基于16项声学特征与随机森林的Bering-Chukchi-Beaufort (BCB) bowhead whale叫声八分类与发声曲目定量描述

《Marine Mammal Science》：Classification of Bering-Chukchi-Beaufort Bowhead Whale Calls

　　

弓头鲸（Balaena mysticetus）是北冰洋特有种，高度依赖声学通讯。尽管其是研究最充分的弓头鲸种群之一，但研究人员对Bering-Chukchi-Beaufort (BCB)弓头鲸叫声行为的理解仍不足。为填补该知识空白，研究人员从2018—2021年间在东部Beaufort Sea与Amundsen Gulf的8个底置水听器站点采集的被动声学录音中提取2326个弓头鲸叫声。利用随机森林(random forest, RF)模型，基于16项声学特征将叫声分为8个不同类别，准确率为86%。研究人员呈现这些不同叫声类别的描述性统计，并突出用于区分它们的最重要声学特征。通过定量描述这些叫声并定义BCB弓头鲸的发声曲目(vocal repertoire)，本研究为考察这一高度发声海洋物种的声学生态学奠定重要基础。这些结果为检验关于不同叫声与行为关联的假设以评估叫声功能提供依据，并为未来叫声检测器以及与其他弓头鲸种群的方言比较构建声学形态(acoustic morphology)数据库。

研究背景与问题：动物叫声可传递情境信息，被动声学监测(passive acoustic monitoring, PAM；利用水听器长时间记录水下声景)已成为研究难以直接观察的海洋动物生态与行为的重要工具。弓头鲸(Balaena mysticetus)是北冰洋特有须鲸，对因纽特人具有文化重要性；Bering-Chukchi-Beaufort (BCB) bowhead whale种群在商业捕鲸后从约1000头恢复至超过16000头。尽管商业捕鲸不再构成主要威胁，北极噪声增加、西北航道船只交通增加以及气候变化，使高度依赖声学通讯与导航的BCB种群面临威胁。已有PAM研究描述了弓头鲸迁移、越冬及Spitsbergen种群歌声曲目，叫声大致分为song与nonsong calls；nonsong call类别被认为较稳定且模式化，已有down sweeps、up sweeps、flat tonal signals和modulated down sweeps等描述。然而，BCB种群叫声的行为功能仍理解不足，且尚未有任何bowhead种群的nonsong calls应用正式分类模型。鉴于此，研究人员需要建立BCB弓头鲸叫声的定量发声曲目，以探索方言差异，并评估气候变化和人为噪声对该物种的影响。

研究人员开展的研究、结论与意义：研究人员从加拿大西部北极Inuvialuit Settlement Region内东部Beaufort Sea与Amundsen Gulf的PAM数据中提取2326个中等及以上质量叫声，利用随机森林模型基于16项声学特征将BCB弓头鲸简单nonsong calls分为8类，总体准确率为86%。研究给出各类叫声的描述性统计，明确区分各类别时最重要的声学特征，并定义BCB弓头鲸的发声曲目。该研究为考察这一高度发声海洋物种的声学生态学奠定基础，为检验不同叫声与行为关联及叫声功能提供依据，并为未来叫声检测器、声学形态数据库及与其他弓头鲸种群的方言比较提供基础。

关键技术方法与样本来源：样本来自2018—2021年加拿大西部北极Inuvialuit Settlement Region内东部Beaufort Sea与Amundsen Gulf的8个底置水听器站点。录器为Ocean Instruments Sound Trap ST500/ST600 STD，采样率48 kHz，占空比5 min/h或5 min/0.5 h。先用Spectro Detector (JASCO Applied Science Ltd.)初筛，再以Raven Pro人工核验并提取16项声学特征；采用随机森林(random forest, RF)进行监督分类，10,000棵树，按80%—20%划分训练集与测试集。

研究结果：3 Results：通过人工核验与分类2326个叫声，研究人员得出up-sweep、down-sweep和constant calls合计占53%以上，其中up-sweep最常见；除Franklin Bay 2019—2020的modified down-sweep与Sachs Harbour 2020—2021的growl外，所有叫声类型在所有站点和年份均被检出。3.1 Classification Model：通过随机森林模型对测试集进行预测，模型以86%准确率(95% CI=0.83, 0.89；No-information rate=0.24；p<0.001)区分8类叫声，16项特征均成功收敛；constant、up-sweep、down-sweep、growl和concave分类准确率>90%，modified up-sweep、modified down-sweep和convex>80%；6项特征的平均基尼下降(mean decrease Gini, MDG)>100，显示其对分类贡献较强。

讨论部分总结：4 Discussion：通过描述叫声分布，研究人员发现up-sweep、down-sweep、constant最常见，modified down-sweep最少；原文指出初始人工标签中的部分区分反映基频(fundamental frequency, F₀)特征的连续变异，modified类与convex的平衡准确率相对较低；所有8类在几乎所有站点和年份出现，原文认为这提示这些叫声可能具有独立于季节性活动的社会通讯或环境导航保守功能。4.1 Call Classification Model：通过将分类模型与既有文献比较，研究人员得出模型可靠，所识别类别与已有描述基本一致；F₀轮廓是区分叫声类别的主要变异来源，最大与最小F₀位置及拐点数可有效描述叫声形状；特征提取较劳动密集，未来可结合卷积神经网络(convolutional neural networks, CNN)；当前模型仍非完整发声曲目，未来应纳入biphonic、pulsed及song等复杂声；模型可用于后续叫声功能研究，并建议结合动物携带生物记录仪(biologger)数据关联具体行为。

研究结论（翻译）：据研究人员所知，这是首个针对BCB bowhead whale音调叫声的同行评审定量分类模型。结合所提供各相关叫声特征的描述性统计，结果可用于标准化未来发声曲目分析，以及BCB种群与北极其他bowhead种群之间的方言比较。