutzman. 2009. Человек против автономных единиц записи: сравнение результатов подсчета точек. Журнал полевой орнитологии 80: 387-398. http://dx.doi.org/10.1111/j.1557-9263.2009.00245.x

Кац, Дж., С. Д. Хафнер и Т. Донован. 2016. Инструменты автоматического акустического мониторинга в R-пакете monitoR. Bioacoustics 25: 197-210. http://dx.doi.org/10.1080/09524622.2016.1138415

Klingbeil, B.T. и M.R. Willig. 2015. Оценка биоразнообразия птиц в лесах умеренной зоны: значение точечного подсчета по сравнению с протоколами акустического мониторинга. PeerJ 3: e973. http://dx.doi.org/10.7717/peerj.973

Коган Дж. А., Марголиаш Д. Д. 1998. Автоматическое распознавание элементов пения птиц из непрерывных записей с использованием динамического преобразования времени и скрытых марковских моделей: сравнительное исследование. Журнал Акустического общества Америки 103: 2185-2196. http://dx.doi.org/10.1121/1.421364

Лич, Э. К., К. Дж. Беруэлл, Л. А. Эштон, Д. Н. Джонс и Р. Л. Китчинг, 2016 г. Сравнение точечного подсчета и автоматического акустического мониторинга: обнаружение птиц в исследовании биоразнообразия тропических лесов. Эму 116: 305-309. http://dx.doi.org/10.1071/MU15097

MacKenzie, D. I., and L. L. Bailey. 2004. Оценка соответствия моделей занятости сайта. Журнал сельскохозяйственной, биологической и экологической статистики 9: 300-318.http://dx.doi.org/10.1198/108571104×3361

MacKenzie, D. I., J. D. Nichols, G. B. Lachman, S. Droege, J. A. Royle, and C. A. Langtimm. 2002. Оценка степени занятости сайта при вероятности обнаружения меньше единицы. Экология 83: 2248-2255. http://dx.doi.org/10.1890/0012-9658(2002)083[2248:ESORWD impression2.0.CO;2

Маккензи, Д. И., Дж. Д. Николс, Дж. А. Ройл, К. Х. Поллок, Л. Л. Бейли и Дж. Э. Хайнс. 2006. Оценка и моделирование занятости: определение закономерностей и динамики встречаемости видов. Academic Press, Нью-Йорк, Нью-Йорк, США.

MacKenzie, D. I., and J. A. Royle. 2005. Разработка исследований занятости: общие рекомендации и распределение усилий по исследованию. Журнал прикладной экологии 42: 1105-1114. http://dx.doi.org/10.1111/j.1365-2664.2005.01098.x

Mazerolle, M. J. 2006. Улучшение анализа данных в герпетологии: использование информационного критерия Акаике (AIC) для оценки силы биологических гипотез. Амфибия-Рептилии 27: 169-180.http://dx.doi.org/10.1163/156853806777239922

Mazerolle, M. J. 2016. AICcmodavg: выбор модели и многомодельный вывод на основе (Q) AIC (c). Пакет R версии 2.0-4. R Фонд статистических вычислений, Вена, Австрия. [онлайн] URL: http://CRAN.R-project.org/package=AICcmodavg

Mazerolle, M. J., L. L. Bailey, W. L. Kendall, J. A. Royle, S.J. Converse и J. D. Nichols. 2007. Сделать большой шаг вперед: учет возможности обнаружения в полевых герпетологических исследованиях. Герпетологический журнал 41: 672-689. http://dx.doi.org/10.1670/07-061.1

McShea, W.J. и J.H. Rappole. 1997. Травоядные животные и экология лесных подлецевых птиц. Страницы 298-309 в W. J. McShea, H. B. Underwood и J. H. Rappole, редакторы. Наука об изобилии: экология оленей и управление популяциями. Smithsonian Institution Press, Вашингтон, округ Колумбия, США.

Питт, Д. Г., М. Вудс и М. Пеннер. 2014. Сравнение облаков точек, полученных на основе стереофонических изображений и воздушного лазерного сканирования, для территориальной оценки характеристик лесных запасов в северной части Онтарио. Канадский журнал дистанционного зондирования 40: 214-232. http://dx.doi.org/10.1080/07038992.2014.958420

Потамитис И., С. Нталампирас, О. Ян и К. Рид. 2014. Автоматическое определение звука птиц в длинных записях реального поля: приложения и инструменты. Прикладная акустика 80: 1-9. http://dx.doi.org/10.1016/j.apacoust.2014.01.001

R Основная команда. 2016. R: Язык и среда для статистических вычислений. R Фонд статистических вычислений, Вена, Австрия.[онлайн] URL: https://www.R-project.org/

Ральф К. Дж., Дж. Р. Зауэр и С. Дроеж. 1995. Мониторинг популяций птиц по точкам. Общий технический отчет Лесной службы США PSW-GTR-149, Тихоокеанская юго-западная исследовательская станция, Олбани, Калифорния, США. http://dx.doi.org/10.2737/psw-gtr-149

