Acoustic Individual Identification of the Common Guillemot (Uria aalge)

Abstract

Monitoring animal populations has several purposes in ecological sciences, including the study of animal behaviour, population dynamics and biodiversity. The common guillemot, known in North America as the common (or thin-billed) murre (Uria aalge), is an important indicator species for the Baltic Sea ecosystem.

Stora Karlsö, Sweden, is the most prominent breeding location for guillemots in the Baltic Sea. Studies on the species have been conducted on this island for several decades. Current methods for individual identification rely on capturing and ringing the birds and recognition is performed by human observation of ringed birds.

The aim of this thesis is to explore a methodology for acoustic individual identification, leveraging a unique audio dataset of continuous recordings of the colony during the 2025 breeding season. The analysis is focused on the parent-chick interaction taking place right before fledging, when the chick leaves the colony together with its male parent. We develop a semi-automatic approach to extract a labelled dataset from raw data and propose a feature extraction method based on cepstral analysis, inspired by concepts used in speaker recognition. The extracted features are used in a machine learning pipeline to classify individuals.

Results show that there are individual differences in the studied calls of both chicks and adults. According to our experiments, the spectral envelope is a useful feature in acoustic individual identification, yielding high classification accuracy across the three investigated call types. In a classification task including five chicks, we obtained 81% accuracy on a test dataset and for the adults (three individuals) we obtained above 90% accuracy on test data. Moreover, our experiments indicate that the proposed feature extraction method is robust to different acoustical ambient conditions and can classify individuals independently of the call type.

Popular Abstract (Swedish)

På Stora Karlsö har forskning på sillgrisslor bedrivits i flera årtionden. År 2008 byggdes en unik forskningsanläggning, Auklab, i form av en artificiell häckningskonstruktion på klippväggen. Med hjälp av installation av kameror och sensorer möjliggörs ett helt nytt sätt att studera och komma nära fåglarna med minimal inkräktning på deras naturliga miljö. Inför säsongen 2025 installerades även åtta högkvalitativa mikrofoner för insamling av akustisk data. Utveckling av automatiska datorbaserade metoder för att analysera de stora mängder data som samlas in är mycket viktigt för att minska tiden som behöver läggas på mänsklig annotering av data och därmed minska ledtiden från datainsamling till resultat.

Akustisk individuell identifiering är en viktig pusselbit i arbetet att nyttja datadrivna metoder för att studera ekologiska fenomen som tidigare inte varit möjliga att observera i det vilda. Icke-invasiv identifiering av individer utifrån deras vokalisering kan användas för att studera sillgrisslornas sociala samspel utan att störa deras miljö. Den tretåiga sillgrisslan (Uria aalge) är en viktig indikatorart för att förstå hur Östersjön mår. Att följa många individer över längre tid är viktigt för miljöövervakning och naturvård, exempelvis för att förstå och prediktera effekten av antropogena aktiviteter (såsom oljeläckor, bifångst, överfiske och klimatförändringar) på arten och ekosystemet.

För människan är sillgrisslor i stort sett identiska både till utseende och läte, och med de metoder som används idag kan vi endast skilja dem åt genom ringmärkning, fjäderprov eller andra invasiva metoder. Fåglarna själva har däremot förmåga att känna igen varandra, bland annat genom sina läten.

I det här projektet har vi undersökt hur akustisk signalbehandling och maskininlärning kan användas för att identifiera enskilda sillgrisslor baserat på deras vokalisering, ungefär som röstbiometri används för att känna igen människor från deras röst. Vi har undersökt hur en representation av ljud som används inom automatisk röstigenkänning kan användas för att urskilja information som hör till individens unika röstorgan. Metoden tillämpas och utvärderas på läten från vuxna sillgrisslor och deras ungar. Därutöver har en teknik för att automatiskt extrahera läten från rå ljuddata utvecklats för att skapa ett dataset av läten från kända individer.

Resultaten visar att sillgrisslorna har en säregen individuell "röst" och att en modell kan tränas för att särskilja individer med hög träffsäkerhet. Preliminära experiment antyder dessutom att metoden kan användas för att särskilja vuxna individer oberoende av vilken typ av läte som undersöks.

• author: Heijmink, Ida
• supervisor: Delia Fano Yela; Maria Sandsten; Jonas Hentati Sundberg; Sepideh Pashami
• organization: Mathematical Statistics
• course: FMSM01 20261
• year: 2026
• type: H2 - Master's Degree (Two Years)
• subject: Mathematics and Statistics
• publication/series: Master's Theses in Mathematical Sciences
• report number: LUTFMS-3562-2026
• other publication id: 2026:E73
• language: English
• id: 9240260
• date added to LUP: 2026-06-18 14:07:49
• date last changed: 2026-06-22 10:59:45