基于声学指数与线性判别分析（LDA）的澳大利亚布布克鹰鸮（Ninox boobook）个体声学识别与被动监测

《Bioacoustics》：Vocal identification and monitoring of individual Australian Boobook owls (Ninox boobook)

　　

从动物发声进行个体识别为种群监测提供了一种非侵入性方法，但前提是个体声学特征具有独特性并随时间保持稳定。研究人员检验了布布克鹰鸮（Boobook owls）的领域叫声能否满足这些要求，并能否支持桉树开放林中的个体声学监测。研究人员测量了8只参考个体（每只21–30次叫声）的208次叫声中的6个声学特征，并使用线性判别分析（LDA）进行分析。留一交叉验证达到82.7%的分类准确率，平均频率和频谱熵（H_f）在声学个体判别中显示出最大潜力。随后，研究人员利用单一研究地点连续11个夜晚的被动声学监测录音，在野外应用中检验了训练后的模型。研究人员采用预定义分配标准评估了来自未知身份个体的22个鸣叫回合（重复领域叫声序列）。一只本地留居个体被反复重新识别，另检测到两只其他个体，其中一只曾在本地记录，另一只在邻近地点记录。这些发现表明，这些鸮类叫声包含个体独特的声学特征，具有用于较长期种群监测的潜力，支持将被动声学监测、声学分析和机器学习整合到保护与管理实践中，并具有应用于其他物种的潜力。

研究背景与问题：动物声音可提供开放获取的生态数据，其中个体声学识别（acoustic individual identification, AIID；利用发声的个体独特性识别个体）为种群监测提供了非侵入、较少劳动力和可扩展的方法，尤其适用于受威胁、隐秘及受保护关注的物种。传统标记重捕虽仍有价值，但需要大量劳动和资源，涉及动物福利问题，并可能因个体被诱捕经历改变重捕概率而引入偏倚。AIID的有效性取决于所选声学参数是否在个体间可靠区分、在个体内随时间足够稳定。鸮类具有领域性、高site fidelity和夜行顶级捕食者特征，传统调查难以评估其寿命和栖息地状况，而鸮类叫声具有个体独特性。澳大利亚布布克鹰鸮（Ninox boobook）虽被IUCN列为Least Concern，但存在区域下降，且缺乏稳健的全球种群估计；其还面临栖息地丧失和二次抗凝血灭鼠剂中毒威胁。声学指数多用于声景和生态声学研究，在个体声学识别中的应用仍有限。基于此，研究人员检验布布克鹰鸮领域叫声是否满足个体识别要求，并评估将两个声学指数与常规声学参数共同作为预测特征的AIID模型，随后在被动声学监测（passive acoustic monitoring, PAM；用自动录音单元长时间采集声音）中测试其野外重复识别能力。研究人员预测一只鸮会在多夜被记录，偶发其他个体可能指示邻近个体活动。

研究人员开展的研究及结论与意义：研究人员首先以8只已知个体、208次叫声构建参考数据集，测量6个声学特征并用线性判别分析（linear discriminant analysis, LDA；一种监督分类方法）结合留一交叉验证（leave-one-out cross-validation；每次留一个样本作测试）评估个体区分能力；随后将训练模型应用于单一地点连续11夜PAM录音中的22个未知身份鸣叫回合。研究得出，参考数据集分类准确率为82.7%，平均频率和频谱熵（spectral entropy, H_f；能量在频带分布均匀性的指数）最具个体判别潜力；野外应用中，一只本地留居个体被反复重新识别，另检测到两只其他个体。该研究说明布布克鹰鸮领域叫声含有个体独特的声学特征，支持将PAM、声学分析和机器学习整合用于保护与管理，并具有推广至其他物种的潜力。

关键技术方法：样本来源于澳大利亚昆士兰东南部5个开放桉树林地点，包括Hidden Vale Research Station的4个地点和Mount Grandchester Conservation Estate的1个地点；录音来自2023年10月2–12日夜间，使用BAR-LT自动录音单元以44.1 kHz/16-bit采集。参考数据集为8只已知个体208次叫声，野外应用数据集为ARU27站点11夜22个鸣叫回合、379次叫声。叫声经400–1000 Hz带通滤波并以?8 dB相对峰值阈值提取目标信号；计算中心频率、平均频率、主频、均方根振幅（root-mean-square amplitude, RMS）、声学复杂度指数（acoustic complexity index, ACI；相邻时间帧频谱振幅变化）和H_f共6个特征；采用LDA留一交叉验证、潜在个体编码（potential for individual coding, PIC；个体间变异与个体内变异的比值）及ANOVA结合Tukey HSD比较；野外分配要求最佳概率≥0.50、较次高概率至少高0.30，并位于预测个体参考 calls 的95%半径内。

