基于被动声学监测的欧洲森林鸟类昼夜与季节鸣叫活动模式研究揭示传统繁殖鸟类调查方法的优化空间

《Journal of Ornithology》：Diel and seasonal vocal activity patterns revealed by passive acoustic monitoring suggest expert recommendations for breeding bird surveys need adjustment

本研究通过被动声学监测(PAM)技术，对德国下萨克森州256个森林样点的53种鸟类进行25,000小时的高精度声学监测，首次系统揭示了欧洲森林鸟类群落的昼夜与季节鸣叫活动模式。研究发现64.2%物种的声学可检测性与传统专家建议的调查时段存在显著差异，41.5%物种不符合标准调查协议（日出后4小时内），为优化鸟类调查方法提供了数据支撑。该成果发表于《Journal of Ornithology》，为应对气候变化导致的物候变化提供了重要基线数据。

　　

在鸟类生态研究和保护实践中，准确掌握鸟类的活动规律至关重要。传统鸟类调查高度依赖观察者对鸣叫声的识别，然而令人惊讶的是，尽管专家们积累了丰富的物种特异性知识，关于鸟类声学活动模式的系统性数据分析却长期缺失。更棘手的是，气候变化正在改变鸟类的物候特征——候鸟更早抵达、留鸟提前产卵，这些变化使得基于历史经验的调查建议可能已经过时。面对这些挑战，德国哥廷根大学(University of G?ttingen)森林自然保护系的研究团队开展了一项开创性研究。

这项发表在《Journal of Ornithology》上的研究采用了革命性的被动声学监测(PAM)技术，在德国下萨克森州256个森林样点部署了AudioMoth录音设备，累计获取25,000小时的音频数据。通过BirdNET人工智能算法分析，研究人员首次在景观尺度上揭示了欧洲森林鸟类的精细时间活动模式。

研究团队采用了三项关键技术：1)使用低功耗的AudioMoth录音设备以10分钟间隔进行采样；2)应用BirdNET Analyzer 2.2神经网络进行物种识别，并采用Singer等开发的物种特异性阈值法降低假阳性；3)采用移动平均法计算检测概率，构建相对声学可检测性时间序列。样本来自下萨克森州国有林区随机选取的样点，覆盖从老龄落叶林到人工针叶林等多种森林类型。

研究结果呈现出丰富的发现：

1. 昼夜活动模式多样性：通过^图2的热图分析，识别出53种鸟类分属6个明显不同的活动集群，包括主要在3-4月活动的昼行性物种、5月迁徙高峰期活动的物种、夜行性和晨昏性物种等。例如乌鸫(Turdus merula)在黄昏表现出比黎明更高的活动性，而欧亚鸲(Erithacus rubecula)则保持全天的稳定鸣叫。

2. 季节动态特征：^图4显示3-4月物种活动高峰集中在日出后2小时内，而4月底至5月则呈现更均匀的日间模式。迁徙物种的活动高峰与留鸟形成明显时间分化。

3. 与传统调查建议的对比：^图7显示64.2%物种的专家建议调查时段与实测高检测期存在严重偏差(C1/C2类)，标准调查协议(日出后4小时)对41.5%物种效果不佳。特别是乌鸫、戴菊(Regulus regulus)等常见物种的黄昏活动高峰被完全忽略。

这项研究的结论具有多重重要意义：首先，为鸟类时间生态位划分提供了实证基础，揭示了森林鸟类通过昼夜和季节时间分化实现共存的机制。其次，研究提出的"时间完整性"和"时间特异性"评估框架，为优化调查方案提供了量化工具。最重要的是，研究证明将PAM与传统调查方法结合，可显著提高监测效率——例如建议在日出前1小时增加专项调查以覆盖活动高峰物种。

讨论部分特别指出，随着气候变化改变物候，基于历史经验的调查建议需要定期更新。研究建立的基线数据不仅可用于评估人为干扰(如光污染、噪音)对鸟类活动的影响，其采用的连续采样方案也为全球声景生态学研究提供了范本。正如作者强调的，这项研究"提高了人们对声学可检测性时间变异性的认识"，对鸟类调查的解释和设计都具有深远影响。