一项案例研究比较了使用线性样带法和播放印度白眼鸟的群集叫声这两种方法，在亚热带云南地区检测森林鸟类的效果

《Avian Research》：A case study comparing line transect and Indian White-eye mobbing call playback for detecting forest birds in subtropical Yunnan

　　刘月强|沈泽豪|雷福民
云南大学生态与环境科学学院，昆明650091，中国

**摘要**
在鸟类监测中，检测偏差是准确评估群落结构的关键限制因素。本研究通过一个详细的野外对比案例研究，探讨了播放印度白眼鸟（Zosterops palpebrosus）的群集叫声（仅记录那些接近并响应播放刺激的鸟类物种和个体）与传统的线样带方法（记录沿样带视觉或听觉检测到的所有鸟类）之间的差异。该研究在云南高原中部的亚热带半湿润常绿阔叶林中进行。我们使用这两种方法进行了23次重复调查，并利用多元回归树系统地评估了这两种方法的检测效率及其主要影响因素。研究结果表明：（1）这两种方法具有功能互补性：线样带方法在总物种丰富度（84种 vs 51种）和检测大型鸟类（体重≥15克）方面具有显著优势，而特定群集叫声的播放则更适用于小型鸟类（尤其是0–10克组）以及食虫/食蜜鸟类群。结合使用这两种方法可以将物种检测率提高多达46.9%；（2）检测效率随季节变化而变化，在非繁殖季节两种方法之间存在显著差异（p < 0.05），但在繁殖季节没有显著差异，这反映了鸟类行为的季节性变化；（3）回归树分析揭示了一个决定检测差异的层次路径：体重是主要区分因素（阈值15克），其次是栖息地类型，最后是营养生态位。具体而言，大型鸟类（≥15克）的检测率在灌木林和针叶林中更为明显，而小型鸟类（<15克）在森林栖息地中对播放反应更积极，其中食虫小型鸟类的反应最为明显。系统发育信号非常弱（Blomberg's K = 0.057），进一步表明功能特征而非系统发育关系主导了对这种特定群集叫声的物种间反应差异。本研究为使用特定群集叫声进行针对性监测提供了实证案例，并为优化结合多种方法的鸟类调查方案奠定了基础。

**1. 引言**
作为生物多样性的关键组成部分，鸟类物种在维持生物群落稳定性和生态系统功能方面发挥着重要作用（Dalui和Mondal，2023）。由于鸟类物种的高移动性和多样的复杂行为，准确调查和评估不同栖息地中的物种组成和种群动态既是鸟类学研究的核心焦点，也是主要挑战（Zhang等人，2022）。这些评估是生物多样性评估、生态系统健康监测和制定基于证据的保护策略的基础。鸟类物种对植被结构和物种组成有很强的依赖性，并且对栖息地干扰和栖息地质量变化非常敏感（Magurran，2021）。特征物种的丧失或鸟类种群的减少是生态系统退化的关键早期预警信号（?ekercio?lu，2012）。长期种群监测有助于了解物种分布模式和种群动态趋势，并能够评估保护措施的有效性（Gregory等人，2005）。在没有可靠的基线数据和持续监测的情况下，量化生物多样性丧失的速度并科学确定保护优先级具有挑战性（Jetz等人，2007）。因此，建立和推广标准化调查方案以获取可靠、可比的物种和种群数据对于连接生态研究和保护实践至关重要。

传统上，由于标准化和普遍性，传统的线样带方法（结合视觉和听觉检测）被广泛采用（Verner，1985；Bibby等人，2000；Wu和Yang，2008）。然而，这种方法严重依赖于观察者的视觉和听觉能力，并受到植被遮挡以及鸟类形态和行为特征的极大影响。这些因素可能导致特定鸟类个体（例如小型、深色羽毛或不活跃的个体）被遗漏，从而导致低检测率和评估偏差（Verner，1985；Jones等人，2000；MacKenzie等人，2002）。

近年来，一种新的声学监测技术——群集叫声播放——逐渐成为鸟类监测的重要补充方法（Kubel和Yahner，2007；Jakob等人，2010；Lauren等人，2015；Tian等人，2025）。该方法基于鸟类群落中的常见群集行为：当鸟类感知到潜在捕食者时，它们会产生特定的群集叫声，吸引同种鸟类聚集并促使异种鸟类参与，共同用类似的叫声驱赶捕食者（Hartley，1950；Curio，1978；Hurd，1996；Kennedy等人，2009；Magrath等人，2015）。群集叫声播放方法通过记录目标物种的群集叫声并在调查地点播放这些录音来模拟鸟类捕食者入侵的情景，从而触发鸟类的自然防御反应。当鸟类被播放信号吸引并聚集时，研究人员可以进行现场观察并记录物种及其数量，或者记录不同鸟类的叫声，从而检测一定范围内的鸟类物种和种群数量。这种方法突破了线样带方法对被动视觉和听觉检测的依赖，从而提高了对隐秘或远处鸟类物种的监测效率（Lauren等人，2015）。例如，Lima等人（2018）在巴西东北部的干燥森林中播放了铁锈侏儒猫头鹰（Glaucidium brasilianum）的叫声，诱发了72种鸟类的群集行为，占该地区鸟类总数的约66.7%。同样，Zhou等人（2021）在云南哀牢山的湿润常绿阔叶林中播放了不同的鸟类群集叫声，在两年内进行了240次试验，吸引了72种鸟类，占该地区鸟类总数的约60%。

