《Wildlife Biology》：Pickin' up good vibrations: a systematic review of footfall detection and analysis in the realm of wildlife surveying
编辑推荐：
本综述首次系统梳理了利用地震传感器记录野生动物足迹振动信号的研究进展。文章追踪了该技术从人兽冲突预警到生物多样性监测的应用演变，重点分析了传感器类型（如地震检波器geophone）、信号处理流程（如CNN分类模型）与性能指标（中位准确度达90%）。指出该方法在填补相机陷阱与声学监测能力间隙方面的潜力，并提出建立标准化数据库、提升模型泛化能力等未来方向。
引言：地震传感技术在野生动物监测中的兴起
传统野生动物监测方法如相机陷阱和被动声学监测存在视线遮挡、触发偏差等局限。近年来，基于地震传感器（如地震检波器geophone）的足迹陷阱（footfall trap）技术应运而生，通过记录动物行走时产生的地面振动信号实现无间断监测。该方法最初应用于边境安防领域，自2000年起逐步用于大象等大型兽类监测，近五年相关研究数量显著增长（占全部文献的45%），其中70%的研究以解决人兽冲突（Human-Wildlife Conflict, HWC）为核心目标。
传感器类型与部署策略
70%的研究使用成本低廉的地震检波器（如SM-24型号灵敏度28.8 V/m/s），其信号需经过放大器与数模转换处理。少数研究采用高频宽带地震仪（如Guralp 6TD，灵敏度2400 V/m/s），但成本高达1万美元以上。传感器通常埋设于地下7-30厘米深处，采样率多设置为200-1024 Hz以捕捉物种特异性振动频率（如大象足迹主频约20 Hz，鹿类可达220 Hz）。研究显示土壤湿度与密度会显著影响信号衰减，例如在潮湿土壤中需将增益从10提升至80以补偿信号损失。
信号处理与分类模型演进
早期研究依赖振幅阈值法或谱图肉眼判读，但误报率高。机器学习模型逐步成为主流：
- •
传统模型：支持向量机（SVM）在二元分类中准确率达88.3%，但需人工提取特征（如频谱重心、过零率）。
- •
深度学习模型：卷积神经网络（CNN）表现突出，其中1D-CNN对大象/人/噪声的三分类准确率达98%，2D-CNN在四物种（黑熊、灰狼、美洲狮、白尾鹿）分类中实现91.7%的准确率。模型训练面临数据量小、样本不平衡等挑战，例如某些研究仅包含12个训练样本，导致模型泛化能力不足。
性能评估与局限性
在二元分类任务中，中位准确度为90%，但结果受多种因素影响：
- •
环境干扰：不同底物类型可使信号振幅差异达10倍，跨站点测试时准确率下降明显。
- •
行为变异：同一物种在不同步态（行走/奔跑）下的振动特征差异显著，现有研究对行为上下文考量不足。
- •
距离限制：可靠检测距离通常小于100米，最远记录为150米（大象），但超出50米后信号衰减加剧。
应用场景拓展
足迹陷阱技术已从单一物种预警向生态系统监测延伸：
- •
人兽冲突防控：在斯里兰卡和印度，地震传感器阵列触发声学威慑装置（如蜂群声效）以减少大象闯入村庄。
- •
生物多样性调查：非洲塞伦盖蒂的“SeisSavanna”项目通过22台地震仪记录8000小时数据，结合相机陷阱标定，构建了多物种识别数据库。
- •
行为研究：分析大象“跺脚”通信行为的振动传播特性，发现其在理想底物中传播距离可达32公里。
未来展望与挑战
优先研究方向包括：提升模型在近缘物种（如同属鹿科）间的区分能力；建立跨场地泛化数据集；开发基于振动信号的生物量估算模型。建议制定标准化数据报告规范（如土壤参数、采样率），并创建类似鸟类声学数据库Xeno-Canto的足迹振动共享平台，推动该技术从概念验证走向规模化应用。
（注：全文严格依据原文数据与案例，未添加非原文信息。）
