被动声学监测(passive acoustic monitoring, PAM)技术因其非侵入性和连续监测的能力, 在野生动物研究中的意义日渐突出。翼手目动物, 俗称蝙蝠, 以其独特的回声定位能力、夜行性及对环境变化的高敏感性, 已成为基于PAM进行生物多样性和环境监测的关键类群。本综述旨在全面阐述被动声学监测技术在蝙蝠研究中的应用, 并分析了被动声学监测的优势和局限性, 总结了文献中关于如何有效地收集和处理声学数据以监测和研究蝙蝠的多样性、活动模式、种群动态、生境选择和分布等方法。最后, 通过文献中的案例研究比较了不同环境因素对蝙蝠多样性和活动的影响, 并讨论了这些环境变量如何影响数据的收集。此外, 本文评估了PAM技术在实际应用中的挑战, 探讨了PAM技术的发展前景及其在生物多样性保护中的潜在贡献, 并提出了包括技术创新、公民科学参与和监测策略优化等未来研究方向的建议, 以推动PAM技术在蝙蝠保护和管理中的进一步应用, 有助于进一步保护生物多样性, 促进生态文明建设。

在当前城市化快速发展的背景下, 监测与评估城市鸟类多样性是城市生态学研究和生物多样性保护的关键技术。被动声学监测(passive acoustic monitoring, PAM)作为一种利用环境声音评估生物多样性的新兴技术, 能够提供城市鸟类种群的连续动态信息, 为洞察人类活动对生物多样性的影响提供了独特的视角。目前, 中国及全球范围内已经开展了许多基于被动声学监测的生物多样性研究案例。然而, 监测与评价技术的差异直接影响基于被动声学监测的城市鸟类多样性评估的有效性, 制约了城市生物多样性维持机制等科学问题的深入探讨。随着被动声学监测技术的广泛应用, 迫切需要制定一套城市鸟类鸣声被动声学监测与评价技术规范, 推动声学数据的规范化采集与处理, 并构建全国性的城市鸟类声学数据平台, 以高质量的大数据推动城市生态学研究和城市生物多样性保护。本文综述了城市环境下基于被动声学监测评估鸟类多样性的研究案例, 系统地总结了监测方案和评价技术, 梳理了存在的主要问题, 并对未来的研究进行了展望, 旨在为今后城市鸟类多样性被动声学监测与评价的理论研究、调查方案和技术应用提供参考。

随着动物园内圈养动物种类的增加和动物福利标准的提高, 以及游客数量的不断增长, 动物园对于推进声环境的监测、评价和管理的需求日益迫切。已有研究表明, 动物园复杂的声环境既影响圈养动物的福利, 也影响游客对动物园环境的美好体验。然而, 以往对动物园及其圈养动物的声学监测、动物福利评价和声环境管理的研究并未受到足够的重视。本文通过梳理总结国内外的文献资料, 首先阐述了动物园声环境的复杂性以及相关声学监测技术, 接着系统性总结了动物繁育、健康状况和声环境质量等与动物福利相关的声学监测与评价的研究进展。最后, 本文探讨了中国动物园在声学监测、动物福利评价与声环境管理的现状, 提出了3点建议: (1)加强声学监测技术的研发; (2)声学数据智能识别分析技术的创新; (3)声学评价指标体系的建立, 以便全面推进中国动物园的声学监测、动物福利评价和声环境管理。

生物多样性是人类赖以生存和发展的重要基础, 生物多样性监测对生物多样性保护至关重要。被动声学监测是近年来迅速发展的一种生物多样性监测技术, 通过分析声音特征来获取物种的分布、行为和相互作用等信息。声学数据采集设备是被动声学监测中一个被广泛关注的关键部分。其中, 陆地生物声学数据采集设备是用于在陆地环境中记录生物声音信号的工具, 它为陆地生物多样性监测和保护提供数据支持。然而, 声学数据采集设备种类繁多, 性能参数各异, 给被动声学监测技术的实际应用带来困扰。本文通过对文献及相关资料的整理, 对国内外陆地声学数据采集设备作了系统性总结, 对比了国内外设备的发展现状, 论述了设备选型需要考虑的关键因素, 列举了几个常见的被动声学监测实验方案, 并根据不同的设备性能要求提供了几个设备选择方案, 提出了设备的应用指引建议。本文旨在为研究人员选择或研发陆地生物声学数据采集设备提供参考, 促进陆地生物声学数据采集设备在生物多样性研究和保护中的应用。

