Computer zegt ‘heggenmus’: detectie-apps presteren wonderbaarlijk goed én verrassend slecht

Dit artikel verscheen eerder in de Eos special Onze Wildernis.

‘Kijk, daar staat een lepelaar.’ In de verte ontwaart Geert Spanoghe een wit vlekje, amper zichtbaar zonder verrekijker. De vogelexpert bij het Instituut voor Natuuren Bosonderzoek (INBO) en voorzitter van de Gentse Vogelwerkgroep van Natuurpunt neemt mij mee op een wandeling door de Gentse BourgoyenOssemeersen. Spanoghe kent dit natuurreservaat als zijn broekzak en komt er geregeld vogels tellen en ringen.

Hij hoeft maar een halve vleugel te zien om de soort te kunnen noemen, en gooit er telkens een hoop wetenswaardigheden achteraan. ‘Wist je dat de Cetti’s zanger slechts tien staartpennen heeft, en geen twaalf, zoals de meeste zangvogels?’ Zien we niets, dan ontleedt hij het vogelconcert om ons heen moeiteloos in de afzonderlijke zangers.

Zelf herken ik niet veel meer dan de courantste tuinvogels, maar ik heb de technologie aan mijn zijde. Althans, dat zal moeten blijken. Op enkele meters van het pad geeft een grijsbruin vogeltje van jetje. Op mijn smartphone verschijnt in de Birdnet-app een spectrogram, dat de frequentie van de zang doorheen de tijd weergeeft. Een druk op de knop en een neuraal netwerk vergelijkt het patroon met bijna duizend soorten uit Europa en Noord-Amerika. Op basis van je locatie selecteert de app van het New Yorkse Cornell Lab of Ornithology en de Technische Universität in het Duitse Chemnitz de waarschijnlijkste soort. Heggenmus, is de conclusie. We kijken naar de jury: Spanoghe knikt.

Voor de gelegenheid ben ik op stap met de nieuwe Digital Guide van de Oostenrijkse optiekfabrikant Swarovski. Met die verrekijker kan je ook foto’s nemen, die de kijker automatisch doorstuurt naar je smartphone. De eveneens aan Cornell University ontwikkelde Merlin-app identificeert vervolgens de soort. De nieuwe Obsidentify-app van Natuurpunt kan hetzelfde.

In beide gevallen vergelijkt een algoritme de foto met beelden in een databank. Voor Merlin zijn dat de meldingen van het burgerwetenschapsproject eBird. Obsidentify maakt dan weer gebruik van ruim 20 miljoen foto’s die zijn doorgegeven door de gebruikers van de waarnemingensites waarnemingen.be en waarneming.nl. Niet alleen voor vogels, ook voor andere soorten. Hoewel ik in mijn haast een wat wazige foto heb genomen, hebben beide apps het juist: heggenmus.

Tijdens de wandeling zal blijken dat de technologie het soms wonderbaarlijk goed doet, en soms verrassend slecht. De Birdnet-app herkent onderweg onder meer het roodborstje, het melodieuze deuntje van de zwartkop, en het krassende riedeltje van de grasmus. ‘We noemen die ook wel de krasmus’, zegt Spanoghe. ‘Het vogeltje komt hier rond 10 april terug uit zijn overwinteringsgebied, dat zich uitstrekt van de Sahel tot het tropisch regenwoud.’

Wat verderop weet de app ook de alarmkreet van de zwartkop en – knap – de bedelroep van jonge aalscholvers te identificeren. Bij veel gezang tegelijk krijgt de app het moeilijk. Zelfs de zanglijster, met de typische herhalingen in zijn lied, blijkt dan een onhaalbare kaart. Spanoghe houdt halt bij een rietkraag. Verscholen in het riet haalt een vogeltje met gevarieerde zang vol tempowisselingen en versnellingen alles uit de kast. ‘Onmiskenbaar de bosrietzanger’, oordeelt Spanoghe. ‘Zwartkop of grasmus’, denkt de computer. ‘Oei. Dat is toch terugkomen in september.’ Ook met het gekwetter van de kleine karekiet weet de app zich geen raad, terwijl hij die soort eerder wel herkende.

‘We hebben te maken een enorme variatie aan complexe geluiden én aan opnamekwaliteit’, verklaart app-ontwikkelaar Stefan Kahl (TU Chemnitz) de missers. ‘Dat sommige soorten, zoals de spreeuw, andere soorten imiteren, maakt het nog complexer. Ook de locatiefilter kan een probleem vormen, wanneer er voor de soort in kwestie nog geen waarnemingen zijn doorgegeven in jouw gebied. De prestaties van de app zijn afhankelijk van de trainingsdata.’

