Ultime notizie

11 semi e i loro benefici per la salute che dovresti conoscere

May 24, 2023

12 trucchi che cambieranno il modo in cui mangi l'anguria

Sep 15, 2023

14 migliori condimenti per rendere i cereali per la colazione più entusiasmanti

Aug 20, 2023

17 ingredienti aggiunti per portare i tuoi muffin al livello successivo

Jul 15, 2023

L’apprendimento automatico e la classificazione statistica del canto degli uccelli collegano le caratteristiche acustiche vocali alla filogenesi

May 30, 2023

Rapporti scientifici volume 13, numero articolo: 7076 (2023) Citare questo articolo

3426 accessi

1 Citazioni

18 Altmetrico

Dettagli sulle metriche

Una correzione dell'editore a questo articolo è stata pubblicata il 31 maggio 2023

Questo articolo è stato aggiornato

Il canto degli uccelli è un sistema modello di lunga data per lo studio dell’evoluzione e della biodiversità. Qui abbiamo raccolto e analizzato registrazioni di canzoni di alta qualità di sette specie della famiglia Estrildidae. Abbiamo misurato le caratteristiche acustiche delle sillabe e poi abbiamo utilizzato la riduzione della dimensionalità e i classificatori di apprendimento automatico per identificare le caratteristiche che assegnavano accuratamente le sillabe alle specie. Le differenze tra le specie sono state catturate dai primi 3 componenti principali, corrispondenti alla frequenza di base, alla distribuzione della potenza e alle caratteristiche spettrotemporali. Abbiamo quindi identificato le caratteristiche misurate alla base dell'accuratezza della classificazione. Abbiamo scoperto che la frequenza fondamentale, la frequenza media, la planarità spettrale e la durata della sillaba erano le caratteristiche più informative per l'identificazione delle specie. Successivamente, abbiamo testato se le caratteristiche acustiche specifiche dei canti delle specie prevedevano la distanza filogenetica. Abbiamo trovato un segnale filogenetico significativo nelle caratteristiche della frequenza delle sillabe, ma non nella distribuzione della potenza o nelle caratteristiche spettrotemporali. I risultati suggeriscono che le caratteristiche di frequenza sono più vincolate dalla genetica delle specie rispetto ad altre caratteristiche e sono le migliori caratteristiche di segnale per identificare le specie dalle registrazioni di canzoni. L'assenza di segnali filogenetici nella distribuzione della potenza e nelle caratteristiche spettrotemporali suggerisce che queste caratteristiche del canto sono labili, riflettendo processi di apprendimento e riconoscimento individuale.

I segnali di comunicazione acustica sono un punto focale per comprendere l'evoluzione delle specie1,2,3,4,5,6,7, le strategie di accoppiamento8,9,10,11,12 e i meccanismi fisiologici del comportamento13,14,15,16. Molte specie di vertebrati utilizzano vocalizzazioni per trasmettere specie, sesso, posizione e stato comportamentale a destinatari come potenziali compagni, concorrenti e membri della famiglia3,8,9,13,17,18,19,20. Comprendere le caratteristiche dei segnali vocali che comunicano informazioni sociali specifiche richiede un'analisi comparativa delle specie con diversità spettrotemporale e parentela nota al fine di quantificare come le differenze nei primi possono cambiare tra le specie in base ai secondi. Negli studenti imitativi della voce, come gli uccelli canori, l'acustica del segnale deriva da fattori sia genetici che esperienziali. Il canto degli uccelli è un modello di comportamento robusto per lo studio dei meccanismi della comunicazione sociale plastica; a sua volta, l'evoluzione delle caratteristiche del canto è modellata da processi di selezione culturale8,21, sessuale22 e naturale9,23.

I ricercatori hanno precedentemente rilevato segnali filogenetici nelle caratteristiche di frequenza di base dei canti degli uccelli Regulus, suggerendo che le differenze in queste caratteristiche sono strettamente correlate alle differenze nelle relazioni filogenetiche in questi uccelli canori24. La larghezza di banda della frequenza e la modulazione delle sillabe del canto, tuttavia, non trasportavano un segnale filogenetico, suggerendo che queste caratteristiche sono modellate dai processi di apprendimento24. I cambiamenti nelle caratteristiche della frequenza del canto, d'altra parte, possono essere limitati da tratti pleiotropici o poligenici che influenzano gli organi di produzione vocale (ad esempio, la dimensione del corpo che influenza le frequenze fondamentali e dominanti attraverso la dimensione della siringe)25 e altre caratteristiche morfologiche implicate nella modifica del suono (ad esempio, il becco)26. Questi vincoli impartirebbero tassi evolutivi sui cambiamenti di frequenza del canto che sono correlati al tempo e riflettono le relazioni filogenetiche, in contrapposizione ai tassi di cambiamento più rapidi tipicamente riscontrati nelle caratteristiche del canto che cambiano durante i processi di trasmissione culturale, compreso l’apprendimento27.