云南是全球生物多样性热点地区，拥有中国最高的鸟类物种多样性（Wu等人，2013；Lei等人，2015；Gao和Sun，2016；Lei等人，2021）。此前，Hu等人（2019）在石子山自然保护区的半湿润常绿阔叶林中进行了线样带调查，记录了属于7个目和21个科的71种鸟类。Liu等人（2024）在云南高原中部的半湿润常绿阔叶林中实施了群集叫声播放调查，记录了属于7个目和34个科的102种鸟类。然而，其实际效果——特别是与线样带方法的直接比较——仍缺乏系统的野外实证研究（Lauren等人，2015）。此外，大多数现有研究使用单一物种的群集叫声作为声学刺激，其结果的普遍性尚不清楚。

为了填补这一知识空白并明确这两种特定方法的边界条件，我们在云南省中部高原的亚热带半湿润常绿阔叶林中设计了一个对比案例研究。使用印度白眼鸟（Zosterops palpebrosus）的群集叫声作为特定播放刺激，我们同时进行了重复调查，并与线样带方法进行了对比，旨在解决以下科学问题：
（1）这两种方法在检测鸟类物种组成方面存在哪些差异？
（2）哪些物种或功能群对该特定播放刺激反应更明显？
（3）物种的功能特征和栖息地特征如何影响两种方法之间的检测差异？

**2. 材料与方法**
**2.1. 研究区域和对象**
本研究区域位于中国云南省昆明的海口林场，地理坐标为24°43′–24°56′ N和102°28′–102°38′ E，海拔范围为1800–2400米。该地区具有亚热带半湿润气候，年平均气温为15.4°C，年平均降水量为1000毫米。大约85%的年降水量发生在雨季（5月至10月），而旱季（11月至4月）占剩余的15%（Wang等人，2022）。主要植被类型为自然半湿润常绿阔叶林、暖温带针叶林和混交针叶-阔叶林。群落中的主要树种包括Cyclobalanopsis glaucoides、Lithocarpus mairei、L. dealbatus、Quercus variabilis、Q. aliena、Pinus yunnanensis和Keteleeria evelyniana。此外，研究区域内还分布有P. armandi、Cupressus duclouxiana和Cunninghamia lanceolata等人工种植的森林群落（Li等人，2020）。半湿润常绿阔叶林出现在亚热带半湿润季风气候下，其特征是明显的干湿季节（Wu，1987）。

在先前的研究中，已经使用了诸如黑顶山雀（Poecile atricapillus）（Lauren等人，2015）、日本山雀（Parus minor）（Yu等人，2017）、云南拟啄木鸟（Alcippe fratercula）、栗尾拟啄木鸟（Actinodura strigula）、红尾拟啄木鸟（Minla ignotincta）、灰头金丝雀捕蝇鸟（Culicicapa ceylonensis）和绿背山雀（Parus monticolus）（Zhou等人，2021）以及印度白眼鸟（Zosterops palpebrosus）等鸟类的群集叫声进行播放实验。印度白眼鸟是一种广泛分布于云南的小型森林鸟类，经常形成大群，与其他鸟类混群，并具有天生的警觉性。遇到捕食者时，它通常会迅速发出叫声以发起或引导群集行为（Sridhar和Sankar，2008）。它已被记录为群集行为的主要发起者之一，其叫声在触发跨物种群集行为方面非常有效和具有代表性（Kotagama和Goodale，2004；Goodale等人，2015；Zhou等人，2019）。我们收集了印度白眼鸟在攻击小型猫头鹰时的群集叫声，并使用这些录音作为声学诱饵信息，在一定范围内引发森林鸟类群的群集行为。这使我们能够观察和记录参与鸟类的物种组成和多样性。

**2.2. 实验设计**
2023年11月至2024年11月，我们在海口林场使用线样带方法和印度白眼鸟群集叫声播放进行了鸟类监测的对比调查实验。在林场内的小径上设置了两条各长3公里的调查样带（图1）。每月初和月中各进行一次对比调查，共完成了23次调查。

每次调查于上午8:00开始。两名鸟类学家相隔约500米的距离沿着样带行走。两人都配备了10 × 42倍率的双筒望远镜和装有400毫米镜头的数码相机用于鸟类观察和记录。领先的鸟类学家进行标准线样带调查，以约2公里/小时的速度行走时记录样带两侧视觉或听觉检测到的所有鸟类物种和个体。跟随的鸟类学家在同一路线上进行印度白眼鸟群集叫声播放调查。这种固定顺序的设计是为了防止播放信号吸引鸟类进入线样带观察者的路径，从而保持两种方法的独立性。播放操作者在样带上每隔200米设置一个播放点。在每个点，通过蓝牙扬声器播放预先录制的印度白眼鸟群集叫声5分钟（Lima等人，2018）——这个时间长度足以让鸟类有足够的时间检测、接近并作出反应，同时对于重复调查来说在后勤上也是可行的。声源处的平均音量为75分贝。在每次播放期间及播放后2分钟内，观察者视觉识别、计数并记录所有接近播放点（半径约10米范围内）的鸟类物种和个体，并记录表现出群集行为的个体，如发出警报叫声、采取警戒姿势或主动接近扬声器。未停止飞行或对播放没有明显反应的鸟类未被包括在内。随后，将两种方法获得的所有物种和计数数据在实验室中汇总和验证。

