Coral restoration alters reef soundscapes but machine learning and manual analyses suggest different recovery rates

Hoewel passieve akoestische monitoring aantoont dat koraalherstel de geluidssferen van riffen beïnvloedt, tonen handmatige en machine learning-analyses verschillende herstelsnelheden aan, wat benadrukt dat meerdere meetmethoden nodig zijn om de ecologische herstelprocessen volledig te begrijpen.

De kern

Koraalherstel: Een akoestisch verhaal over twee verschillende luisteraars

Stel je voor dat een koraalrif een levend, bruisend concertzaal is. De koralen zijn het podium, de vissen zijn de muzikanten, en de geluiden die ze maken (kraken, grommen, klikken) vormen de muziek van het rif. Als een rif beschadigd raakt, wordt de muziek stil en saai. Maar wat gebeurt er als we proberen het rif te herstellen? Klinkt het dan weer als een vol concert, of nog steeds als een lege zaal?

Dit is precies wat onderzoekers in de Seychellen hebben onderzocht. Ze keken naar een rif waar koraal wordt herbouwd en vergeleken het met een gezond rif en een zwaar beschadigd rif. Maar ze deden iets slim: ze luisterden niet alleen met hun oren, maar ook met een slimme computer. En hier komt het interessante deel: de twee luisteraars hoorden twee verschillende verhalen.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. De twee luisteraars

De onderzoekers gebruikten twee methoden om naar het rif te luisteren:

• De Menselijke Luisteraar (Handmatig): Dit is als een ervaren concertmeester die in de zaal zit en specifiek let op de trompettisten (de vissen die geluid maken). Ze tellen hoeveel er spelen en hoeveel verschillende soorten instrumenten er zijn.
• De Slimme Computer (Machine Learning): Dit is als een supersterke robot die de hele zaal in één keer scant. Hij ziet niet alleen de trompettisten, maar ook de trillingen in de vloer, de geluiden van de muren en de sfeer van de hele ruimte. Hij zoekt naar patronen die een mens misschien mist.

2. Wat zagen ze?

Het verhaal van de Menselijke Luisteraar:
De mens luisterde naar de vissen en zei: "Hey, het klinkt hier best goed! Het herbouwde rif klinkt bijna net zo levendig als het gezonde rif. Er zijn net zo veel vissen die geluid maken, en ze hebben net zo veel verschillende 'nummers'."
Dit suggereert dat het herstel van het rif al aardig vordert, zeker wat betreft de vissen.

Het verhaal van de Slimme Computer:
De computer keek naar het totale geluid en zei: "Nee, wacht even. Als ik naar het grote plaatje kijk, klinkt het herbouwde rif meer als het beschadigde rif dan als het gezonde rif."
Voor de computer was er nog een groot verschil tussen het herbouwde rif en het gezonde rif. Het herbouwde rif had nog niet de volledige, complexe 'sfeer' van een gezond ecosysteem.

3. Waarom is er een verschil? (De Metafoor)

Stel je een verlaten schoolplein voor dat wordt opgeknapt.

• De menselijke luisteraar ziet dat er nu weer tien kinderen spelen en lachen. Hij denkt: "Super! Het plein is weer levendig!"
• De slimme computer hoort echter dat er nog geen bomen staan, dat de grond nog niet goed is, en dat er geen groepjes zijn die samenwerken. Hij denkt: "Het is nog niet klaar. Het voelt nog steeds als een bouwplaats, niet als een volwaardig schoolplein."

In dit geval zijn de vissen de kinderen die al snel terugkomen. Ze vinden het herbouwde rif al leuk om in te wonen. Maar de andere bewoners (zoals ongewervelde dieren, schelpdieren en de complexe interacties tussen soorten) zijn nog niet teruggekeerd of hebben nog niet de juiste 'muziek' gemaakt. De computer hoort die ontbrekende elementen in het totale geluid.

4. Wat betekent dit voor de toekomst?

De belangrijkste les uit dit onderzoek is dat je niet alleen naar één ding moet kijken als je wilt weten of een natuurgebied gezond is.

• Als je alleen naar de vissen kijkt, denk je misschien dat alles perfect is.
• Als je alleen naar de computer kijkt, denk je misschien dat het nog heel slecht gaat.

De waarheid zit ergens in het midden: Herstel is een proces. Sommige dingen (zoals de vissen) herstellen snel, terwijl andere dingen (de volledige ecosysteem-sfeer) veel langer duren.

Conclusie:
Om te weten of een koraalrif echt geneest, moeten we zowel naar de 'muzikanten' (vissen) luisteren als naar de 'sfeer van de hele zaal' (het totale geluid). Door menselijke kennis te combineren met slimme computers, krijgen we een completer en eerlijker beeld van hoe goed onze inspanningen om de oceanen te redden werken. Het herbouwde rif is op weg, maar het heeft nog tijd nodig om het volledige concert te spelen.

