Reliability and Spatiotemporal Autocorrelation of Acoustic Indices: Implications for Biodiversity Monitoring

Deze studie toont aan dat akoestische indices in passief akoestisch monitoring niet direct als proxy voor soortenrijkdom kunnen dienen, maar wel waardevolle aanvullende informatie bieden over landschapsdynamiek, waarbij de kwantificering van ruimtelijke en temporele autocorrelatie leidt tot betere steekproefontwerpen voor biodiversiteitsmonitoring.

De kern

De Geluiden van de Natuur: Een Luisterend Oor voor Biodiversiteit

Stel je voor dat je een enorme, onzichtbare bibliotheek binnenloopt. In plaats van boeken met tekst, zitten deze boeken vol met geluid: het gezoem van insecten, het gezang van vogels en het gerommel van zoogdieren. Dit is wat we de "soundscapes" of geluidslandschappen van de natuur noemen.

Vroeger moesten onderzoekers urenlang in het bos zitten met een notitieblok om te tellen hoeveel soorten er waren. Dat is lastig, duur en kan dieren verstoren. Tegenwoordig gebruiken we slimme microfoons (passieve akoestische monitoring) die 24/7 opnemen. Maar hier komt het probleem: deze microfoons maken gigantische hoeveelheden geluidsbestanden. Niemand kan urenlang naar elk bestand luisteren om te zeggen: "Ah, hier is een lijster, daar een kikker."

Daarom gebruiken wetenschappers akoestische indices. Denk hierbij aan een "geluids-sneltest". In plaats van te tellen wie er zingt, meet deze test hoe het klinkt: is het druk? Is het gevarieerd? Is er veel ruis van de mens? De hoop was dat deze sneltests een perfecte maatstaf zouden zijn voor hoeveel soorten er in een gebied leven.

Maar is dat wel zo? En hoe betrouwbaar zijn deze tests? Dat is precies wat dit onderzoek uit China (in het Chebaling-natuurreservaat) heeft onderzocht.

1. De "Sneltest" werkt niet altijd zoals verwacht

De onderzoekers stelden 60 meetpunten op in een groot raster van 1 bij 1 kilometer. Ze hielden geluid vast, maar ook foto's van dieren (met camera's) en inventarisaties van planten. Zo konden ze de "geluidstest" vergelijken met de echte telling van dieren en planten.

Het verdict:
De akoestische indices zijn geen perfecte vertalers voor het aantal diersoorten.

• Vergelijk het met een drukke feestzaal: Als je luistert naar een feest, hoor je misschien dat het "druk" is (veel geluid, veel variatie). Maar dat betekent niet noodzakelijk dat er 50 verschillende gasten zijn. Het kan ook 10 mensen zijn die heel luid en veelzijdig zingen.
• De studie vond dat de geluidstests wel goed konden voorspellen hoe veel dieren er waren (de hoeveelheid) en hoe de groep eruitzag, maar ze konden niet betrouwbaar tellen hoeveel verschillende soorten er precies waren.
• Voor vogels en zoogdieren werkten sommige tests beter dan voor planten (die natuurlijk niet zingen, maar wel het geluid beïnvloeden).

2. Het geluid "plakt" aan elkaar (Ruimtelijke Autocorrelatie)

Een heel belangrijk nieuw inzicht uit dit onderzoek gaat over de afstand tussen meetpunten.

Stel je voor dat je de temperatuur meet in een stad. Als je op punt A 20 graden meet, is het op punt B (100 meter verderop) waarschijnlijk ook wel 20 graden. Ze zijn niet onafhankelijk van elkaar; ze "plakken" aan elkaar. Dit noemen we ruimtelijke autocorrelatie.

• De ontdekking: De onderzoekers ontdekten dat bepaalde geluidstests (zoals de BIO en NDSI) tot wel 4 kilometer ver "plakken". Als je op punt A een bepaalde geluidswaarde meet, is de waarde op punt B (3 km verderop) nog steeds sterk vergelijkbaar.
• De les: Als je onderzoekers twee meetpunten op 1 kilometer van elkaar zetten, tellen ze eigenlijk twee keer hetzelfde. Het is alsof je twee keer hetzelfde boek in je bibliotheek telt. Om echt nieuwe informatie te krijgen, moeten meetpunten verder uit elkaar staan (minstens 4 km voor deze specifieke tests).

3. Het geluid blijft hangen (Temporale Autocorrelatie)

Hetzelfde geldt voor de tijd. Als je vandaag een bepaalde geluidswaarde meet, is die morgen vaak nog steeds hetzelfde.

• De ontdekking: De geluidstests bleven 2 tot 5 dagen lang vergelijkbaar. De dieren zelf (vogels en zoogdieren) veranderen echter veel sneller; hun activiteit wisselt binnen 1 tot 2 dagen.
• De les: De "stem" van het landschap verandert trager dan de dieren zelf. Als je elke dag meet, krijg je misschien geen nieuwe informatie, maar alleen een echo van gisteren. Voor sommige tests is het dus slimmer om minder vaak te meten, maar dan wel op strategische momenten.