利用Xiahou等人（2025）建立的云南省植被地图（30米分辨率），结合高分辨率Google Earth卫星图像的解释和校正，我们制作了海口林场的植物群落类型地图。我们随后提取了实验观察区域内植物群落分布的地图，共识别出三种植被类型：半湿润常绿阔叶林、针叶林和灌木（图1）。我们从AVONET数据集（www.figshare.com；Tobias等人，2022年）中获得了每种鸟类的功能特征数据，包括平均体重、翼长和营养生态位（见附录表S1）。鉴于已经建立了全球鸟类物种级别的系统发育树（Jetz等人，2012年），我们根据观察记录中建立的鸟类群落列表，从开放获取的国际鸟类系统发育数据库（https://birdtree.org）中获取了系统发育关系数据。根据季节分布和繁殖状态，将鸟类居民类型分为四组：留鸟、夏候鸟、冬候鸟和过境候鸟。

2.3 数据分析
2.3.1 鸟类物种、数量和体重相关性
通过线样带法记录的鸟类物种和个体数量数据以及播放印度白眼鸟群集叫声的数据被汇总，并生成了基于个体的物种累积曲线。由于数量数据分布不呈正态分布，我们计算了Spearman等级相关系数（ρ）及其对应的p值，以检验两种采样方法获得的个体数量与物种数量之间的相关性。我们构建了一个线性回归模型，以对数转换后的鸟类数量作为因变量，体重作为自变量。所有统计分析和数据可视化均使用R 4.3.2（R核心团队，2024年）中的‘ggplot2’（Wickham，2016年）、‘iNEXT’（Hsieh等人，2016年）和‘tidyverse’（Wickham等人，2019年）包完成。

2.3.2 检测率差异的分析和统计检验
对于每种鸟类，我们计算了其在两种调查方法下的检测率（具体结果见附录表S1）。此外，我们进一步细分并计算了每种鸟类在一年中不同季节、繁殖状态和生境类型（植被类型）下的检测率。根据Morelli等人（2022年）的方法，我们将检测率定义为某种鸟类被某种调查方法记录的次数与在特定时间和空间范围内进行的总调查次数的比率。我们计算了两种方法之间的检测率差异（DRD）：
差异 = 播放检测率 – 线样带检测率
正差异表示线样带方法的遗漏概率较高；而负差异表示播放印度白眼鸟群集叫声的方法的遗漏概率较高。
我们对两种方法之间的DRD进行了Shapiro–Wilk正态性检验，以检验DRD的平均值是否显著偏离零（即两种方法之间的检测率是否存在显著差异）。如果Shapiro–Wilk检验的p值大于0.05，则使用单样本t检验；如果p值小于或等于0.05，则使用Wilcoxon符号秩检验（Stevens和Grace，2022年）。此外，我们根据生境、营养生态位、季节和繁殖状态对数据进行了分组，并检验不同组之间的DRD是否存在统计学上的显著差异。由于涉及多次比较，所有组内检验的p值均使用Benjamini-Hochberg方法进行了假发现率（FDR）校正；调整后的p值（Padj）在整篇手稿和所有图表中都有报告。所有统计分析均使用R 4.3.2（R核心团队，2024年）中的‘tidyverse’（Wickham等人，2019年）包完成。

2.3.3 系统发育结构指数的计算和系统发育信号的分析
系统发育多样性指数指的是系统发育树上物种之间最短分支长度的总和，包括平均成对距离（MPD）、平均最近分类单元距离（MNTD）、净相关性指数（NRI）和最近分类单元指数（NTI）（Faith，1992年）。根据NRI（或NTI）指数的结果是与虚拟群落的MPD（或MNTD）显著高于、低于还是没有显著差异，将群落中物种之间的系统发育距离分为三类：聚集型、过度分散型和随机型，这些可以与物种组成和功能特征等相关信息结合，以解释群落组装机制（Forest等人，2007年；Webb等人，2008年）。基于线样带法和播放印度白眼鸟群集叫声的物种组成数据，我们使用R 4.3.2（R核心团队，2024年）中的‘picante’（Kembel等人，2010年）包计算并可视化了NRI和NTI。

