Artificiell intelligens kan identifiera enskilda fåglar genom deras sång, utan att de först behöver fångas och ringmärkas. Amerikanska forskare har använt tekniken för att följa hundratals skogssångare under flera år. Metoden kan ge nya möjligheter att övervaka fågelbestånd, men det återstår flera hinder innan AI kan användas för att följa flyttfåglar över stora avstånd.

Forskare vid bland annat University of Pittsburgh har utvecklat en AI-metod som kan skilja mellan olika individer av brandkronad skogssångare (Seiurus aurocapilla), en nordamerikansk flyttfågel.

I studien, som publicerades i den vetenskapliga tidskriften Nature Methods den 5 november 2026, användes ljudinspelningar från 126 platser i Pennsylvania. Materialet omfattade fyra år och forskarna kunde identifiera 405 olika hanar.

I ett separat test nådde AI-modellen 96 procents träffsäkerhet när den skulle identifiera tidigare okända individer.

Så lär sig AI att skilja fåglarna åt

Fågelsång har länge använts för att identifiera olika arter. Den nya metoden går längre genom att analysera små variationer i sången som kan avslöja vilken individ som sjunger.

Det fungerar ungefär som när människor känner igen en bekant röst. Två personer kan säga samma ord, men skillnader i tonfall, rytm och andra röstdetaljer gör att vi kan skilja dem åt.

Även fåglar har individuella variationer i sina läten. Skillnaderna kan vara svåra för människor att uppfatta, men AI kan analysera stora mängder ljud och upptäcka återkommande mönster.

Forskarna använder automatiska inspelningsenheter som placeras ut i skogen. Därefter bearbetas materialet i flera steg.

Först sorterar ett AI-system fram inspelningar av rätt fågelart. Ett neuralt nätverk analyserar sedan sångens karakteristiska drag och skapar en numerisk representation av ljudet.

Inspelningar med liknande egenskaper kan därefter grupperas och kopplas till samma individ.

En viktig del av metoden är att forskarna inte behöver veta exakt vilken fågel som sjunger i varje inspelning när modellen tränas. I stället kan information om inspelningsplatserna användas för att hjälpa AI-systemet att lära sig skillnader mellan fåglar.

Det gör metoden intressant för omfattande övervakning, där det skulle vara mycket tidskrävande att först identifiera och märka varje fågel manuellt.

Forskarna identifierade 405 fåglar under fyra år

Den amerikanska undersökningen omfattade inspelningar från 126 platser i Pennsylvania. Genom att jämföra sångprofiler mellan inspelningarna kunde forskarna identifiera 405 hanar och undersöka vilka som återkom under olika år.

Det öppnar för en form av återfångst som inte kräver fysisk infångning. I stället för att läsa av en ring på fågelns ben kan forskarna känna igen individens sång.

De viktigaste resultaten är:

Undersökningen	Resultat
Fågelart	Brandkronad skogssångare
Identifierade hanar	405
Inspelningsplatser	126
Undersökningsperiod	Fyra år
Träffsäkerhet	96 procent i ett separat identifieringstest

Träffsäkerheten på 96 procent kommer från ett test med inspelningar från Alberta i Kanada. Den siffran ska därför inte tolkas som att 96 procent av alla fåglar i Pennsylvania identifierades korrekt under hela undersökningen.

I studien i Nature Methods beskriver forskarna både identifieringsmetoden och hur den kan användas för att uppskatta bestånd och överlevnad.

Det handlar bland annat om att undersöka hur många individer som återkommer till ett område från ett år till nästa.

En fågel som inte hörs behöver inte vara död

Här finns en viktig begränsning.

När forskare undersöker hur många fåglar som återkommer till samma område kan de beräkna så kallad skenbar överlevnad. Måttet beskriver sannolikheten att en individ överlever och fortfarande finns inom det undersökta området.

Om en fågel inte längre hörs i inspelningarna kan det bero på flera saker. Den kan ha dött, flyttat till ett annat område eller helt enkelt inte sjungit när mikrofonerna spelade in.

Därför går det inte att automatiskt översätta antalet återkommande sångprofiler till fåglarnas faktiska överlevnad.

Statistiska modeller måste också ta hänsyn till sannolikheten att en fågel upptäcks.

Kan AI användas för att följa flyttfåglar?

En av de mest intressanta möjligheterna är att undersöka hur flyttfåglar återvänder till sina häckningsområden.

