基于飞行与访花声学信号的蜂种识别：机器学习助力生物多样性监测新策略

本研究针对蜂类物种自动识别工具缺乏的现状，开发了基于随机森林算法的声学识别模型。通过提取飞行嗡嗡声和花卉嗡嗡声的声学参数（基频为关键特征），成功对Apoidea超科中3科5种蜜蜂实现高精度鉴别，联合声学特征使准确率达95.04%，为生物多样性评估提供非侵入性监测新方案。

　　

动物识别在生态学研究领域具有关键意义，但针对蜜蜂物种的自动化识别工具仍存在研究空白。本研究采用随机森林（Random Forest）机器学习算法，基于飞行嗡嗡声（flight buzz）和花卉嗡嗡声（floral buzz）对Apoidea超科中代表三个不同系统发育科的五个蜂种进行鉴别。从录音中提取的声学参数表明，基频（fundamental frequency）是物种分类中最具区分度的特征。机器学习模型仅使用飞行嗡嗡声时准确率达到90.94%，使用花卉嗡嗡声时为82.22%，而联合两种声音类型后准确率提升至95.04%。在所有蜂种中，B. pauloensis的分类表现最低，这可能源于其体型存在的种内变异，导致声学特征与其他物种发生重叠。尽管存在这一局限，该研究方法展现出卓越的性能，证实声学特征可可靠地用于物种水平鉴定。这一技术为非侵入性地监测不同群落中蜜蜂物种丰富度与多度提供了新途径，有助于推动生态学研究和生物多样性评估自动化工具的发展。