Naukowcy opracowali system ChiroEcho - framework oparty na głębokim uczeniu, który przewiduje zarówno gatunek jak i rodzaj nietoperza na podstawie nagrań jego wokalizacji, a następnie wykorzystuje informacje geograficzne do rozszerzenia możliwości klasyfikacji. Niestandardowym podejściem jest tu traktowanie danych o rozmieszczeniu geograficznym gatunków jako sposobu na rozszerzenie, a nie ograniczenie efektywnego zakresu taksonomii klasyfikatora.
System został przetestowany na nagraniach obejmujących 35 europejskich gatunków nietoperzy. Kluczową cechą jest zdolność do identyfikacji gatunków nieobecnych w zbiorze treningowym - jeśli system przewiduje określony rodzaj, a w danym regionie naturalnie występuje tylko jeden gatunek tego rodzaju, system może z dużą pewnością przypisać nagranie temu gatunkowi. Badania wykazały także, że ocena wydajności na rzadko reprezentowanych gatunkach może być myląca z powodu ograniczonej ilości danych ewaluacyjnych.
Wyniki stanowią znaczący krok naprzód dla monitorowania populacji nietoperzy - ważnych wskaźników zdrowia ekosystemów chronionych w całej Europie. Operacyjne pokrycie systemu wzrosło z 73 procent (35 z 48 europejskich gatunków) do 85 procent (41 gatunków), co stanowi najszerszy zakres operacyjny raportowany dotychczas dla automatycznej identyfikacji nietoperzy. To ułatwia bierny monitoring akustyczny - krytyczny instrument w ochronie tych nocnych ssaków, których ekolokacyjne wywoływania są trudne do zautomatyzowanej analizy ze względu na zachowaniową i środowiskową zmienność oraz nakładanie się sygnatów między gatunkami.