基于无监督聚类与声学特征提取的猫头鹰生物声学自动注释方法研究

本研究针对被动声学监测(PAM)中机器学习模型假阳性率高、人工验证耗时的问题，开发了一种结合卷积神经网络(CNN)分类与UMAP-HDBSCAN无监督聚类的混合分析流程。通过对澳大利亚濒危物种强健猫头鹰(Ninox strenua)2764小时野外录音的分析，该方法在保留95%真阳性的同时消除88%假阳性(F1=0.94)，自动生成9399个精确到音符级别的注释。该技术突破了传统生物声学研究面临的大规模数据处理瓶颈，为地理变异和个体识别研究提供了高效解决方案。

　　

在生态保护领域，如何高效监测濒危物种始终是重大挑战。以澳大利亚最大的猫头鹰——濒危物种强健猫头鹰(Ninox strenua)为例，传统调查方法需要多达20次实地访问才能确认其存在。虽然被动声学监测(PAM)和机器学习技术为这一难题提供了新思路，但现有方法面临两大瓶颈：一是即使高性能模型在大规模新数据集上仍会产生大量假阳性；二是精细的音符级注释在野外嘈杂录音中难以自动化实现。这些限制严重阻碍了生物声学在种群动态和个体识别等深入研究中的应用。

针对这些挑战，澳大利亚昆士兰科技大学的研究团队在《Ecological Informatics》发表了一项创新性研究。他们开发了一套多阶段混合分析流程：首先使用MobileNetV2卷积神经网络进行初筛，随后通过scikit-maad包进行声学特征分割，最后采用UMAP(Uniform Manifold Approximation and Projection)降维和HDBSCAN(Hierarchical Density-Based Spatial Clustering of Applications with Noise)聚类迭代去除标签噪声。研究团队在2764小时野外录音中测试了这一方法，重点关注强健猫头鹰特有的200-600Hz"双重鸣叫"声谱特征。

关键技术方法包括：1)使用两种声学记录仪(Audiomoth v1.0和Songmeter SM2)采集7个研究地点的晨昏录音；2)基于MobileNetV2架构构建二元分类器，采用Adam优化器和二进制交叉熵损失函数；3)利用librosa库处理音频数据，生成224×224像素的梅尔频谱图；4)通过scikit-maad包实现感兴趣区域(ROI)分割，提取31个声学特征；5)采用UMAP降维结合HDBSCAN聚类进行多轮无监督分析。

研究结果方面：

1. 手动验证与分割：初始分类器从2764小时数据中标记出11475个潜在猫头鹰发声片段，经人工验证确认6817个真阳性和4658个假阳性。

2. 降维与无监督分类：UMAP-HDBSCAN聚类将28215个ROI划分为12个簇，其中3个簇(9-11)包含>50%的猫头鹰发声。该方法在保留6479个真阳性(95%)的同时，将假阳性减少88%(550个)，整体F₁值达0.94。

3. 二元分类器性能：通过半监督学习优化后，模型v2在测试集上的ROC-AUC从0.961提升至0.975，最优阈值下的F₁值从0.795提高到0.876。

4. 记录仪差异分析：聚类过程意外发现不同记录仪(Audiomoth与SM2)产生的噪声特征存在明显差异，其发声被自动归入不同簇群。

5. 地理变异线索：第三轮聚类显示"tingalpa"地点的发声在min_f_shape和min_f_centroid特征上与其他地区存在差异，暗示可能存在地理变异。

研究结论指出，这种"分类-分割-聚类"的混合方法具有三大突破性优势：首先是阈值无关的验证特性，克服了传统分类器依赖人为设定置信度阈值导致的偏差问题；其次是实现了音符级注释的自动化，将9399个个体音符的标注准确率提升至93%；最后是支持半监督学习，能有效识别不确定样本用于模型优化。

讨论部分强调，该方法特别适用于低频发声的夜行性物种，其成功实施为生物声学监测开辟了新途径：一方面大幅降低了人工验证的工作量，另一方面为研究种群间声学差异和个体识别提供了大规模数据基础。未来研究可扩展至多物种检测或更复杂的发声模式分析，而不同记录仪噪声特征的发现也提示标准化设备对声学研究的重要性。这项技术不仅对猫头鹰保护具有直接应用价值，其方法论框架也可推广至其他濒危物种的声学监测体系。