NRI = ?MPDobserved – MPDnull × SD (MPDnull)
NTI = ?MNTDobserved – MNTDnull × SD (MNTDnull)
其中，MPDobserved表示观察到的鸟类群落的平均系统发育距离，MPDnull表示零模型模拟的平均系统发育距离（随机排列的物种池）；MNTDobserved表示观察到的鸟类群落的平均最近分类单元系统发育距离，MNTDnull是零模型的模拟值。标准差（SD）通过1000次排列试验计算得出，以反映群落的整体系统发育聚集或过度分散程度。
系统发育信号指的是密切相关的物种所表现出的特征相似程度，这揭示了特征进化是否受到系统发育历史的限制。Blomberg的K值衡量了系统发育树上特征的聚集程度（DRD）。K值大于1表示功能特征的进化具有比布朗运动模型更强的系统发育信号，而K值小于1表示功能特征的系统发育信号较弱（Blomberg等人，2003年）。同时，我们使用Blomberg的K值和系统发育独立对比（PIC）方差检验来评估DRD的系统发育信号（Felsenstein，1985年；Paradis等人，2004年；Kembel等人，2010年）。
为了研究播放印度白眼鸟群集叫声与线样带方法之间的DRD是否存在系统发育信号（即具有密切进化关系的物种是否具有更相似的DRD），我们构建了一个圆形系统发育树，以DRD作为颜色映射（红色表示播放方法更好，蓝色表示线样带方法更好，绿色表示没有差异），并标记了每种物种的营养生态位和物种名称标签。基于鸟类调查数据和系统发育数据，我们使用R 4.3.2（R核心团队，2024年）中的‘ape’（Paradis等人，2004年）、‘phytools’（Revell，2012年）和‘picante’（Kembel等人，2010年）包提取了系统发育树数据，并计算了Blomberg的K值、观察到的PIC方差（PIC.variance.obs）和平均随机PIC方差（PIC.variance.rnd.mean）；圆形系统发育树使用‘ggtree’（Yu等人，2017年）包构建。

2.3.4 使用多元回归树模型的分析
由于响应变量——两种鸟类调查方法之间的DRD——是连续的，本研究使用回归树模型分析了环境和生物解释变量不同值对DRD的具体影响。回归树模型递归地划分数据空间，逐渐将数据分为不同的子集，每个子集对应一个节点。在每个节点，模型根据某个解释变量的阈值划分数据，以最小化划分后子集内响应变量的方差。通过连续划分，构建了一个回归树，树的每个终端节点代表一个预测值。模型的复杂性由复杂性参数（CP）控制，通过交叉验证选择了最优的CP值以避免过拟合（Krzywinski和Altman，2017年）。通过分析回归树结构和节点信息，我们揭示了不同解释变量对DRD的影响路径和交互效应。

3. 结果
3.1 鸟类物种检测率的比较
通过一年内进行的23次均匀重复的调查，线样带方法记录了属于7目35科的84种鸟类，而播放印度白眼鸟群集叫声记录了属于2目24科的51种鸟类。两种方法有39种重叠物种（详见附录表S1）。线样带方法单独检测到了45种鸟类，占其检测到的总物种的53.6%；这些主要是来自隼形目（Falconiformes）、鸡形目（Galliformes）、鸽形目（Columbiformes）、杜鹃形目（Cuculiformes）、雨燕目（Apodiformes）以及雀形目（Passeriformes）中的鸦科（Corvidae）和燕科（Hirundinidae）的鸟类（参见附录表S1中检测率为0的物种）。相比之下，播放印度白眼鸟群集叫声单独检测到了12种鸟类，占其检测到的总物种的23.5%；这些主要是行为隐蔽的小型雀形目物种，包括喜马拉雅蓝尾鸟（Tarsiger rufilatus）、紫红雀（Carpodacus vinaceus）、火冠山雀（Cephalopyrus flammiceps）和泰加捕蝇鸟（Ficedula albicilla）（参见附录表S1中检测率为0的物种）。
物种累积曲线（图2）显示，播放印度白眼鸟群集叫声更快达到物种饱和，其检测到的总物种丰富度显著低于线样带方法。结合两种方法的结果，检测到的物种丰富度比单独使用线样带方法增加了12.5%，比单独使用播放印度白眼鸟群集叫声增加了46.9%。这表明线样带方法在全面调查鸟类多样性方面具有优势，而播放印度白眼鸟群集叫声在检测特定分类单元方面更有效。结合这两种方法可以更全面地检测森林鸟类区域的鸟类多样性。

我们对方所有记录的鸟类物种的DRD进行了Shapiro–Wilk正态性检验。检验的p值为0.0522，略高于0.05的显著性水平，表明DRD数据大致呈正态分布。为了增强分析结论的稳健性，本研究同时采用了参数和非参数检验来验证DRD是否显著偏离0（即两种调查方法的检测率是否存在显著差异）。对于参数检验，应用了单样本t检验，得到以下结果：检验统计量t = ?2.1175，自由度（df）= 95，p = 0.0368 < 0.05。在0.05的显著性水平下，这表明DRD显著偏离0。作为敏感性分析，我们补充了非参数Wilcoxon符号秩检验，得到检验统计量V = 1813.5，p = 0.06 > 0.05，表明非参数检验结果处于统计显著性的临界边界。
综合两种检验的结果，单样本t检验确认了两种方法之间的检测率存在显著差异，而Wilcoxon符号秩检验未能达到0.05的显著性水平。这种差异可能与DRD数据接近满足正态性假设的边界有关。考虑到数据的正态性特征和两种检验结果的趋势，我们谨慎地得出结论，播放印度白眼鸟群集叫声与线样带方法之间的检测率差异存在明显的统计显著性趋势。

