被动声学监测与深度学习嵌入技术在陆生哺乳动物多样性评估中的效能比较

本综述系统比较了被动声学监测（PAM）、相机陷阱和观察者监测（OBM）三种方法在陆生哺乳动物多样性评估中的表现。研究通过BirdNET深度学习模型嵌入技术，高效分析了累计317,410小时（等效36年）的音频数据，成功检测到全部17种目标发声哺乳动物。结果表明，针对发声哺乳动物群落，PAM在长期监测中表现出显著优势，且其检测效果不受常见生活史特征（如体重、活动范围等）影响。虽然PAM无法检测非发声物种，但与相机陷阱联用可形成互补，为大规模生物多样性监测提供高效解决方案。

　　

研究背景与意义

全球哺乳动物种群正面临严重威胁，超过25%的物种因栖息地改变和人为压力而濒临灭绝。澳大利亚作为生物多样性热点地区，其特有的哺乳动物在生态系统中扮演着关键角色。传统观察者监测方法虽能提供全面数据，但存在时空覆盖有限、人力成本高以及对环境干扰大等局限。近年来，远程传感技术为大规模哺乳动物监测提供了新思路。

研究方法设计

本研究在澳大利亚东部六个地点建立了标准化监测样方，同步开展三种监测方法的比较研究。被动声学监测采用Frontier Labs Solar BAR自动记录单元，以22.05 kHz采样率持续记录音频；相机陷阱布设采用Campark T85设备；观察者监测则结合陷阱捕获（ pitfalls陷阱、漏斗陷阱等）和主动搜索等多种传统方法。创新性地运用BirdNET深度学习模型的嵌入技术，通过计算示例叫声与未知音频的欧几里得距离，实现了对17种发声哺乳动物的高效检测。

主要研究发现

物种丰富度比较显示，针对完整哺乳动物群落，观察者监测表现最佳（45种），相机陷阱次之（25种），而短期PAM仅检测到13种。但当聚焦发声哺乳动物时，长期PAM展现出显著优势，检测到全部17种目标物种。群落组成分析表明，PAM与观察者监测在发声哺乳动物检测方面具有高度一致性（Jaccard相似性无显著差异）。

时间效益分析揭示，PAM每天仅需1.2分钟处理时间，相当于观察者监测时间的0.1%。物种累积曲线显示，365天的连续监测可达到95%的最大物种丰富度，显著优于短期监测效果。值得注意的是，PAM的检测效果未受体重、活动范围等常见生活史特征的显著影响，表明该方法具有广泛适用性。

技术优势与局限

BirdNET嵌入技术实现了对海量音频数据的高效处理，每个24小时录音仅需约1分钟分析时间。然而，PAM固有地无法检测非发声物种（如多数啮齿类），这需要通过结合相机陷阱等方法进行补充。研究还发现，发声哺乳动物丰富度与整体哺乳动物丰富度呈显著正相关（r₂₂=0.46），提示声学监测可作为生物多样性评估的代理指标。

未来展望

随着实时数据处理、无线传输等技术的发展，被动声学监测的自动化程度将进一步提高。深度学习模型的持续优化将增强对地域性叫声变异的识别能力，而多麦克风阵列的应用有望实现个体识别和数量估算。这些技术进步将使PAM成为未来生物多样性监测网络的核心组成部分。

实践应用价值

本研究证实了被动声学监测在大尺度生物多样性评估中的实用价值。特别是对于需要长期监测的保护区域，PAM与相机陷阱的联合使用可形成时空互补：PAM擅长检测树栖和隐蔽物种，相机陷阱则对地栖动物更有效。这种组合策略为生态系统健康评估提供了高效、低干扰的监测方案。