生物声学数据档案是记录和保存生物声学数据信息的重要载体, 建立统一的管理标准和规范, 能够确保数据的质量、共享和长期保存, 促进生物声学数据的整合与应用, 为生物多样性的监测和评估提供基础数据支持, 对于生物多样性研究和生态保护具有重要意义。随着录音数据采集、存储、分析和共享技术的发展及应用, 生物声学数据档案的管理和存储有望在数据自动化标注、高效压缩存储、智能化检索和实时共享等方面实现较大的突破和变革。本文结合近年来生物声学监测、评估历史基准线等需求, 系统地阐述了生物声学数据档案的特征和管理标准, 介绍了相关录音存储技术的最新进展, 探讨了生物声学数据档案管理在实际应用中的价值和挑战, 并对国内外生物声学数据库和数据共享平台的建设情况进行了展望。

鸟声标注用于标记声音中的鸟类信息, 如种类、声音结构等, 是鸟类被动声学监测及相关声学数据分析、物种自动识别分类的重要基础。本文以鸟声标注为重点, 比较了人工标注、自动标注和半自动标注等常用方法的优势, 点明了各自在数据质量、标注一致性和标注效率等方面面临的挑战, 同时探讨了这些标注方法在被动声学监测中的应用进展, 提出了自动标注模型优化、跨地区数据集建立和半自动标注系统完善等未来发展方向。尽管目前自动标注方法取得了显著进展, 但鸟声标注仍面临冷启动问题, 亟需更大规模的跨地区数据集和高效的质量检测半自动标注系统, 以满足标注数量和质量的双重要求。本综述有助于帮助鸟声数据集创建者和标注者更好地理解现有标注技术及其潜在的发展趋势, 为大规模鸟类声学监测数据的高效物种自动识别提供技术支撑。

被动声学监测技术能够以非侵入的方式进行长期有效的监测, 已广泛应用于鸟类的监测, 监测过程收集到的大量数据需要借助自动化识别技术进行分析处理。然而, 不同录音设备的性能差异可能会影响自动化识别软件正确识别鸟类类别的能力。本研究使用国内外6种类型录音设备对4种不同频带范围的鸟声信号进行回放录音, 选取BirdNET作为鸟类鸣声自动识别器, 对2种植被类型录音环境、5种距离和3种声源方向的回放录音信号进行鸟声识别, 评估这些变量对鸟类类别识别性能的影响。通过比较录音设备的基本参数和配置, 并构建广义线性模型(generalized linear model, GLM)对识别结果进行统计分析, 以评估不同录音设备的监测性能。结果表明,录音设备类型显著影响BirdNET对鸟类类别的识别准确率。总体上, 随着距离增加, 设备的监测有效性下降, 且在50 m或更近距离内, BirdNET的识别准确率显著更高。声源方向对识别性能也有影响, 当声源与录音设备方向相反时, 识别准确率显著下降。不同设备对4种不同频带范围鸟声信号的识别有效性存在不一致性。此外, 植被类型显著影响鸟声信号传播的衰减, 草地植被下的总体识别准确率比林地植被高40.1%。本研究建议, 在选择和部署长期录音监测设备前, 除评估成本和参数外, 还应进行实地录音监测有效性的评估。根据评估结果, 优化监测距离和方向设置, 以提升监测策略的有效性。