Ремпель Р. С. 2007. Выбор основных видов певчих птиц для оценки сохранения биоразнообразия: реакция на количество и конфигурацию лесного покрова. Сохранение птиц и экология 2 (1): 6.http://dx.doi.org/10.5751/ace-00140-020106

Ремпель, Р. С., К. А. Хобсон, Г. Холборн, С. Л. Ван Вильгенбург и Дж. Эллиотт. 2005. Биоакустический мониторинг лесных певчих птиц: вариативность интерпретатора и влияние методов конфигурации и цифровой обработки в лаборатории. Журнал полевой орнитологии 76: 1-11. http://dx.doi.org/10.1648/0273-8570-76.1.1

Розенсток, С. С., Д. Р. Андерсон, К. М. Гизен, Т. Лейкеринг и М. Ф. Картер. 2002. Методы учета наземных птиц: текущая практика и альтернатива. Auk 119: 46-53. http://dx.doi.org/10.1642/0004-8038(2002)119[0046:LCTCPA visible2.0.CO;2

Ройл, Дж. А. и Дж. Д. Николс. 2003. Оценка численности по повторяющимся данным присутствия-отсутствия или точечным подсчетам. Экология 84 (3): 777-790. http://dx.doi.org/10.1890/0012-9658(2003)084[0777:eafrpa visible2.0.co;2

Сиди-Слеттедаль, А. М., К. К. Йенсен, Р. Р. Джонсон, Т. В. Арнольд, Дж. Э. Остин и Дж. Д. Стаффорд. 2015. Оценка автономных регистрирующих устройств для обнаружения 3 видов скрытных болотных птиц. Бюллетень Общества дикой природы 39: 626-634. http://dx.doi.org/10.1002/wsb.569

Somervuo, P., A. Harma, and S. Fagerlund. 2006. Параметрические представления звуков птиц для автоматического распознавания видов. Транзакции IEEE по обработке звука, речи и языка 14: 2252-2263. http://dx.doi.org/10.1109/tasl.2006.872624

Стоуэлл Д. и М. Д. Пламбли. 2014. Автоматическая крупномасштабная классификация звуков птиц значительно улучшена благодаря неконтролируемому обучению функций. PeerJ 2: e488. https://doi.org/10.7717/peerj.488 http://dx.doi.org/10.7717/peerj.488

Swiston, K. A., and D. J. Mennill, 2009. Сравнение ручных и автоматизированных методов определения звуков цели в аудиозаписях дятлов с хохолком, бледноклювым и предполагаемым клювом из слоновой кости. Журнал полевой орнитологии 80: 42-50. http://dx.doi.org/10.1111/j.1557-9263.2009.00204.x

Towsey, M., B. Planitz, A. Nantes, J. Wimmer, and P. Roe. 2012. Набор инструментов для распознавания звонков животных. Биоакустика: Международный журнал звуков животных и их записи 21: 107-125. http://dx.doi.org/10.1080/09524622.2011.648753

Венье, Л. А., С. Б. Холмс, Г. В. Холборн, К. А. Макилурик и Г. Браун. 2012. Оценка автоматизированного регистрирующего устройства для наблюдения за лесными птицами. Бюллетень Общества дикой природы 36: 30-39. http://dx.doi.org/10.1002/wsb.88

Венье, Л. А. и Дж. Л. Пирс. 2004. Птицы как индикаторы устойчивого лесопользования. Хроника лесного хозяйства 80: 61-66. http://dx.doi.org/10.5558/tfc80061-1

Венье, Л. А. и Дж. Л. Пирс. 2005. Реакция сообщества северных птиц на сукцессию соснового леса. Экология и управление лесами 217: 19-36. http://dx.doi.org/10.1016/j.foreco.2005.05.058

Venier, L.A., and J. L. Pearce. 2007. Наземные птицы бореальных лесов в связи с составом, структурой и ландшафтом леса: последствия для управления лесами. Канадский журнал исследований леса 37: 1214-1226 http: // dx.doi.org/10.1139/x07-025

Уильямс, Б. К., Дж. Д. Николс и М. Дж. Конрой. 2002. Анализ и управление популяциями животных. Academic Press, Нью-Йорк, Нью-Йорк, США.

Уиммер, Дж., М. Тоузи, П. Роу и И. Уильямсон. 2013. Отбор образцов акустических записей окружающей среды для определения видового богатства птиц. Экологические приложения 23: 1419-1428. http://dx.doi.org/10.1890/12-2088.1

Цварт, М. К., А. Бейкер, П. Дж. К. Макгоуэн и М.Дж. Уиттингем. 2014. Использование автоматических регистраторов биоакустики для замены исследований дикой природы человека: пример с использованием козодоев. PLoS ONE 9 (7): e102770. http://dx.doi.org/10.1371/journal.pone.0102770