Waarom is dit belangrijk? (De "Gouden Raadgeving")

Dit onderzoek is als een handleiding voor de toekomst van natuurbescherming:

1. Geen magische bal: We kunnen niet zomaar zeggen: "Deze geluidswaarde betekent 10 vogelsoorten." De geluidstests zijn meer een complementair hulpmiddel. Ze vertellen ons hoe het gevoel van het landschap is (druk, rustig, menselijk geluid), maar ze vervangen niet de echte telling van soorten.
2. Slimmer meten: Door te weten hoe ver het geluid "plakt" (4 km) en hoe lang het "hangt" (2-5 dagen), kunnen onderzoekers hun meetnetwerken veel efficiënter inrichten. Ze hoeven niet overal microfoons te hangen; ze kunnen ze strategisch plaatsen om geld en tijd te besparen.
3. De ontbrekende schakel: De studie wijst erop dat insecten (die veel geluid maken) vaak worden vergeten. Omdat insecten zo'n groot deel van het geluid uitmaken, beïnvloeden ze de tests enorm. In de toekomst moeten we misschien AI gebruiken om specifiek naar insecten te luisteren, zodat de tests eerlijker worden.

Kortom:
Deze studie zegt: "Luister naar de natuur, maar wees voorzichtig met wat je hoort." De geluidstests zijn waardevolle hulpmiddelen om de gezondheid van een ecosysteem te voelen, maar ze zijn geen perfecte teller. Als we weten hoe het geluid zich verspreidt in ruimte en tijd, kunnen we de natuur veel slimmer en efficiënter beschermen.

Technische samenvatting

Titel: Betrouwbaarheid en spatiotemporale autocorrelatie van akoestische indices: Implicaties voor biodiversiteitsmonitoring

1. Het Probleem

Passieve akoestische monitoring (PAM) wordt steeds vaker gebruikt voor het monitoren van biodiversiteit, maar de betrouwbaarheid ervan als proxy voor biodiversiteit is onvoldoende gevalideerd. Er zijn twee hoofdbeperkingen:

• Betrouwbaarheid van indices: Akoestische indices (zoals ACI, NDSI, BIO) worden vaak gebruikt om soortenrijkdom te schatten, maar eerdere studies tonen inconsistente resultaten. De correlatie tussen deze indices en daadwerkelijke biodiversiteit (soortenrijkdom, abundantie) is vaak zwak of afhankelijk van het ecosysteem.
• Geforceerde onafhankelijkheid: Een kritieke, maar vaak genegeerde factor is de spatiotemporale autocorrelatie. Akoestische data uit nabijgelegen punten of opeenvolgende tijdstippen zijn niet statistisch onafhankelijk. Het negeren hiervan leidt tot pseudoreplicatie, wat de nauwkeurigheid van statistische inferenties ondermijnt. Er ontbreekt systematisch onderzoek naar de intrinsieke ruimtelijke en temporele afhankelijkheidsstructuren van deze indices.

2. Methodologie

De auteurs voerden een geïntegreerde studie uit in het Chebaling Nationaal Natuurreservaat (Guangdong, China), een gebied in de subtropische zone.

• Onderzoeksopzet:
  • Een raster van 100 roosters van 1 km x 1 km werd gebruikt.
  • Datacollectie: 58 geldige locaties werden geselecteerd voor drie parallelle datasets:
    1. Passieve Akoestische Monitoring (PAM): Automatische opnameapparaten (Song Meter Mini) namen geluid op gedurende drie sessies (augustus 2022 - januari 2023). Per dag werd 4 uur opgenomen (zonsopgang, zonsondergang, nachtelijke intervallen).
    2. Infrarode Camera's: Eén camera per rooster om vogels en zoogdieren te detecteren (8.256 geldige detecties).
    3. Vegetatieonderzoek: Bestaande data over vegetatiesoortenrijkdom en abundantie per rooster.
• Akoestische Indices: Zes veelgebruikte indices werden berekend voor elke 10-minuten opname en vervolgens gemiddeld per dag:
  • ACI (Acoustic Complexity Index)
  • ADI (Acoustic Diversity Index)
  • AEI (Acoustic Evenness Index)
  • BIO (Bioacoustic Index)
  • H (Acoustic Entropy Index)
  • NDSI (Normalized Difference Soundscape Index)
• Statistische Analyse:
  • Betrouwbaarheid: Generalized Linear Mixed Models (GLMM) werden gebruikt om de relatie te testen tussen akoestische indices en biodiversiteitsmetrieken (soortenrijkdom, relatieve abundantie, Shannon- en Simpson-index) voor vogels, zoogdieren en vegetatie, met omgevingsvariabelen als covariaten.
  • Spatiotemporale Autocorrelatie:
    • Ruimtelijk: Correlaties werden berekend tussen een centraal rooster en concentrische lagen van buren (1 km tot 5 km afstand). Dit werd vergeleken met willekeurige controlegroepen.
    • Temporeel: Autocorrelatiefuncties (ACF) werden gebruikt om de duur van significante autocorrelatie in de tijdreeksen (dag-tot-dag) te bepalen voor zowel de indices als de biologische abundantie.

