One in every four mammals is a bat. These remarkable animals are an essential part of the habitats in which they live. Without them we wouldn’t have many important crops, such as durian, tequila, and bananas, and they help protect our rice crops and chocolate from insects. One way in which we monitor bat populations is by listening to their calls. Most bat species produce ultrasonic, echolocation calls to help them navigate their environments and find food at night. This type of acoustic monitoring is relatively simple to do in places like Europe and North America where there are a limited number of species, and where we know quite a lot about these nocturnal animals. However, this is much more difficult in Southeast Asia which is home to more than 388 different bat species. Here, many species have very similar calls as they navigate their environments in similar ways. Nevertheless, it is essential we can monitor how their populations are changing as over 50% of bat species in Southeast Asia are currently at risk of extinction because of changes to their habitats.
In our recent paper A machine learning framework to classify Southeast Asian echolocating bats, we developed a framework to be better able to monitor bats in Southeast Asia using acoustics. Instead of trying to identify every species individually, we grouped calls that were very similar into representative groups (e.g., bats which are very specialised to living in the rainforest understorey produce very similar calls). This meant that even though we only had access to calls for around half of bats on Borneo, we could create an AI tool that could identify if it was likely to be a bat that was sensitive to rainforest disturbance or not. This provides us with a tool to monitor how bat communities are changing until such a time where we know more about each species. This can therefore help us design better conservation strategies to help protect them in the meantime.
The original article is available here
Infographic demonstrating the four call types used in the Borneo bat classifier, including: an example of their calls, the taxa these include, their habitat association, and how best to monitor them.
Translation by Faisal Ali Bin Anwarali Khan and Emy Ritta Jinggong:
Mengecam spesis kelawar di Asia Tenggara melalui bunyi ekolokasi yang dihasilkan
Dianggarkan nisbah spesis kelawar ialah sebanyak 1 spesis bagi setiap 4 spesis mamalia. Spesis haiwan yang menakjubkan ini memainkan peranan yang penting di dalam habitat yang didiami oleh mereka. Tanaman seperti pokok durian, pokok pisang serta pokok agave yang digunakan dalam penghasilan minuman alkohol di benua Amerika, saling bergantung dengan kelawar sebagai agen pendebungaan pokok-pokok tersebut. Kelawar juga telah dikenalpasti sebagai agen semulajadi yang mampu mengawal populasi serangga perosak di tanaman padi dan pokok koko. Bunyi gema atau ekolokasi yang dihasilkan oleh kelawar merupakan salah satu kaedah yang boleh digunakan bagi tujuan memantau taburan populasi serta pengecaman spesis kelawar. Hal ini demikian kerana, kebanyakan spesis kelawar menggunakan ekolokasi untuk membantu mereka bergerak serta mencari makanan di waktu malam. Pemantauan diversiti kelawar melalui frekuensi ekolokasi yang dihasilkan merupakan salah satu kaedah yang telah digunakan dengan jayanya di Eropah dan Amerika Utara. Proses pemantauan ini lebih efisien di Eropah dan Amerika Utara kerana mempunyai jumlah spesis yang lebih rendah berbanding di Asia Tenggara. Ini membolehkan aspek ekologi terutamanya aspek ekolokasi spesis di negara-negara tersebut dikaji dengan lebih terperinci berbanding di Asia Tenggara. Asia Tenggara mempunyai lebih kurang 388 spesis yang berbeza, dimana kebanyakkan spesis memgeluarkan bunyi ekolokasi yang hampir sama antara satu sama lain semasa mereka bergerak. Lebih 50% daripada jumlah spesis kelawar di Asia Tenggara telah pun dikenalpasti berada dalam risiko kepupusan disebabkan perubahan pada habitat semulajadi mereka. Oleh hal yang demikian, adalah penting agar satu kaedah yang bersesuaian dikenalpasti bagi tujuan pemantauan berkala spesis kelawar ini tanpa menganggu perilaku semulajadi kelawar. Dalam artikel terbaru kami yang bertajuk “A machine learning framework to classify Southeast Asian echolocating bats”, kami telah mensyorkan satu proses kerja yang lebih sistematik dalam memantau taburan kelawar di Asia Tenggara menggunakan kaedah akustik iaitu bunyi ekolokasi. Dalam artikel ini, kami telah mengumpul dan menyusunaturkan bunyian ekolokasi kelawar yang mempunyai ciri yang sama, ke dalam kumpulan mereka yang tersendiri (contoh: kelawar yang tinggal dan bergerak khusus di hutan hujan bawah kanopi menghasilkan panggilan yang sama). Walaupun kami hanya berjaya mendapatkan bunyian ekolokasi daripada sebahagian sahaja spesis kelawar di Borneo, namun hasil kajian kami telah menghasilkan satu bahan AI yang boleh mengenalpasti sama ada kelawar tersebut adalah sensitif terhadap gangguan hutan hujan atau tidak. Dengan kaedah ini, kami jangka dapat memantau taburan spesis kelawar yang berubah dari masa ke semasa dan mengesyorkan strategi konservasi yang bersesuaian bagi melindungi populasi kelawar ini.
Artikel asal boleh didapati di sini.
Photographs of the forest understory in Sabah, Borneo, and a horseshoe bat (Rhinolophidae) captured at the site.
Comments