深度学习助力入侵物种监测：东南亚树蛙(Polypedates leucomystax)与甘蔗蟾蜍(Rhinella marina)的研究突破

研究人员针对入侵物种监测难题，训练 BirdNET 模型，成果显示其能跨入侵前沿有效检测物种。

　　早期检测对于在入侵前沿管理外来入侵物种至关重要。利用深度学习的自动生物声学监测（Automated bioacoustic monitoring），可通过检测物种叫声来辅助这一工作。然而，它在外来入侵物种监测方面的应用仍然有限。此外，在入侵物种尚未出现或极为罕见的预建立区域，由于缺乏本地训练数据，会因领域偏移导致模型性能受限。本研究旨在开发并评估一种基于深度学习的探测器，用于监测位于自然世界遗产地西表岛（Iriomote Island）上的东南亚树蛙（Polypedates leucomystax ）和甘蔗蟾蜍（Rhinella marina ）。西表岛距离附近石垣岛（Ishigaki Island）上已定居的这些外来物种种群仅 30 公里。研究人员使用在这些物种常见的石垣岛收集的声学数据，以及西表岛本地蛙类的叫声，对 BirdNET 模型进行训练。模型性能通过以下两种方式评估：（1）石垣岛的野外声音；（2）在西表岛播放外来物种叫声后获得的声音。对于野外声音，东南亚树蛙的模型精度和召回率分别为 0.972 和 0.906，甘蔗蟾蜍的模型精度和召回率分别为 0.899 和 0.705。在适当调整检测阈值的情况下，除了本地蛙类琉球狭口蛙（Microhyla kuramotoi）密集鸣叫的夜晚外，回放调查日期可通过大量检测结果识别出来。这些结果表明，石垣岛的数据能够训练出在入侵前沿具有足够泛化能力的模型。