3. Belangrijkste Bijdragen

• Eerste systematische kwantificering: Dit is een van de eerste studies die de spatiotemporale autocorrelatie van akoestische indices expliciet kwantificeert binnen een gecoördineerd, grootformaat monitoringssysteem.
• Integratie van onafhankelijke data: Door PAM-data te koppelen aan camera-trap en vegetatiegegevens, wordt een robuuste validatie mogelijk die niet afhankelijk is van handmatige identificatie van geluiden.
• Praktische richtlijnen: De studie biedt concrete richtlijnen voor steekproefontwerp (afstanden tussen sensoren, tijdsintervallen) om pseudoreplicatie te voorkomen.

4. Resultaten

A. Betrouwbaarheid voor Biodiversiteit:

• Geen universele proxy voor soortenrijkdom: De akoestische indices vertoonden over het algemeen geen sterke of consistente correlatie met soortenrijkdom (aantal soorten) voor vogels, zoogdieren of vegetatie.
• Sterkere link met abundantie en diversiteit: De indices waren wel significant gerelateerd aan relatieve abundantie en gemeenschapsdiversiteitsmetrieken (zoals de Simpson-index).
  • Vogels: ACI correleerde positief met abundantie; ADI en NDSI correleerden negatief met abundantie/Simpson-index.
  • Zoogdieren: Alleen BIO toonde een positieve correlatie met abundantie.
  • Conclusie: Indices zijn beter geschikt om veranderingen in gemeenschapsdynamiek (overvloed/dominantie) te tracken dan om het exacte aantal soorten te schatten.

B. Spatiotemporale Autocorrelatie:

• Ruimtelijke schaal:
  • BIO en NDSI: Toonden significante autocorrelatie tot ongeveer 4 km. Dit suggereert dat deze indices beïnvloed worden door grootschalige omgevingsfactoren (bijv. menselijke verstoring, landschapsstructuur).
  • H: Autocorrelatie beperkt tot ca. 1 km (fijne schaal).
  • ADI: Toonde een niet-monotoon patroon met een afwijking op 3 km, maar geen duidelijke afstand-afname.
  • ACI en AEI: Geen significante ruimtelijke autocorrelatie ten opzichte van willekeurige controles (hoge ruimtelijke heterogeniteit).
  • Vergelijking: De ruimtelijke structuur van de biologische gemeenschappen (vogels/zoogdieren) vertoonde geen vergelijkbare patronen als de akoestische indices, wat aangeeft dat de indices niet direct de biologische verdeling weerspiegelen.
• Temporele duur:
  • Alle akoestische indices vertoonden significante autocorrelatie gedurende 2 tot 5 dagen.
  • De biologische activiteit (relatieve abundantie van vogels en zoogdieren) vertoonde een kortere autocorrelatie (1 tot 2 dagen).
  • Implicatie: De geluidslandschappen veranderen langzamer dan de dagelijkse fluctuaties in individuele dieractiviteit.

5. Betekenis en Conclusie

De studie concludeert dat akoestische indices niet als directe vervangers voor soortenrijkdom moeten worden gebruikt. In plaats daarvan bieden ze waardevolle, complementaire informatie over de dynamiek van het geluidslandschap en gemeenschapsstructuur.

• Methodologische Implicaties: Onderzoekers moeten de spatiotemporale autocorrelatie expliciet meenemen in hun steekproefontwerp.
  • De afstand tussen opnamepunten moet de ruimtelijke autocorrelatiereikwijdte van de gekozen index overschrijden (bijv. >4 km voor BIO/NDSI) om pseudoreplicatie te vermijden.
  • Tijdsintervallen moeten rekening houden met de temporele persistentie (bijv. niet te frequent meten voor indices met lange persistentie zoals BIO).
• Toekomstperspectief: De beperkte correlatie met soortenrijkdom kan deels worden verklaard door de invloed van insecten (die vaak dominant zijn in geluidslandschappen maar zelden in de validatie worden meegenomen) en menselijke verstoring. De integratie van AI voor soort-specifieke identificatie en het meenemen van ongewervelden in toekomstige studies wordt aanbevolen om de ecologische interpretatie te verbeteren.

Kortom, akoestische monitoring is een krachtig hulpmiddel, maar vereist een voorzichtige, contextbewuste interpretatie waarbij de spatiotemporale afhankelijkheid van de data centraal staat.