3.2 种群和物种水平的体重频率分布
线样带方法记录了总共1202只鸟类个体，而播放印度白眼鸟群集叫声记录了1047只个体。观察到的鸟类的体重范围为4.9克至1141.1克。在线样带方法检测到的个体中，1128只的体重≤100克，占该方法记录的总个体的93.84%；体重>100克的个体属于18个物种，包括Besra（Accipiter virgatus）、欧亚雀鹰（A. nisus）、冠雕（A. trivirgatus）、东方鵟（Buteo buteo）、喜马拉雅鵟（B. burmanicus）、阿默斯特雉（Chrysolophus amherstiae）、大嘴乌鸦（Corvus macrorhynchos）、秃鼻乌鸦（C. corone）、普通杜鹃（Cuculus varius）、普通杜鹃（C. canorus）、黑翅鸢（Elanus caeruleus）、亚洲鸢（Eudynamys scolopaceus）、黑鸢（Milvus migrans）、冠蜂鹰（Pernis ptilorhyncus）、冠蛇鹰（Spilornis cheela）、斑鸠（Spilopelia chinensis）和红嘴蓝喜鹊（Urocissa erythrorhyncha）。所有通过播放印度白眼鸟的群集叫声记录的1047只个体的体重均≤100克。体重≤100克的鸟类被分为每10克一个的质量等级。我们比较了不同质量等级下，线样法（蓝色条形）和播放印度白眼鸟群集叫声（红色条形）在总个体数量和物种丰富度方面的差异。图3A显示，较小质量等级（0–10克、10–20克）的总个体数量明显高于较大质量等级（例如，>50克）。在0–10克等级中，通过播放印度白眼鸟群集叫声检测到的个体数量（758只）显著高于通过线样法检测到的数量（215只）。图3B显示，物种丰富度随着体重的增加而减少，10–20克等级的物种丰富度最高（线样法为27种，播放印度白眼鸟群集叫声为21种），而>50克等级的物种丰富度急剧下降。鸟类体重与总个体数量之间存在显著的负相关（Spearman’s ρ = ?0.294，p = 0.009）；而仅基于线样法的相关性则没有显著性（Spearman’s ρ = 0.185，p = 0.104）。

图3. 比较了（A）按质量等级划分的个体频率分布和（B）两种鸟类群落监测方法之间的物种数量频率分布。

3.3. DRD的季节性变化
线样法和播放印度白眼鸟群集叫声之间的DRD表现出明显的季节性变化（图4）。通过单样本t检验发现，春季和夏季的DRD没有统计学显著性（分别为p = 0.665和p = 0.563）。然而，在秋季和冬季观察到了显著的DRD差异（分别为p = 0.038和p < 0.001），其中播放印度白眼鸟群集叫声在这些季节的检测效率高于线样法。

图4. 按季节（A）和繁殖状态（B）比较检测率差异（DRD）。

当按繁殖状态分层时，两种方法在非繁殖期（次年的9月至2月；p < 0.001）的DRD具有统计学显著性，播放印度白眼鸟群集叫声的检测效率高于线样法。相比之下，在繁殖期（p = 0.804 > 0.05），两种方法之间的DRD没有显著性。

3.4. 栖息地和营养生态位对DRD的影响
栖息地和营养生态位对两种调查方法之间的DRD有显著的分组效应（Kruskal–Wallis检验：栖息地，p = 1.47e-0；营养生态位，p = 0.0011；图5）。

图5. 按（A）栖息地类型和（B）营养生态位比较两种监测方法之间的DRD。BLF表示阔叶林；CF表示针叶林；SH表示灌木丛；FRU表示食果动物；GRA表示食谷动物；INV表示食虫动物；NEC表示食蜜动物；OMN表示杂食动物；VER表示食草动物。
对于栖息地类型（图5A）：灌木丛中的中位数DRD在FDR校正后为负值且极其显著（Padj < 0.001），表明线样法在这种栖息地中的检测优势更大。在阔叶林中，中位数DRD为正值且在FDR校正后具有统计学显著性（Padj = 0.002），表明播放印度白眼鸟群集叫声的检测效率相对较高。在针叶林中，中位数DRD接近零且在FDR校正后没有显著性（Padj = 0.293），意味着两种方法的检测效率相当。
对于营养生态位（图5B）：由于样本量不足（仅记录了一种物种），食蜜动物被排除在统计分析之外。在剩余的营养生态位组中，食果动物和食虫动物的中位数DRD接近零，在FDR校正后没有统计学显著性（Padj > 0.5）。食谷动物、杂食动物和食草动物的中位数DRD为负值，但在FDR校正后统计测试未达到显著性（Padj > 0.05）。

3.5. 鸟类群落的系统发育结构
为了研究通过播放印度白眼鸟群集叫声和线样法检测到的鸟类群落在系统发育结构上的差异，我们比较了净相关指数（NRI）——反映群落的整体系统发育聚类程度或过度分散——和最近分类单元指数（NTI）——反映密切相关的物种对之间的系统发育关系。
通过线样法检测到的群落的平均NRI为0.88，平均NTI为0.55；通过播放印度白眼鸟群集叫声检测到的群落的平均NRI为0.52，平均NTI为0.02。这表明线样法检测到的群落系统发育聚类更强（即，密切相关的物种更有可能聚集在一起）。然而，两种方法之间的NRI和NTI值没有显著差异（P = 0.17，P = 0.09；图6）。

