被动声学监测技术在直翅目昆虫研究与保护中的创新应用：基于机器学习分类器OrthopterOSS的多尺度评估

本研究针对传统直翅目昆虫监测方法资源消耗大、时空覆盖有限的问题，开发了基于卷积神经网络(CNN)的自动分类器OrthopterOSS，通过对比Audiomoth与Batlogger设备性能、验证被动声学监测(PAM)与传统扫网法的效果差异。结果表明PAM可识别17种直翅目物种(真阳性率86.4%)，在9天采样期内达到物种饱和，且单台设备即可有效监测100m范围。该技术为大规模生物多样性评估提供了经济高效的解决方案。

　　

在生物多样性急剧衰退的当下，直翅目昆虫（蝗虫与蟋蟀）作为生态系统重要指示物种，其监测却长期依赖专家主导的扫网样线法。这种方法不仅人力成本高昂，且难以捕捉夜间活动物种的生态信息。尽管被动声学监测(PAM)技术已在蝙蝠研究中成熟应用，但由于设备成本高昂和缺乏自动分析工具，其在直翅目研究中的潜力远未充分开发。德国研究团队在《Basic and Applied Ecology》发表的研究，通过开发新型机器学习分类器OrthopterOSS，系统评估了PAM技术在直翅目监测中的可行性。

研究团队采用多尺度实验设计，首先整合来自Naturkunde Museum Berlin等数据库的声学数据，结合自主采集的30,000份野外录音，构建包含17种直翅目物种的声纹数据库。利用OpenSoundscape平台的ResNet34架构，开发了基于卷积神经网络(CNN)的分类器，其训练采用512样本汉宁窗和256步长的频谱图生成策略。为验证实用性，团队在石勒苏益格-荷尔斯泰因州的41个野花补偿区部署Audiomoth v1.2设备，设置12秒/分钟的间歇录音模式，采样率达250kHz以覆盖超声频段。

"材料与方法"部分显示，研究通过三类关键实验验证技术效能：首先在8个点位对比Audiomoth与Batlogger设备性能；其次在6个点位开展PAM与传统扫网法的平行调查；最后通过空间梯度部署（中心点、中间点、树篱点）评估设备密度对物种检出率的影响。所有录音文件均通过Raven Lite软件进行人工标注验证，并采用vegan包的specaccum函数进行物种累积曲线分析。

"结果"部分呈现四大发现：1）在"监测方法比较"中，PAM在4/6点位表现优于扫网法，尤其对Leptophyes punctatissima的检出率提升300%，但差异未达统计学显著（p=0.3974）；2）"设备性能评估"显示Audiomoth与价值千欧的Batlogger在3天内的物种检出率完全一致，但前者凭借14天持续监测多发现2-4个物种（p<0.05）；3）"采样努力量分析"揭示9天监测可覆盖90%物种，而增加设备密度未提升检出率；4）"分类器效能"部分显示OrthopterOSS在独立验证集中达到86.4%真阳性率，对InsectSet32等公开数据集的F1评分达0.87-0.93。

讨论指出，这项研究首次系统证实了低成本PAM设备在直翅目监测中的实用性。特别值得注意的是，该技术成功检出Chrysochraon dispar等5种濒危物种，证实野花补偿区的生态价值。研究也揭示了技术局限性：对Phaneroptera falcata等超声物种的识别仍需人工验证，且不适用于Tetrix属等非发声物种。作者建议未来研究可结合LEAF前端技术提升对稀有物种的识别精度。

这项研究的意义在于建立了可扩展的技术框架：OrthopterOSS分类器虽基于德国北部物种开发，但其架构可适配其他地区；Audiomoth设备约100欧元的成本，使大尺度监测网络成为可能。正如作者强调，当与专家验证相结合时，该技术能为《欧盟生物多样性战略2030》的监测目标提供可量化工具，同时为农业环境政策（如"共同农业政策"中的生态重点区管理）提供科学依据。