鸟类被动声学监测对于了解其种群和群落动态及相关物种的行为功能具有重要意义。利用深度学习技术和鸟类鸣声特征来自动识别鸟类物种, 是实现鸟类大规模被动声学监测的关键。亲缘关系相近的鸟类物种的鸣声极为相似, 容易混淆, 使得假阳性增加, 从而导致深度学习模型识别精度有限。针对上述问题, 本文提出一种融合音频及生态位信息的鸟类物种识别方法: 首先基于残差网络ResNet18构建音频识别模型, 再使用最大熵模型对鸟类物种分布进行预测, 获取鸟类物种在不同位置的适生指数作为生态位信息, 最后构建融合音频及生态位信息的鸟类物种识别模型NicheNet。实验结果表明, 与ResNet18相比, NicheNet的Top-1准确率提升了12.9%, Top-5准确率提升了10.6%, 同时NicheNet的近种错误率、近属错误率以及近科错误率分别下降了3.1%、1.8%以及8.0%。结合对两对鸣声相似的鸟类同科物种的识别结果发现, NicheNet能够根据生态位信息对基于音频特征的分类结果进行修正, 以提高对亲缘关系相近、鸣声相似而分布差异大的鸟类同科物种的识别效果。本文所提出的融合音频及生态位信息的鸟类物种识别方法能够有效降低亲缘关系相近、鸣声相似但生态位不同的鸟类物种的误识别率, 进而提升基于鸣声的跨地域鸟类物种识别准确率。

鸟声识别是被动声学监测的重要应用领域, 集成学习方法对提升鸟类识别精度具有重要研究价值, 但面对数据不平衡问题时缺少有效的集成策略。为此, 通过基学习器的迁移学习获得鸟声信号的不同方面表征, 满足了少标签样本条件下的学习训练。同时, 设计加入自注意力机制的特征融合和敏感正则项用于提升模型对稀有鸟类的关注度, 确保集成模型在信息不对称情况下推理时获得全局最优解。本文在南京老山森林公园共收集了10种鸟类样本, 并对预训练模型完成了微调。通过鸟声识别分类实验, 在样本不平衡的自建数据集与BirdCLEF 2023数据集上, 总体分类精度分别达到了95.29%和90.17%。本文所提出的集成学习策略提升了少量样本类别的敏感度, 增强了模型的泛化能力和学习训练效率, 与主流集成学习方法相比较, 能更好地适用于当地稀有鸟类的被动鸟声监测与识别, 助力鸟类生态环境的精准保护。

近年来, 基于被动声学监测的声学指数方法作为快速生物多样性评估的热门工具, 因其可以量化生物声音的活动或多样性水平而得到广泛关注。然而, 复杂多变的人为声干扰对声学指数数值结果的影响及其抑制方法尚未获得深入研究, 严重限制了声学指数在城市绿地等人类活动区域的推广应用。基于频变门限检测的依频声学多样性指数(frequency-dependent acoustic diversity index, FADI)是一种对噪声影响低敏感的新型声学指数, 本文以鸟鸣声为对象, 基于实地采集的录音数据开展控制性仿真实验, 从鸟鸣声信噪比(signal-to-noise ratio, SNR)适用下限、鸟鸣声监测空间范围、干扰噪声类型限制3个方面, 对FADI在人类活动区域的应用能力和适用条件进行了客观评估。结果表明:(1)当鸟鸣声SNR在−5 dB至40 dB范围内变化时, FADI对噪声具有显著的稳健性; (2)相较于常规声学多样性指数(acoustic diversity index, ADI), FADI适用的监测距离扩大了6倍以上; (3) FADI能有效抑制如割草机声、雨声、流水声等时变特性较低的干扰影响, 但其性能在具有高度时变特性的干扰声环境中有一定程度下降。本文工作证明FADI在用于人类活动区域的生物多样性监测与快速评估方面具有良好的抗噪能力, 后续可以结合麦克风阵列技术, 在现有的时域和频域之外的基础上增加空域处理维度, 进一步提高FADI对人为声干扰的稳健性。