Le vocalizzazioni di accoppiamento (canti) delle specie di uccelli canori della famiglia Estrildidae (fringuelli estrildidi o becchi di cera/grassfinches) differiscono ampiamente nelle caratteristiche spettrali e temporali, nonostante le somiglianze nell'origine evolutiva, nelle dimensioni, nell'habitat e nella dieta9,13,28,29,30, 31,32,33 (figg. 1 e 2). In ciascuna specie, le sillabe del canto sono acusticamente complesse, specie-specifiche e apprese, fornendo una ricca diversità di caratteristiche del segnale per il riconoscimento delle specie e degli individui. In tutte le specie, i canti sono composti da unità acustiche organizzate gerarchicamente; le note sono raggruppate per formare “sillabe” e sequenze di sillabe formano il canto32,33,34,35,36,37,38,39. Gli studi quantitativi sul canto degli estrildidi si sono concentrati in gran parte su una o due specie13,30,31,32,33,36,37,38,40 e su misure composite41,42,43,44 o caratteristiche individuali, come la frequenza fondamentale45,46 .

2.5; Fig. 3a) or mixed species (i.e., multiple colors present; e.g., BF, DF, LF, ZF cluster around PC1 = − 2.5, PC2 = 0; Fig. 3a) syllables. Species differed in volume spread (e.g., GW syllables clustered in a small space and BF syllables were more variable as a species; Fig. 3b)./p> 30%) occurred between CB and BF (37.02%) and between CB and RF (31.14%), while the smallest amount of overlap (< 5%) occurred between GW and DF (0.13%), GW and LF (4.13%), and GW and ZF (4.66%)./p> a the syllable is labelled as belonging to species “pink”, otherwise the syllable advances to the next test, where if x2 > b the syllable is labeled as belonging to species ”yellow”, otherwise the syllable continues advancing through the tests until it meets a criterion for receiving a species label assignment. (b) Boxplots of delta error scores for each of the 21 features across 100 iterations of feature selection. Higher delta error scores correspond to higher feature importance in classification. We used the inflection point in delta error scores to identify the most informative features (those to the left of the red line at the inflection point) and used these in the random forest classification model. (c) Confusion matrix showing the percent of Species X syllables classified as Species Y by the 6-feature random forest model. Classification accuracy was > 90% for most species pairs. (d) Scatter plot showing that PC volume overlap between two species positively correlated with misclassification./p> 0.05; see Supplementary Table S1)./p> 0.05) nor express phylogenetic signal (r = − 0.12, P > 0.05). (d) Spectrotemporal features (PC3) did not cluster species according to their biogeographical clades (FMI = 0.52, P > 0.05) nor express phylogenetic signal (r = 0.23, P > 0.05). Significant results denoted by asterisks at their corresponding alpha levels (* < 0.05, ** < 0.01, *** < 0.001)./p> 120 days post-hatch) male finches were individually placed in sound-attenuating chambers (MAC-1, Industrial Acoustics Company) equipped with microphones (MKE 2-60, Sennheiser) for song recording using Sound Analysis Pro Recorder (v2011; 44,100 Hz sampling rate)41. Individuals were continuously recorded for 1–3 days. All files were filtered for instances of singing and verified song files were stored for analysis. Files were pseudo-randomly selected in order to ensure proportionally equivalent sampling between and within recording days, and the representation of the repertoire diversity within individuals. For each species, 20 song motifs recorded from each of 10 birds were analyzed (i.e., 200 motifs per species), except when limited by availability. Songs of 4 CBs (80 total motifs for CB) and 3 RFs (for which one male only produced 8 motifs; 48 total motifs for RF) were analyzed. For GWs, in which motif structure is not clearly defined, we used uninterrupted bouts of song syllables (as described in33) with inter-syllable intervals (ISI) < 2500 ms (ISI, Median ± IQR = 842.38 ± 579.37 ms; Number of syllables per bout, Median ± IQR = 8 ± 5 syllables). Hereafter, procedures described for “motifs” apply to these bouts./p> 1), included significant loadings by all 21 of the raw features, and explained 72.28% of the variance in the data. We used these first 3 PCs in subsequent analyses. Using LCrit, we explored the qualitative relationship between acoustic features that significantly loaded to each PC./p>

3.0.CO;2-7" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-4687%28199909%29241%3A3%3C251%3A%3AAID-JMOR7%3E3.0.CO%3B2-7" aria-label="Article reference 130" data-doi="10.1002/(SICI)1097-4687(199909)241:33.0.CO;2-7"Article CAS PubMed Google Scholar /p>

Precedente: Festeggiamo in ritardo Prossimo: I satelliti GRACE hanno sovrastimato l’esaurimento delle acque sotterranee nella falda acquifera dell’India nordoccidentale?

Invia richiesta

Inviare