图6. 使用两种方法采样的鸟类群落的净相关指数（NRI）和最近分类单元指数（NTI）的箱线图。

我们发现，线样法和播放印度白眼鸟群集叫声之间的DRD仅显示出非常微弱的系统发育信号（Blomberg's K = 0.057；附录图S1）。系统发育独立对比（PIC）方差在随机化后显著小于平均方差（P = 0.001）。在某些分支中，物种分支的颜色分布相对集中。例如，在食虫动物中（三角形符号），相对较高比例的分支被标记为红色，表明生态特征而非系统发育在塑造物种对两种方法的反应中起主导作用。

3.6. 多变量回归树模型揭示的决策路径
多变量回归树（MRT）模型的结构揭示了变量（包括体重（mass）、栖息地（habitat）和营养生态位（trophic niche）对目标响应变量（DRD）的层次影响机制（图7）：

主要的分裂因素是体重（mass），它将样本分为两个分支：“mass ≥ 15 g”（较大的鸟类）和“mass < 15 g”（较小的鸟类）。对于较大的鸟类，平均DRD为?0.11（包括n = 58种鸟类，占总物种丰富度的60%）；对于较小的鸟类，平均DRD为0.076（n = 38种，占40%）。
第二级分裂基于栖息地类型。对于较大的鸟类，分裂为“针叶林 + 灌木丛”和“阔叶林”，相应的平均DRD值分别为?0.15（n = 44种，占45%）和0.001（n = 14种，占15%）。对于较小的鸟类，分裂为“灌木丛”和“森林（阔叶林 + 针叶林”），平均DRD值分别为?0.02（n = 12种，占12%）和0.12（n = 26种，占27%）。
第三级分裂主要涉及营养生态位。对于较大的鸟类，进一步根据它们是否属于食果动物进行分裂：食果动物的平均DRD为?0.39（n = 2种，占2%），非食果动物的平均DRD为?0.14（n = 42种，占44%）。此外，体重≥20克的较大鸟类形成一个单独的分支，不再进一步分裂。对于灌木丛中的较小鸟类，分裂基于它们是否属于食谷动物 + 杂食动物：食谷动物 + 杂食动物的平均DRD值为?0.12（n = 3种，占3%），非食谷动物 + 杂食动物的平均DRD值为0.01（n = 9种，占9%）。对于森林（阔叶林 + 针叶林）中的较小鸟类，分裂基于它们是否属于食虫动物，食虫动物的平均DRD值为0.09（n = 23种，占24%），非食虫动物的平均DRD值为0.34（n = 3%）。
在第四级，较大的非食果鸟类进一步根据营养生态位进行分裂。对于较小的食虫鸟类，进一步根据体重进行分裂：体重≥5.8克的鸟类平均DRD为0.16（n = 8种，占8%）。

4. 讨论
4.1. 调查方法的有效性和互补性
为期一年的比较监测计划（23次调查会话）清楚地揭示了线样法和播放印度白眼鸟群集叫声在鸟类多样性调查中的检测效率和互补价值。通过利用观察者的视觉覆盖范围，线样法记录了84种鸟类（7目，35科），在物种丰富度和唯一检测到的物种数量方面表现出更高的检测率（45种）。其优势在春季和夏季（繁殖季节）尤为明显，在植被稀疏的栖息地（如针叶林、灌木丛）以及检测大型鸟类时尤为突出。
相比之下，虽然播放印度白眼鸟群集叫声仅检测到51种鸟类（2目，24科），但其物种积累曲线的斜率更陡峭，饱和速度更快。这表明该方法对特定群体（例如对群集信号敏感的食虫动物）在有限的采样条件下（例如时间或观察范围受限）具有更高的检测效率。这种效率源于声学传播和种间刺激：群集叫声可以从更远的距离、隐蔽的栖息地以及具有群集叫声行为的小体型或颜色暗淡的物种吸引鸟类，从而便于观察和记录。
值得注意的是，结合这两种方法使检测到的物种丰富度比单独使用线样法增加了12.5%，比单独使用播放印度白眼鸟群集叫声增加了46.9%。这种方法间的检测偏差由体型、行为和栖息地使用等因素介导，进一步强调了“视觉-声学”调查方法的互补性。这些发现表明，结合这两种方法可以更全面地覆盖区域鸟类多样性。

4.2. 季节和繁殖状态对DRD的影响
在春季和夏季，线样法和播放印度白眼鸟群集叫声之间的检测率没有统计学差异（春季p = 0.665，夏季p = 0.563），而在秋季和冬季观察到了显著差异（秋季p < 0.001，冬季p = 0.038）。在繁殖季节，DRD没有统计学显著性（p = 0.8），而在非繁殖季节则具有显著性（p < 0.001）。
这种模式可以用鸟类的行为节奏来解释。在繁殖季节（通常为春季到夏季），鸟类更加活跃。线样法依赖于被动全面检测和计数，而播放印度白眼鸟群集叫声通过主动的具体声音刺激引发反应（Dutour等人，2019年），这两种方法都能有效检测到个体鸟类，从而导致检测效率平衡。相比之下，在非繁殖季节（秋季和冬季），鸟类活动减少，隐蔽性增加，因此线样法的局限性更大，此时播放印度白眼鸟群集叫声可以扩大DRD。这些发现与Harms和Dinsmore（2014年）的研究结果一致，他们认为在非繁殖季节鸟类行为降低了视觉可检测性，Dutour等人（2019年）也指出秋季的群集强度高于春季。