声景描述了生物多样性、人类活动和其他声音的空间和时间模式, 反映了重要的人为和生态过程。声景分类不仅有助于提升不同声景成分计算分析的准确率, 还有助于深入了解不同声音的特点和分布, 从而为保护和改善生态环境提供依据。然而, 被动声学设备采集的大量录音数据给声景数据的分析带来困难。为平衡采样数据量与采样成本之间的矛盾, 有必要探索一种高效的录音策略, 满足声景分类研究的需要。本研究以北京野鸭湖湿地公园的录音数据为研究对象, 在不同录音策略下对比了7个声学指数(声学复杂度指数(acoustic complexity index, ACI)、声学多样性指数(acoustic diversity index, ADI)、声学均匀度指数(acoustic evenness index, AEI)、生物声学指数(bioacoustic index, BIO)、声熵指数(acoustic entropy index, H)、振幅包络线中值(median of the amplitude envelope, M)和标准化声景差异指数(normalized difference sound index, NDSI))和BYOL-A (bootstrap your own latent for audio)特征的表现, 探索适合声景分类(生物声、地理声、人工声)的录音策略及声学特征。结果表明: (1)每小时均匀采集10个1 min的子样本可以较好地平衡数据量与成本之间的矛盾(Spearman相关系数ρ > 0.9); (2)描述声景的多个声学指数中, ACI和H是最稳定的指标; (3) BYOL-A特征比声学指数能更有效地完成声景分类。合适的录音策略和高性能的深度学习特征——BYOL-A特征能够快速捕捉声景信息, 有助于提高声景分类的准确率。本研究结果可为声景数据采集和声学特征选择提供参考依据。

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。

公园绿地是维持城市生物多样性的关键生境。鸟类作为城市生物多样性的指示类群, 其生物多样性格局和保护已成为城市生态学研究的热点, 近年来被动声学技术的应用逐渐成为鸟类多样性监测的发展趋势。为了探讨被动声学技术与传统样线调查方法在城市公园绿地鸟类监测中的有效性差异, 本研究于2023年7月至2024年4月选择上海外环林带典型公园绿地, 采用声纹设备和样线调查法监测鸟类多样性, 在3种生境类型中各布设1套声纹设备, 每天24 h每小时采集前15 min的动物声音数据, 基于无监督音节聚类分析对数据进行处理, 将监测结果与样线调查进行深入比较分析, 评估了两种监测方法的有效性。结果表明: 声纹设备共记录鸟类11目28科49种, 样线调查共记录鸟类5目19科32种, 二者均记录到雀形目种类最多。两种方法监测到的共有种为24种, 监测到的鸟类居留型组成特征一致, 均以留鸟为主。声纹设备记录到的优势种种类多于样线调查, 白头鹎(Pycnonotus sinensis)、珠颈斑鸠(Spilopelia chinensis)、乌鸫(Turdus mandarinus)和灰喜鹊(Cyanopica cyanus)为二者均记录到的优势种。就不同生境而言, 两种方法均以林湿复合混交林监测到种类数最多, 而林湿复合纯林和混交林种类水平相当, 各生境类型均以春秋季鸟类种类和数量相对较多, 但两种方法监测到的鸟类优势度指数、多样性和均匀度指数等群落特征及其季节变化存在较大差异。基于被动声学的鸟类智慧化监测为城市生物多样性保护研究提供了新的技术路径, 可与传统调查技术方法相结合, 提升监测数据的准确性和全面性。

鸣叫是无尾两栖类动物种间和种内通讯的重要方式。鸣声特征分析是利用生物声学技术进行蛙类行为学研究和物种多样性监测的基础, 对了解物种分类、繁殖、分布和进化至关重要。我们于2024年6月收集了广东车八岭国家级自然保护区及附近区域11种无尾两栖类物种(隶属于6科8属)的鸣声数据和相关采集信息。本研究提供了11个物种的鸣声数据集, 包括11个广告鸣声和1种争斗鸣声的波形图、频谱图及鸣声特征分析。本数据集展示了鸣声的时域和频域参数, 如简单鸣声、复杂鸣声、鸣声时长、音节时长、音节间隔、脉冲数、主频、基频等, 为华南地区无尾两栖类动物的声学研究及物种监测提供了基础数据。

数据库(集)基本信息简介