基于卷积神经网络的陆生哺乳动物足迹识别：低成本地震节点与深度学习模型在生物多样性监测中的突破性应用

这篇开创性研究开发了仅需220美元的原型足迹陷阱（footfall trap），结合卷积神经网络（CNN）模型，实现了对美洲黑熊、美洲狮、灰狼和白尾鹿四种陆生哺乳动物92%的物种识别准确率（F1分数86-97）。该技术突破了传统地震仪的高成本限制（14,100美元/台），通过全自动化工作流程提取10,965个足迹事件，在3米检测半径内展现出替代相机陷阱（camera trap）和被动声学监测（PAM）的潜力，为沉默物种监测提供了新范式。

　　

【Abstract】

生物多样性监测技术迎来革新突破。研究团队成功开发出结合低成本地震节点与深度学习模型的足迹监测系统，在圈养环境中实现对四种陆生哺乳动物高达92%的物种识别准确率。这项技术通过全自动化工作流程，从9天的连续记录中提取10,965个足迹事件，验证了地震学方法在中小型哺乳动物监测中的可行性。特别值得注意的是，当设置0.8的置信度阈值时，模型准确率可提升至99%，尽管会损失27%的数据量。

【1 INTRODUCTION】

全球27%的哺乳动物正面临生存威胁，传统调查方法在监测大型哺乳动物时遭遇严峻挑战。主动调查方法如航空调查和样线调查存在显著低估物种的问题，而主流被动监测技术——相机陷阱和被动声学监测（PAM）各有局限：相机陷阱受植被遮挡和探测距离限制（有效距离<4米，角度<26°），PAM则无法监测沉默物种。

地震监测技术此前主要应用于大象行为研究，但存在两大瓶颈：设备成本高昂（地震节点均价2,500美元）和物种识别范围有限。本研究创新性地将卷积神经网络（CNN）引入地震数据分析，首次实现了对体重远小于大象的多种哺乳动物的精确识别。

【2 MATERIALS AND METHODS】

研究团队自主研发的原型足迹陷阱核心部件包括：

• 4.5Hz垂直分量地震检波器（灵敏度100V/m/s）

• Arduino MKR Zero开发板（12位模数转换器）

• 双模式工作系统：监听模式（100Hz采样率）和记录模式（800Hz）

在加拿大不列颠哥伦比亚省大温哥华动物园，设备部署在四种动物的活动路径上：

1. 美洲黑熊（Ursus americanus）

2. 美洲狮（Puma concolor）

3. 灰狼（Canis lupus）

4. 白尾鹿（Odocoileus virginianus）

数据处理流程采用创新性算法：

• 250Hz低通巴特沃斯滤波器去除无关频率

• 连续小波变换（CWT）生成时频谱图

• 滑动时间窗（0.02s）结合高斯滤波（f=3）进行事件检测

研究构建了四种CNN模型架构，其中表现最佳的Wavelet-CNN模型包含：

• 2个二维卷积层（32和64个滤波器）

• 最大池化层和Dropout层（0.25/0.5）

• 全连接层（128个神经元）

【3 RESULTS】

硬件性能方面：

• 3米有效检测半径

• 75mA平均功耗

• 5.5天连续工作能力

数据分析显示：

• 美洲狮和灰狼获得最高F1分数（95.9和92.8）

• 白尾鹿识别相对困难（F1=82.1）

• 蒙特卡洛交叉验证显示模型稳健性（中位准确率91.7%，CI 90.4-92.3）

时频谱图分析揭示显著物种特征差异：

• 黑熊：50Hz附近的持续震动

• 白尾鹿：高频瞬时冲击

• 灰狼：规律快速的步态模式

【4 DISCUSSION】

这项技术填补了被动监测领域的空白：

优势：

• 360°全向检测（对比相机陷阱的26°）

• 不受植被遮挡影响

• 连续记录能力

• 设备隐蔽性（可完全埋入地下）

应用前景：

• 濒危物种长期监测

• 触发相机陷阱的智能系统

• 生物多样性指数计算

挑战与展望：

• 近缘物种区分（如不同有蹄类）

• 不同基质的信号传播差异

• 建立全球足迹数据库

• 发展随机相遇模型（REM）的适用方法

【5 CONCLUSION】

这项研究证实了地震监测技术结合深度学习的巨大潜力。仅220美元的原型设备实现了专业地震仪的功能，为野生动物监测提供了可扩展的解决方案。未来研究应着重解决近缘物种区分和环境适应性等挑战，推动该技术从概念验证走向实际应用。随着足迹数据库的完善，这项技术有望成为生物多样性监测的标准工具之一。