研究结果：3.1 Assessing acoustic individual identification in the reference dataset（参考数据集中声学个体识别评估）。通过8只参考鸮208次叫声的6特征LDA留一交叉验证，获得82.7%分类准确率；平均频率（PIC=2.24）和H_f（PIC=2.02）的PIC明显大于1，显示最强个体签名，中心频率（PIC=1.96）、主频（PIC=1.19）和RMS（PIC=1.02）为中等至较低，ACI（PIC=0.83）低于1。6个声学参数在8个参考标签间均差异显著（Benjamini–Hochberg校正p<0.001），平均频率的ANOVA F统计量最大（F(7, 200)=126.60；28个Tukey两两比较中24个显著），其次为中心频率（21/28）和H_f（20/28）。这些结果表明布布克鹰鸮叫声具有个体独特性，且跨整个信号谱计算的频谱汇总指标较单点指标和振幅相关指标更有效。3.2 Applying the AIID model to the field-application dataset（AIID模型在野外应用数据集中的应用）。将参考模型应用于ARU27站点11夜22个未知鸣叫回合，15个回合按标准分配给已知标签，7个标为unknown，未知率为31.8%；owl_1在5夜9个回合中被识别，owl_2在2夜2个回合中被识别，owl_6在2夜4个回合中被识别。结果表明该流程可在固定地点PAM中重复识别个体并检测其他个体，未知回合可能与信号退化、声学特征不稳定或存在未标记个体有关。

讨论部分总结：讨论指出，鸮类领域叫声的个体声学签名通常被认为是固有而非学习行为，与个体形态和体型相关，并可能具有遗传基础，从而影响发声的频谱特征。本研究中平均频率和H_f具有显著判别力且可互补：H_f有助于区分平均频率相近的个体，平均频率有助于区分H_f相近的个体。Otter曾报道Northern Saw-whet Owl（Aegolius acadicus）平均频率个体内变化小、个体间差异大；Araya-Salas et al.指出单点指标易受录音距离和信噪比（signal-to-noise ratio, SNR）变化影响，而跨整个频谱的汇总指标更稳定；Linhart and ?álek对Little owl（Athene noctua）的比较显示频谱形状特征准确率高于单点指标；Gan et al.认为ACI虽不适用于本研究的个体判别，但可能用于物种水平分析。LDA为闭集分类器，研究采用严格分配标准拒绝不确定分配；8个参考标签虽少，但208次叫声、每只21–30次重复符合训练建议和每只至少20次叫声的建议。增加个体数可能因声学相似性降低准确率，可通过加入PIC>1的特征缓解。野外未知率31.8%可能反映信号退化、声学特征不稳定或存在未标记个体；录音距离和信号质量对AIID至关重要。短期监测中成功重新识别留居个体并检测到此前同地和邻地记录的个体，但长期稳定性仍需多年验证；Odom et al.曾报告个体声学签名相对稳定时分类准确率仍随时间下降。未来可整合额外时间和结构叫声特征以增强模型稳健性并扩展至区域尺度监测；该框架可能适用于具有简单重复叫声的物种，以及频谱特征可提供可靠个体身份线索的复杂发声物种，但广泛尺度应用前需进行物种和栖息地特异性验证。

研究结论翻译：在短期监测中成功重新识别一只留居鸮，并检测到此前在同一地点和邻近地点记录的鸮，表明将AIID与PAM结合具有跨时间追踪个体的潜力。平均频率和H_f为区分个体提供了特别有用且互补的信息，而鸣叫回合使多次叫声重复可用于更可靠的识别。然而，分析AIID时必须考虑录音距离和信号质量。未来研究应重点验证布布克鹰鸮声学特征跨多年的长期稳定性；此外，探索整合额外时间和结构叫声特征可增强模型稳健性，以扩展至区域尺度的布布克鹰鸮种群监测。更广泛地，该框架可能适用于具有简单重复叫声的其他物种，以及频谱特征可提供可靠个体身份线索的复杂发声物种。因此，布布克鹰鸮为展示AIID的潜力与局限提供了有用模型，同时强调在广泛尺度应用前需进行物种和栖息地特异性验证。