Technische samenvatting

Probleemstelling

Koraalherstelprojecten wereldwijd nemen toe als reactie op de degradatie van rifecosystemen. Echter, de monitoring van deze projecten is vaak beperkt tot traditionele visuele methoden (zoals koraalbedekking en visabundantie), die het volledige functionele ecosysteem niet adequaat vastleggen. Er is een behoefte aan robuuste monitoringtools die de impact van herstel op de ecosysteemfuncties kunnen meten. Passieve akoestische monitoring (PAM) biedt hier een oplossing, maar er is onzekerheid over hoe snel de geluidsscape (soundscape) van een gerestaureerd rif herstelt en of verschillende analysemethoden tot dezelfde conclusies leiden.

Methodologie

De studie werd uitgevoerd in het Cousin Island Special Reserve in de Seychellen, waar een actief koraalherstelproject loopt. Er werden drie locaties geselecteerd:

1. Outplant (Restoratie): Actief herstel met uitgeplante koraalfragmenten (Acropora en Pocillopora).
2. Healthy (Gezond): Referentierif met hoge koraalbedekking (33%).
3. Degraded (Gedegradeerd): Referentierif met lage koraalbedekking (3%).

Datacollectie:

• Periode: November 2023 (een volledige maancyclus).
• Apparatuur: HydroMoth hydrofoons, geplaatst op 8-9 meter diepte.
• Opname: 0-48 kHz bandbreedte, met een "sleep duty cycle" van 1 minuut opnemen per 4 minuten. Opnames werden gedaan bij zonsopgang, middag, zonsondergang en middernacht.
• Data: In totaal 576 opnames (na filtering van antropogene geluiden).

Analysemethoden (Twee benaderingen):
De auteurs pasten twee verschillende methoden toe op het laagfrequente bereik (0-1 kHz, gedomineerd door visgeluiden):

1. Manuele detectie:

   • Een observer luisterde naar een subset van 48 opnames en inspecteerde spectrogrammen.
   • Doel: Kwantificering van de oproepfrequentie (aantal geluiden per opname) en geluidsrijkdom (aantal verschillende geluidstypen).
   • Statistiek: Lineaire Mixed Models (LMM) en Generalised Linear Mixed Effects models (GLMM).

2. Machine Learning (ML) analyse:

   • Gebruik van SurfPerch, een voorgeprogrammeerd Convolutional Neural Network (P-CNN) dat is getraind op koraalrifdata.
   • Doel: Extractie van 1280-dimensionale "feature embeddings" uit de audio.
   • Visualisatie: Toepassing van UMAP (Uniform Manifold Approximation and Projection) voor dimensiereductie om patronen in de geluidsscape te clusteren zonder vooraf gedefinieerde doelen (unsupervised learning).

Belangrijkste Resultaten

De twee analysemethoden leverden tegenstrijdige inzichten op over de staat van het herstelrif:

1. Manuele analyse (Visgeluiden):

   • De oproepfrequentie en geluidsrijkdom op het herstelrif (Outplant) waren statistisch vergelijkbaar met het gezonde rif.
   • Beide waren significant hoger dan op het gedegradeerde rif.
   • Conclusie: Op basis van visgeluiden lijkt het herstelrif al sterk te herstellen.

2. Machine Learning analyse (Brede geluidsscape):

   • De UMAP-clustering toonde twee duidelijke groepen:
     • Groep 1: Exclusief het gezonde rif (behalve tijdens de volle maan).
     • Groep 2: Een mengeling van het herstelrif en het gedegradeerde rif.
   • Conclusie: De ML-analyse classificeerde het herstelrif als meer vergelijkbaar met het gedegradeerde rif dan met het gezonde rif. De bredere geluidsscape (waarschijnlijk beïnvloed door ongewervelden of andere factoren) heeft nog niet hersteld.

Kernbijdragen

1. Methodologische Validatie: De studie demonstreert dat verschillende analysemethoden (manueel vs. ML) verschillende aspecten van de ecosysteemfunctie blootleggen. Manuele analyse is specifiek voor bepaalde taxa (vissen), terwijl ML brede patronen in de gehele geluidsscape detecteert.
2. Nuance in Herstel: Het onderzoek toont aan dat herstel niet lineair is voor alle componenten van het ecosysteem. De visgemeenschap (en hun geluiden) kan zich sneller herstellen dan de bredere geluidsscape (die ongewervelden en andere processen omvat).
3. Rol van ML: Het succes van P-CNN's (zoals SurfPerch) en UMAP wordt aangetoond voor het detecteren van subtiele, brede verschillen die menselijke waarnemers mogelijk missen, hoewel de "black-box" aard van ML de ecologische interpretatie uitdagend maakt.

Betekenis en Conclusie

De studie concludeert dat koraalherstel de geluidsscape van riffen verandert, maar dat de herstelsnelheid taxon-specifiek is.

• Het gebruik van slechts één metriek (bijv. alleen visgeluiden) kan leiden tot een overschatting van het herstel, terwijl alleen ML-analyse mogelijk een onderschatting geeft van de terugkeer van specifieke functionele groepen.
• De auteurs bepleiten een hybride aanpak: het combineren van traditionele monitoring, manuele akoestische detectie en machine learning is essentieel voor een volledig beeld van de herstelstatus.
• Dit biedt een waardevol kader voor beheerders en restauratiepraktijk om de voortgang van projecten beter te monitoren en te begrijpen dat verschillende ecosystemfuncties op verschillende tijdschalen herstellen.