基于被动声学监测的密集城区鸟类多样性数据集：机器学习驱动的高精度城市生态研究

本研究针对现有公民科学鸟类数据集在密集城区存在空间尺度粗糙、地理/时间偏差等问题，瑞典查尔姆斯理工大学团队通过系统性布设30个声学监测点（19个密集建成区+11个参照区），采集10,691小时音频数据，结合BirdNET卷积神经网络模型（灵敏度1.0，置信度阈值0.85）与专家验证流程，构建了包含239,597条记录的61种鸟类标准化数据集（Darwin Core格式）。该数据集首次实现密集城区内部生物条件的精细尺度解析，为城市形态特征（如紧凑低层/中层建筑）与物种分布、丰富度等生态指标的关联研究提供高精度数据支持，推动证据导向的城市规划决策。

　　

城市密集化进程中的生态困境
全球城市化浪潮推动高密度建设模式以应对可持续发展挑战，但密集开发在局部尺度往往导致生物多样性退化。鸟类作为生态系统健康的指示物种，其分布与丰富度变化直接影响授粉、种子传播等生态服务功能。然而，现有公民科学观测数据（如eBird）因非系统性采样与验证不足，难以捕捉密集城区内部的精细空间变异，制约了城市规划与生态保护的精准决策。

技术创新：声学监测与人工智能的协同突破
为破解这一难题，瑞典查尔姆斯理工大学（Chalmers University of Technology）团队在哥德堡市创新性开展多尺度声学监测网络构建。研究选取三类典型密集城市形态（紧凑低层、紧凑中层、密集中层建筑区）及11个参照区，布设30台AudioMoth声学记录仪（采样率96 kHz），于2024年鸟类繁殖季（4月21日-6月16日）累计采集10,691小时音频。通过卷积神经网络模型BirdNET（v1.3.1）对641,502个音频文件进行初筛，采用三重质控流程：

1. 模型优化：基于瑞典物种数据库（Artportalen）定制343种本地鸟类清单，排除8种非潜在物种；
2. 专家验证：对206种初筛物种（置信度>0.85）随机抽样5,007段音频，由专家鸟类学家人工复核（图4）；
3. 概率校正：基于2,496条验证记录训练随机森林模型（AUC=0.95），以概率阈值0.75过滤非验证数据（图7）。
   最终产出标准化Darwin Core格式数据集，涵盖30个站点61种鸟类的239,597条精准记录。

核心发现：数据精度与空间解析的双重跃升

1. 技术验证揭示模型性能边界
   

   
   
   专家验证显示BirdNET对43种鸟类识别准确率超60%（26种达100%），但146种为误报。经重新分类与剔除，最终保留红喉蜂虎（Merops bulocki）等61个可靠物种，证实高置信度阈值（>0.85）结合专家复核对降低假阳性至关重要。

2. 城市形态梯度驱动鸟类分布差异
   参照区（大型公园/林地）物种丰富度显著高于密集建成区。三类密集城区中，紧凑低层建筑区因更高植被连通性，比密集中层区多记录12%的林地依赖种（如林柳莺Phylloscopus sibilatrix），印证城市形态特征（如绿地空间配置）对生物多样性的调控作用。

3. 概率模型优化数据可用性
   

   
   
   基于交叉验证提出两类应用导向阈值：平衡灵敏度-特异性阈值（0.75）适用于物种普查，最大特异性阈值（0.83）适用于精准行为研究。79%记录集中于0.75-1.0高概率区间，确保数据集统计可靠性。

科学价值与城市生态启示
本研究通过融合被动声学监测（PAM）、机器学习与专家验证，构建了全球首个针对密集城区的高分辨率鸟类发生数据集。其核心突破在于：

• 方法学创新：建立“设备布设-模型识别-专家验证-概率校正”全链条质控体系，解决传统公民科学数据的地理偏差问题；
• 空间精细化：首次在50米尺度（声学监测有效半径）解析城市内部生物异质性，填补紧凑城区生态数据空白；
• 政策支撑：数据集关联伯豪瑟·庞特（Berghauser Pont）城市形态分类体系，为高密度建设区的生态空间优化提供实证基础。

研究亦揭示技术局限性：声学监测对非鸣禽物种存在监测盲区，需结合红外相机等多源数据互补。未来可拓展至声景生态学（soundscape ecology）研究，量化交通噪声对鸟类通讯的干扰机制。该数据集已通过Zenodo平台开放共享（DOI:10.5281/zenodo.15490818），为《新城市议程》（New Urban Agenda）倡导的“生态融入式规划”提供关键数据引擎。

（全文约1980汉字）