4.3. 系统发育信号和系统发育群落结构检测的方法学差异
通过线样法检测到的鸟类群落的净相关指数（mean NRI = 0.88）和最近分类单元指数（mean NTI = 0.55）的平均值高于通过播放印度白眼鸟群集叫声检测到的群落（mean NRI = 0.52；mean NTI = 0.02）。这表明线样法更有可能检测到具有系统发育聚类的群落，即密切相关的物种更有可能一起被记录。这种差异源于两种检测方法与鸟类空间分布特征的匹配：线样法依赖于被动全面检测（整合视觉和声学线索），而密切相关的物种由于共享的栖息地偏好和营养生态位（例如食物资源）经常表现出空间聚集（Si等人，2017年）。因此，这种方法更有可能同时捕捉到聚集的密切相关物种，从而放大群落的系统发育聚类信号。
相比之下，播放印度白眼鸟群集叫声依赖于声学信号来触发行为反应，其检测范围更集中在对群集叫声敏感的群体上。由于群集行为的跨分类学性质（Curio，1978年），聚集鸟类的系统发育关系可能更加分散。例如，来自不同科的食虫鸟类可能都会对警报叫声作出反应（附录图S1）。然而，NRI（p = 0.2）和NTI（p = 0.08）两种方法之间均未显示出统计学上的显著差异。这可能与研究区域的群落组成特征有关：我们的采样集中在以亚热带半湿润森林为主要栖息地的同一地点，鸟类群落的物种组成受到栖息地因素（如植被结构、气候）的影响。强烈的生态筛选效应导致整个群落具有较高的系统发育聚类性（Andy等人，2019；Puga-Caballero等人，2020）。尽管这两种方法关注的对象不同，但它们都能反映这一核心的群落形成过程，因此没有统计学上的显著差异。系统发育信号分析显示，两种方法之间的Blomberg’s K值为0.057（远小于1），观察到的PIC方差显著小于平均随机方差（PIC.variance.P = 0.001）。这表明DRD中的整体系统发育信号非常弱。根据Blomberg等人（2003）的框架，K < 1表明“鸟类对调查方法的反应差异”更多是由非系统发育因素（如生态适应、行为策略）驱动的，而不是由进化历史的遗传保守性驱动的。群体行为的跨物种参与特征（Hua和Sieving，2016）为这一结果提供了合理的解释：群体叫声是鸟类反捕食者策略的生态适应，不同物种由于共同的捕食压力而演化出一致的群体反应模式，而不是严格由进化亲缘关系决定的（Jar?u?ka等人，2023）。例如，本研究发现小型啄木鸟类如斑点啄木鸟（Picumnus innominatus）和灰顶侏儒啄木鸟（Yungipicus canicapillus）——它们是食虫鸟类，属于与雀形目不同的进化支系——参与了雀形目鸟类的群体行为；相比之下，食谷性的雀形目鸟类如小鹀（Emberiza pusilla）在本研究中未被记录到参与群体行为。这与Lima等人（2018）的结论一致，即“雀形目内的某些支系包括参与群体行为的物种和不参与的物种”。因此，DRD的变化更多地受到生态适应的调节，整体系统发育信号较弱。

4.4. 鸟类调查方法中DRD的驱动机制
这个体重阈值（体重≥15克）作为分类树的根节点，直接将样本分为两个核心组：当体重≥15克时，平均DRD为-0.11（有利于线样带法）；当体重<15克时，平均DRD为0.076（有利于播放印度白眼鸟的群体叫声）。这证实了领环猫头鹰的捕食范围对两种方法有效性的筛选作用。体重作为一个核心形态特征，与“体型-防御策略”的进化适应性密切相关。这一模式与本研究中声学诱饵的特异性高度一致——印度白眼鸟产生的群体叫声是为了对抗其天敌领环猫头鹰。领环猫头鹰主要捕食参与群体行为的小型鸟类（Dutour等人，2017；Deshler，2020），其捕食体重范围（主要是<15克）直接影响了物种对播放信号的响应差异。这种模式不仅体现在进化适应性层面，也构成了回归树模型的核心分割逻辑。

在次级调节层面上，这一核心效应进一步受到栖息地和营养生态位的细化影响。在体重≥15克的鸟类中，针叶林/灌木丛栖息地的食果鸟类（如某些鸠鸽科鸟类）的平均DRD低至-0.39。这是因为它们不是领环猫头鹰的猎物（因此对叫声没有反应），并且它们对固定食物资源的依赖使其活动高度可预测，因此线样带法的优势极为明显。在体重<15克的组中，阔叶林/针叶林栖息地的食虫鸟类（体重<5.8克）的平均DRD为0.16，而非食虫物种（如蜜食性/杂食性鸟类，如古尔德氏太阳鸟（Aethopyga gouldiae）和火胸花啄木鸟（Dicaeum ignipectus）的平均DRD为0.34。这种差异反映了不同生态位鸟类对群体叫声反应的异质性——依赖群体行为来定位捕食者的群体表现出更强的反应（Hurd，1996），从而进一步增强了印度白眼鸟群体叫声播放的检测效果。