Många flyttfåglar reser tusentals kilometer mellan sina häckningsplatser och vinterområden. För forskarna är det värdefullt att veta vilka individer som överlever resorna och återkommer följande år.

Med traditionell ringmärkning kan en fågel identifieras när den återfångas eller dess ring avläses. Men det kräver att fågeln faktiskt påträffas igen.

Ljudbaserad identifiering skulle kunna göra det möjligt att registrera återvändande fåglar utan att fånga dem. Flera mikrofoner kan dessutom samla in material från stora områden samtidigt.

Det skulle kunna ge bättre underlag för att undersöka hur trogna fåglar är sina häckningsområden och hur antalet återkommande individer förändras över tid.

Men det är viktigt att skilja mellan att upptäcka en återvändande flyttfågel och att kartlägga dess flyttväg.

Den nya studien visar inte att forskarna kan följa en enskild fågel under hela dess flyttning.

För det skulle ljudinspelningar behöva samlas in på flera platser längs flyttvägen. Forskarna måste dessutom kunna visa att individens sång går att känna igen i olika miljöer och under olika delar av året.

Många fåglar sjunger också betydligt mindre utanför häckningstiden. En teknik som fungerar väl på sjungande hanar under våren behöver därför inte fungera lika bra när fåglarna flyttar.

Därför kan AI ännu inte ersätta ringmärkning

Att känna igen fåglar genom ljud har flera fördelar. Inspelningsutrustning kan arbeta automatiskt och registrera fåglar utan att människor behöver vara på plats under varje observation.

Tekniken är också mindre störande än metoder som kräver att fåglar fångas in.

Samtidigt finns begränsningar som måste undersökas innan metoden kan användas brett.

Olika arter har olika sång. Vissa fåglar har tydliga individuella sångmönster, medan andra har läten som är svårare att skilja åt. Resultaten för en nordamerikansk skogssångare kan därför inte utan vidare överföras till andra arter.

Sången kan förändras. Fåglars läten kan variera med ålder, årstid och beteende. Om sångmönstret förändras tillräckligt mycket finns en risk att samma fågel registreras som två individer.

Ljudmiljön påverkar inspelningarna. Vind, regn, trafikbuller och andra fåglar kan störa ljudet. Avståndet till mikrofonen och inspelningsutrustningens kvalitet kan också påverka resultatet.

Alla fåglar sjunger inte lika mycket. Studien omfattade hanar av en art där sången är viktig för bland annat revirhävdande. Honor, ungfåglar och individer som är tysta riskerar att inte upptäckas.

Felaktig identifiering påverkar beståndssiffrorna. Om två fåglar misstas för samma individ kan antalet underskattas. Om en och samma fågel registreras som flera individer kan antalet i stället överskattas.

Ringmärkning ger dessutom information som sången inte kan avslöja. Vid infångning kan forskare exempelvis undersöka fågelns vikt, ålder och fysiska kondition.

Ljudidentifiering är därför i första hand ett möjligt komplement till etablerade övervakningsmetoder.

Så används AI redan i svensk fågelforskning

Även i Sverige har automatiserad ljudanalys fått en roll i arbetet med att identifiera och övervaka fåglar.

Ett exempel är appen Flyttfåglar, som introducerades i Sverige 2025. Den använder ljudigenkänning för att identifiera fågelarter och kan bidra med observationer till forskning om fåglarnas förekomst.

Den avgörande skillnaden är vilken fråga tekniken kan besvara.

Vanlig AI-baserad ljudigenkänning kan exempelvis avgöra att en viss fågelart sjunger på en plats. Den amerikanska forskningen visar möjligheten att dessutom undersöka om det är samma individ som hördes där ett tidigare år.

Det skulle kunna bli användbart även inom svensk fågelövervakning.

Svensk Fågeltaxering vid Lunds universitet följer sedan länge utvecklingen av landets fågelbestånd genom återkommande inventeringar. Om automatiska inspelningar i framtiden kan skilja individer åt skulle de kunna ge ytterligare information om hur fåglar återkommer och förflyttar sig mellan områden.

Men först krävs studier som visar att tekniken fungerar på svenska arter och under svenska förhållanden.

Den amerikanska studien är därmed ett steg mot mer detaljerad fågelövervakning. Forskarna har visat att AI kan hitta individer i stora mängder ljudmaterial. Nästa utmaning är att avgöra hur tillförlitligt samma metod fungerar när fler arter, större områden och längre tidsperioder ska undersökas.