Obsidentify weet een wazige foto van een kievit tijdens de vlucht en een van ver gefotografeerde boomkruiper toch correct te identificeren. Op een overbelichte foto van een krakeend bijten zowel Merlin als Obsidentify de tanden stuk. Moeilijk, maar zelfs een blinde ziet dat het geen meerkoet of meeuw is, zou je denken.

Beide apps houden een tjiftjaf aanvankelijk voor een fitis, met de tjiftjaf weliswaar als tweede grootste kanshebber. Bij een tweede foto hebben ze het wel juist. De verwarring is in dit geval wel begrijpelijk, want beide soorten lijken erg op elkaar. ‘De snavel en poten zijn bij de fitis bleker’, zegt Spanoghe. ‘En tijdens het voedsel zoeken wipt de tjiftjaf met zijn staart. Dat doet de fitis niet.’ Dat ziet zo’n app natuurlijk niet.

Hoe de apps tot hun oordeel komen, blijft in mysterieuze nevelen gehuld. De algoritmes zijn ‘getraind’ met eerder gedetermineerde foto’s en hebben zichzelf geleerd hoe soorten te herkennen. Ze letten niet op dezelfde kenmerken als een vogelaar. Waarop ze dan wel letten, weten we niet. ‘Het algoritme baseert zijn oordeel op een general impression of size and shape’, zegt Hannes Ledegen (Natuurpunt), die de Obsidentify-app mee ontwikkelde. ‘De app zet een foto om in een soort negatiefbeeld. Dat bestandje van een paar kilobyte gaat naar een centrale server, waar een algoritme het vergelijkt met minimaal tien tot wel vijfduizend beelden per soort. De eerste tien foto’s zijn telkens door specialisten geselecteerd. Ze bevatten alle typische kenmerken. De overige beelden zijn opgeladen door de gebruikers van waarnemingen.be en waarneming.nl.’

Als de computer twijfelt, geeft hij dat eerlijk toe. Je krijgt zowel bij de geluid- als bij de beeldherkenningsapps telkens mee hoe zeker hij van zijn stuk is. Hoe meer beelden er worden opgeladen – ook wazig, of van veraf gefotografeerd – hoe beter het algoritme wordt. Ledegen: ‘Als er ergens een specialist is die de soort kan herkennen, dan kan het algoritme het ook.’

‘Ja maar, met zo’n app leer je zelf toch niets?’, horen we de oudmodische natuurliefhebber al mopperen. Dat hangt er vanaf hoeveel moeite je doet om meer te weten te komen over de voorgeschotelde soort. Door verder te klikken op de uitkomst, leiden de apps je naar extra info. De apps zijn bovendien erg laagdrempelig. Voor een vogelcursus heb ik geen tijd, en ik zou bij de aanblik van een mooie kever in de tuin niet meteen in een veldgids beginnen te bladeren. Maar even de smartphone bovenhalen is een kleine moeite, ook al moet je het verdict soms met een korrel zout nemen.

De ontwikkelaars zullen de Obsidentify-app de komende vijf jaar uitbreiden. ‘Zodat hij alle planten en dieren in België en Nederland herkent’, zegt Ledegen. ‘De software zal ook de belangrijkste kenmerken van de soort herkennen én weergeven. De app zal interactief worden en feedback vragen aan de gebruiker – ‘wipt de vogel met zijn staart?’ – en daar zijn determinatie op afstemmen. Dat zal de educatieve waarde enorm verhogen.’

Bij Natuurpunt stellen ze vast dat de app een ander publiek aanboort. ‘De best vertegenwoordigde gebruikers van de waarnemingensite zijn mannelijke vijftigplussers’, zegt Ledegen. ‘De app werd inmiddels al meer dan honderdduizend keer gedownload, en vrouwen van 35 tot 45 blijken daar de grootste groep. Daarnaast zien we dat mensen die eerder al soorten meldden, dat sinds ze de app gebruiken voor meer soortengroepen doen. Vogels staan nog steeds op één, maar de meldingen van planten en vrijwel alle ‘kriebeldiertjes’, zoals wantsen en lieveheersbeestjes, nemen toe. Dat is dubbele winst. De gebruikers leren bij, en wij leren meer over de verspreiding van soorten.’