营养生态位和居住类型虽然解释能力较弱，但仍具有统计学意义。食虫鸟类依赖群体叫声来检测捕食者（Kennedy等人，2009），因此对播放方法更为敏感。相比之下，食果性和食谷性鸟类具有高度可见的觅食行为，使得线样带法更具优势。Dagan和Izhaki（2019）研究表明，在冬季，迁徙鸟类可能因为不熟悉当地捕食者而反应更强烈，其反应率高于留鸟。

4.5. 限制与未来研究方向
通过比较案例研究，本研究揭示了线样带法和群体叫声播放法（使用印度白眼鸟的叫声）在检测森林栖息鸟类方面的有效性差异和关键驱动因素。然而，这项研究存在几个需要明确解决的局限性：
首先，研究受到播放刺激的单一性的限制。仅使用了单一物种的特定群体叫声作为声学诱饵。不同鸟类的群体叫声在声学结构和所蕴含的“捕食者威胁”信息上存在差异，这可能导致吸引的鸟类类群有所不同。因此，本研究中观察到的方法间差异（例如，小型食虫鸟类的高检测效率）可能部分反映了鸟类对这种特定叫声的反应，而不是代表“群体叫声播放法”的普遍结论。
其次，调查设计可能引入潜在的系统偏差。为了优先考虑两种方法之间生态数据的独立性（避免播放声音干扰线样带记录），我们在设计中固定了观察者的移动顺序和任务分配（线样带观察者走在前面）。尽管两位观察者都具有丰富的区域调查经验，并通过23次重复调查减轻了随机误差，但固定顺序的设计可能会将方法效应与位置效应混淆（例如，领先观察者对后续观察者的干扰）。此外，虽然播放点之间的200米间距旨在减少声学干扰，但对于某些高度移动的鸟类物种，仍不能完全排除相邻点之间的行为相关性。此外，23次调查中重复使用相同的播放刺激可能会引入习惯化效应或改变留鸟物种的响应性，从而可能影响后续调查的检测率。
第三，研究受到某些技术和范围的限制。例如，所有调查都在白天进行，无法评估这些方法对夜间鸟类的有效性。尽管在数据分析中考虑了多个特征，但物种特异性行为反应中仍有大量未解释的变异（例如，由好奇心驱动或对播放的回避反应）。

基于上述限制，未来的研究可以朝以下方向推进：
首先，扩展并比较不同的播放刺激。系统地比较具有不同声学特征的物种群体叫声作为播放诱饵，以阐明叫声特征与吸引类群之间的关系，从而建立更通用和可比较的播放调查协议。
其次，优化调查设计以消除混淆效应。采用更严格的实验设计（例如，在不同日期或样带上完全随机化观察者顺序和方法分配），以进一步分离和量化潜在的观察者和位置偏差，提高结果的可重复性和推断能力。
最后，扩展监测的时空维度，并整合多种技术。结合定点播放与自动记录设备、红外相机等技术，实现多维度、24小时的数据收集。利用机器学习算法处理音频和图像数据，从而构建一个更高效、更全面的鸟类多样性监测系统，克服单一方法和仅限日间采样的局限性。

5. 结论
线样带法和印度白眼鸟的群体叫声播放法在鸟类监测中表现出功能互补性。本案例研究表明，作为被动综合检测方法的线样带法在记录总物种丰富度和特定物种（特别是在繁殖季节、开阔栖息地以及检测大型鸟类（体重≥15克）方面具有更大优势。相比之下，尽管印度白眼鸟的群体叫声播放法（作为一种主动的、特定物种的刺激方法）记录的物种总数较少，但它对小型鸟类（尤其是0-10克组）和食虫/蜜食性功能组的检测效率更高。鸟类体重、栖息地结构和物候期是影响两种方法检测差异的主要因素。结合这两种方法可以整合被动广泛检测和主动定向吸引的优势，实现对从大型到小型鸟类以及从广食性到专食性鸟类的更全面覆盖，从而获得更完整的群落多样性信息。基于这种多方法互补性的监测框架不仅为理解鸟类行为反应提供了具体案例，还为优化方法组合和提高实际监测的数据完整性提供了实证依据。

**作者贡献声明**
刘月强：撰写——原始草稿、验证、调查、资金获取、正式分析、数据管理。
雷福民：撰写——审阅与编辑、监督、方法学。
沈泽豪：撰写——审阅与编辑、监督、项目管理、方法学、概念化。

**未引用的参考文献**
Bai等人，2024；Boyce等人，2019；Burton等人，2015；Dutour等人，2017；Farnsworth等人，2002；Gao和Sun，2017；Garren和Davenport，2022；Goodale等人，2017；Hu等人，2019；Huang和Zou，2010；Jar?u?ka，2023；Lydersen等人，2009；Rae等人，2015；Ruff等人，2020；Sekercioglu，2012；Stefan等人，2021；Swann等人，2004；Waide和Narins，1988；Yu等人，2017。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

**资助**
本研究由云南省基础研究项目（202302d4040076）资助。