Die Definition eines umfassenden Signalrepertoires ist ein wichtiger Schritt zum Verständnis eines vokalen Kommunikationssystems. In dieser Arbeit untersuchte ich das Rufrepertoire eines häufig untersuchten Modellsystems in der Ethologie: der Graugans (Anser anser). Ich nutze dazu einen großen Datensatz von Vokalisationen, die in den letzten vier Jahren von einer freilebenden Population von Graugänsen aufgenommen wurden, um die akustische Struktur der Lautsignale dieser Art zu untersuchen. Zu diesem Zweck extrahierte ich vier verschiedene Datendarstellungen, die ich mit Hilfe von UMAP in zwei Dimensionen projizierte und mit zwei gängigen Methoden clusterte. Darüber hinaus wandte ich einen graphenbasierten Clustering-Ansatz - Leiden Community Detection - an, der meines Wissens bisher noch nicht in der Bioakustik verwendet wurde. Meine Analysen ergaben ein teilweise abgestuftes Gesangsrepertoire, das weitgehend mit frühen Beschreibungen der Rufe im Datensatz übereinstimmt. Statt häufiger verwendeten spektrografischen Repräsentationen ergaben Audio-Feature-Vektoren Cluster, die am stärksten mit den menschlichen Bezeichnungen übereinstimmen, und erlaubten die detaillierteste Visualisierung des akustischen Raums. Leiden schnitt vergleichbar mit etablierten Ansätzen ab, entsprach aber der Anzahl der vom Menschen definierten Klassen am ehesten, wobei die Ergebnisse außerdem weniger variabel waren. Diese Ergebnisse verdeutlichen den Einfluss, den die gewählte Darstellung der Daten in der Untersuchung von Lautäußerungsrepertoires haben kann, und bieten eine quantitative Charakterisierung des vokalen Repertoires der Graugans.

Defining a comprehensive signal repertoire is an important step to understanding a vocal communication system. In this thesis, I investigate the vocal repertoire of a well-investigated model system in ethology: the greylag goose (Anser anser). I used a large dataset of vocalisations collected over the last four years from a free-living population of greylag geese to investigate the acoustic structure of this species’ vocal signals. To this end, I extracted four different types of data representations, which were projected into two dimensions using UMAP, and then clustered using two commonly used methods. In addition, I applied a graph-based clustering approach — Leiden community detection — which, to my knowledge, has not previously been used in bioacoustics. The analyses revealed a partly graded vocal repertoire broadly matching early descriptions of the calls present in the dataset. Audio feature vectors, rather than more commonly used spectrographic representations, revealed clusters most congruent with human labels and offered the most detailed visualisation of the acoustic space. Leiden performed comparably to established approaches but matched the number of human-defined classes closest, with less variable results. These findings highlight the impact that data representation can have in repertoire analysis and provide a quantitative characterisation of the greylag goose vocal repertoire.