A global assessment of BirdNET performance: Differences among continents, biomes, and species

David Funosas, doctorant co-encadré par Luc Barbaro a publié, un article dans la revue Ecological Indicators, et le datapaper correspondant, sur la première évaluation mondiale de BirdNET à partir de 4 224 enregistrements d'une minute provenant de 67 sites répartis sur tous les continents et annotés par des experts locaux.

Funosas, D.; (...) Barbaro, L; (...) Pérez-Granados, C. (2026) A global assessment of BirdNET performance: Differences among continents, biomes, and species, Ecological Indicators, Vol 182, 114550, ISSN 1470-160X,

https://doi.org/10.1016/j.ecolind.2025.114550.

Associé à cet article vient de paraitre aussi le datapaper :

Pérez-Granados, C.; Morant, J.; (...) Barbaro, L. et al. (2026). “ WABAD: A World Annotated Bird Acoustic Dataset for Passive Acoustic Monitoring.” Ecology  107(2): e70317. https://doi.org/10.1002/ecy.70317

Abstract:

Recent advances in machine learning have accelerated automated species detection across diverse ecological domains, enabling large-scale, non-invasive monitoring of biodiversity. In ornithological research, the combination of passive acoustic monitoring (PAM) and rapidly-developing novel identification tools such as BirdNET—a deep learning–based sound recognition algorithm—offers new opportunities for surveying vocally active bird communities. Here, we present the first worldwide evaluation of BirdNET using 4224 one-minute recordings from 67 sites across all continents annotated by local experts. More specifically, we assessed the capacity of BirdNET to accurately identify individual vocalizations and characterize bird communities based on the automated analysis of passively collected soundscapes. We further analyzed how its performance varies across continents, biomes, species, and minimum confidence thresholds. The proportion of correct BirdNET predictions (precision) was generally high and consistent across continents (range: 0.57–0.71) and biomes (range: 0.55–0.76). In contrast, the proportion of vocalizations successfully detected (recall) was generally lower and more heterogeneous across continents (range: 0.24–0.52) and biomes (range: 0.34–0.72), reflecting differences in species coverage and local ecological context. BirdNET predictive power, as measured by the Precision-Recall Area Under the Curve (PR AUC; higher values indicating better performance), was highest in North America, Oceania, and Europe (range: 0.16–0.23), moderate in Central/South America (0.13), and lowest in Africa and Asia (range: 0.03–0.04). Species-specific analyses revealed substantial heterogeneity in detection accuracy, with optimal confidence thresholds varying widely by species and analytical goal. Our results establish a global reference point for BirdNET reliability and highlight where algorithmic refinement and expanded acoustic sampling are most needed.

Résumé:

Les progrès récents en matière d'apprentissage automatique ont accéléré la détection automatisée des espèces dans divers domaines écologiques, permettant ainsi une surveillance à grande échelle et non invasive de la biodiversité. Dans le domaine de la recherche ornithologique, la combinaison de la surveillance acoustique passive (PAM) et de nouveaux outils d'identification en plein essor, tels que BirdNET (un algorithme de reconnaissance sonore basé sur l'apprentissage profond), offre de nouvelles possibilités pour étudier les communautés d'oiseaux vocalement actifs. Nous présentons ici la première évaluation mondiale de BirdNET à partir de 4 224 enregistrements d'une minute provenant de 67 sites répartis sur tous les continents et annotés par des experts locaux. Plus précisément, nous avons évalué la capacité de BirdNET à identifier avec précision les vocalisations individuelles et à caractériser les communautés d'oiseaux sur la base de l'analyse automatisée de paysages sonores collectés de manière passive. Nous avons également analysé comment ses performances varient selon les continents, les biomes, les espèces et les seuils de confiance minimaux. La proportion de prédictions correctes de BirdNET (précision) était généralement élevée et constante sur tous les continents (fourchette : 0,57-0,71) et tous les biomes (fourchette : 0,55-0,76). En revanche, la proportion de vocalisations détectées avec succès (rappel) était généralement plus faible et plus hétérogène entre les continents (fourchette : 0,24-0,52) et les biomes (fourchette : 0,34-0,72), reflétant les différences dans la couverture des espèces et le contexte écologique local. La puissance prédictive de BirdNET, mesurée par l'aire sous la courbe de précision-rappel (PR AUC ; les valeurs élevées indiquant de meilleures performances), était la plus élevée en Amérique du Nord, en Océanie et en Europe (fourchette : 0,16-0,23), modérée en Amérique centrale et en Amérique du Sud (0,13) et la plus faible en Afrique et en Asie (fourchette : 0,03-0,04). Les analyses spécifiques à chaque espèce ont révélé une hétérogénéité importante dans la précision de la détection, les seuils de confiance optimaux variant considérablement selon les espèces et les objectifs analytiques. Nos résultats établissent un point de référence mondial pour la fiabilité de BirdNET et mettent en évidence les domaines dans lesquels l'amélioration des algorithmes et l'élargissement de l'échantillonnage acoustique sont les plus nécessaires.