图/表详细信息

图片操作
显示大图下载下载为PPT文件

基于被动声学监测技术的城市绿地景观格局与鸟类多样性关联分析

李乐, 张承云, 裴男才, 高丙涛, 王娜, 李嘉睿, 武瑞琛, 郝泽周

生物多样性 2024, 32 (10): 24296-. DOI: 10.17520/biods.2024296

摘要（521）

HTML （12）

PDF（pc）（2314KB）（465）

城市化导致的生境破碎化与生境质量下降对生物多样性造成了负面影响。鸟类是全球生物多样性的重要组成部分, 也是生态环境变化的重要指示物种。城市绿地在鸟类多样性保护中起着主导作用, 理解绿地景观特征与鸟类多样性的关系对城市景观可持续管理和生物多样性保护具有重要意义。为了探究不同取食集团鸟类多样性对城市绿地景观格局的响应差异, 本研究基于被动声学监测技术对广州市30个城市公园开展了为期6个月的同步连续监测, 并基于深度学习模型识别物种信息, 采用冗余分析、随机森林回归、分类和回归树模型量化了鸟类物种数量与绿地景观特征之间的关系。结果表明:较高绿地面积比例和较大斑块面积对鸟类物种数量有积极的影响, 而降低生境景观连通性对其有负面影响, 但不同食性的鸟类对景观特征的响应存在差异。杂食鸟类更加适应破碎化的环境, 食肉鸟对生境连通性高度敏感, 食虫鸟则依赖绿地平均斑块面积。此外, 夜间人造灯光与鸟类物种数量呈负相关关系, 食虫鸟对其的响应更加敏感。鸟类物种数量与绿地景观特征之间呈非线性关系, 具有不同的响应过程和阈值。当2 km圆形缓冲区内绿地平均斑块面积高于0.01-0.02 ha或孤岛面积比例低于0.92%-10.40%时, 有助于增加专一食性鸟类物种数量。为提升城市鸟类整体多样性, 建议减少人造灯光对鸟类的负面影响, 并在景观管理中保护和恢复以本地物种为主的残存栖息地、建立廊道和补充性新栖息地、增强生境连通性。

View image in article

图2 被动声学监测设备安装示意图

正文中引用本图/表的段落

本研究选用30台基于AudioMoth平台(https://github.com/rhine3/audiomoth-guide)开发的被动声学监测设备(图2)。监测点选择遵循3个原则: (1)兼顾人工林和次生林景观多样性; (2)录音设备应安置在同一坡向和近似坡度上, 以控制地形差异造成的误差; (3)录音设备放置于森林内部且距离林缘约20 m, 以控制植物群落宽度对噪声衰减的影响(Hao et al, 2024a)。遵循以上原则, 选择胸径10 cm左右的健康乔木, 通过链锁将录音设备固定在垂直距离地面1.5 m的高度(图2), 以避免地面对声音的混响干扰。野外录音开始前, 通过配置软件将被动声学监测设备的采样率(sampling rate)设置为32 kHz, 位深度(bit depth)设置为16 bits, 确保采样范围可以覆盖绝大部分的鸟类鸣声和城市噪声。麦克风增益设置为中档。根据前期研究(Hao et al, 2022; Metcalf et al, 2023), 设备对鸟类鸣声的有效监测半径, 即设备能够清晰捕捉到目标物种声学信号的合理距离约为200 m。采样时间设置为每10 min采集1 min声音数据, 24 h循环进行, 每台设备每天可采集144 min的环境声音。于2023年3月23日至9月20日, 对30个监测点环境声音进行了6个月的定点、同步、连续监测。

基于以上3种声场景, 对其中包含的鸟类鸣声信息进行识别和提取。鸟类鸣声识别模型采用对数梅尔语谱图与CNN构建。在获得有效学习样本后, 采用WebRTC (web real-time communication)降噪算法对2-11 kHz之间的数据进行降噪处理; 降噪完成后, 将学习样本转化为对数梅尔语谱图, 在CNN中完成模型训练, 并使用新样本数据验证模型的实际表现。另外, 通过随机系统抽样的方法, 选择部分鸟类鸣声识别结果进行专家人耳识别, 再次检验鸟类鸣声识别模型的精度。该方法在鸟类发声数据集“birddata”的识别准确率达到了98.2% (Zhang et al, 2023)。以上的声场景分类和鸟类鸣声识别模型均基于Python语言进行搭建并完成(Hao et al, 2022, 2024b)。在本研究中, 提取识别结果置信度 > 0.8的数据作为有效数据, 并依据物种信息、鸣声数据、鸟类物种分布信息(时间和空间)进行人工校验。人工校验的过程包括以下几个步骤: 首先将识别结果与权威物种分类数据库中的标准鸣声模式进行对比, 筛选出声学特征显著不符合的错误结果; 再将识别的物种信息与该区域的鸟类分布记录及物候数据进行对照, 验证物种在监测时间和地点的出现记录是否合理, 以排除不符合该物种生态特征的异常数据; 对于部分置信度临界值的识别结果进行专家复核, 结合现场记录或长期监测数据进一步确认识别的准确性。经人工校验后, 删除错误信息, 最终生成可靠的被动声学监测物种识别结果。此外, 基于鸟类主要摄入的食物类型进行取食集团划分。考虑到不同鸟类的食性存在区域差异, 首先参考《中国鸟类分类与分布名录》(第四版) (郑光美, 2023)获得鸟类的分布区域, 再结合相关文献对物种进行取食集团分类(Zhang et al, 2013; 王彦平等, 2021), 确定其在广东地区的食性特点(附录3)。

本文的其它图/表