图/表详细信息

AI辅助识别的鸟类被动声学监测在城市湿地公园中的应用

白皓天, 余上, 潘新园, 凌嘉乐, 吴娟, 谢恺琪, 刘阳, 陈学业

生物多样性 2024, 32 (8): 24188-. DOI: 10.17520/biods.2024188

摘要（813）

HTML （44）

PDF（pc）（1577KB）（469）

为了探究基于AI识别的鸟类被动声学监测手段在城市湿地公园中的应用效果, 同时对比其与传统人工样线调查结果的差别, 本研究于2023年3-5月在广州市湾咀头湿地公园开展了为期3个月的同期监测。样线法为每月调查两次; 声学监测法通过安装两台声纹监测仪, 全天开启触发录制模式, 通过4G网络回传音频文件并使用以珠三角鸟类名录构建的AI识别模型进行鸟种识别, 再对结果进行置信度筛选和人工复核。样线法累计记录鸟类2,200只次; 声学监测法共采集音频96,848条, 筛选验证获得有效记录34,117条。两种方法共记录鸟类70种, 其中样线调查记录鸟类48种, 声学监测记录49种, 两种调查方法都记录到的鸟类有27种。两种调查方法重叠的物种比例不足总物种数的一半, 说明在此类湿地公园生境下这两种方法尚无法互相取代。样线调查结果相对准确、便于估算种群密度, 但对调查者的认鸟水平和工作量要求较高; 声学监测可自动化运行, 便于扩大监测规模, 但后期数据处理难度较大, 结合AI物种识别和人工校正可以提高数据处理效率。综上, 基于机器学习的AI识别技术的鸟类被动声学监测方法大大提高了数据处理效率, 但仍需要结合传统的样线调查方法, 两者结合将有更高的准确率和更广阔的应用前景。

	3月March	4月 April	5月 May	总计 Total
声学监测种数 Species number of acoustic monitoring	43	37	29	49
样线调查种数 Species number of transect survey	35	35	31	48
样线调查只次数 Individuals of transect survey	540	831	829	2,200
鸣声数 Number of sounds	14,479	13,760	5,795	34,034
独立事件数 Number of sound-independent events	3,922	3,606	2,058	9,586
总计种数 Total number of species	57	53	41	70
共同物种数 Number of shared species	21	19	19	27
声学监测独有物种数 Number of species unique to acoustic monitoring	22	18	10	22
样线独有物种数 Number of species unique to transect survey	14	16	12	21
Jaccard相似性指数 Jaccard similarity coefficient	0.37	0.36	0.46	0.39
Sørensen相似性指数 Sørensen similarity coefficient	0.54	0.53	0.63	0.56

View table in article

表2 各月份两种调查方式结果对比

正文中引用本图/表的段落

(3)活动节律。3个月中物种数与鸣声记录数量均下降(表2)。通过鸣声数或鸣声独立事件数统计的鸟类总体日活动节律的走势类似, 均为双峰曲线(图4), 清晨6:00-9:00为最活跃的高峰, 傍晚17:00- 19:00为第二活跃高峰, 10:00-15:00活跃度较低。

从图4和表2来看, 无论是日节律还是月份规律方面, 通过鸣声数或独立事件数的方式所呈现的规律是相同的, 但以独立事件数计算时其高峰和低谷的波动幅度较小。从原理上来说相对于直接计算鸣声数, 以独立事件计算更接近鸟类的密度分布。

在按月份统计的规律中, 样线调查中4月与5月大致持平, 3月较少, 而在声学监测中无论以鸣声总数计还是以鸣声独立事件计, 均为3月最多, 4月略少, 5月明显下降(表2)。造成这样的差异的原因可能在于3-5月正好是华南低海拔地区的繁殖季, 前期在配对前, 繁殖鸟的求偶鸣唱非常频繁, 导致鸣声记录较多, 配对成功后鸣唱频次大大降低(Catchpole & Slater, 2003); 而在后期育雏阶段外出觅食频次增加, 导致两种调查方式获得的数据走势相反。

本文的其它图/表