基于LSTM深度学习的东北大西洋灰海豚(Grampus griseus)回声定位信号分类与监测研究

《Marine Mammal Science》:Monitoring Risso's Dolphins in the Northeast Atlantic: A Deep Learning Approach to Classify Echolocation Click Detections

【字体: 大 中 小 】 时间:2026年04月22日 来源:Marine Mammal Science 1.9

编辑推荐:

  为解决被动声学监测(PAM)中物种级信号分类的瓶颈,研究人员利用LSTM神经网络开发了Risso's dolphin回声定位click二元分类器。该模型在独立测试集上F1 score达0.98,显著提升了东北大西洋区域该物种的自动化监测效率。

  

研究背景:当“大数据”遇上“听声辨海豚”

在广阔的海洋中,监测鲸豚类动物是一项既昂贵又充满挑战的任务。被动声学监测(Passive Acoustic Monitoring, PAM)技术让科学家们能够通过布放水下录音设备(如水听器),长时间、大范围地收集动物的“声音指纹”。然而,这项技术带来了一个幸福的烦恼:数据量太大,分析速度跟不上。特别是对于海洋哺乳动物,由于缺乏足够的“眼见为实”(视觉确认)的单物种数据,很难将录到的声音精准地对应到具体物种,往往只能粗略地归类为“某种海豚”。
在这其中,灰海豚(Risso's dolphin, Grampus griseus) 的监测尤为棘手。这种生活在东北大西洋(包括苏格兰海域)的动物有个“沉默寡言”的习惯——它们发出用于社交的哨声(whistle)频率远低于其他海豚,如果只靠听哨声,很容易低估它们的数量。相比之下,它们用于捕食和导航的回声定位click信号虽然传播距离短,但发射频率极高,是更可靠的监测指标。但问题在于,不同海豚物种的click信号在时频特征上容易重叠,且容易受到水下噪声干扰,传统的机器学习方法(如支持向量机、随机森林)在区分“灰海豚click”与“其他海豚click”时,往往力不从心。
深度学习(Deep Learning)技术,特别是擅长处理时间序列数据的长短期记忆网络(LSTM),为解决这一难题提供了新思路。它能否从复杂的波形数据中,精准地揪出灰海豚的“声音身份证”?

研究方法概览

本研究构建了一个基于LSTM的二元分类模型(灰海豚 vs. 非灰海豚)。训练数据源自四大航次(HWDT、SCANS-III、IFAW/MCR、Greenpeace)拖曳式水听器阵列采集的872次视觉确证单物种遭遇;独立测试集则来自苏格兰和英格兰水域的静态/漂流自容式记录仪(ARU)数据,包含多物种及人为噪声。技术核心是利用PAMGuard检测click,提取波形特征后输入LSTM网络进行端到端分类。

研究结果与发现

模型性能:高精度与强泛化能力

在独立测试集(31小时数据,包含4种海豚物种及噪声)上,最佳LSTM分类器表现出了卓越的性能:
  • •
    F1分数:达到0.98(精确率0.96,召回率0.98)。
  • •
    泛化能力:模型在由不同平台(从船拖阵列到静态ARU)采集的数据上均表现稳定,证明了其在实际监测应用中的鲁棒性。

技术对比:LSTM为何胜出?

研究指出,与传统的卷积神经网络(CNN,常用于图像式声谱图分类)相比,LSTM更擅长捕捉click波形中前后样本间的时序依赖关系。这种“记忆”机制使其在处理原始波形(Raw Waveform)时,比将声音转为图像的CNN更具优势,特别是在区分短促、瞬态的click信号时。

结论与意义

这项研究成功地将深度学习技术应用于海洋哺乳动物声学监测的具体痛点,开发出的LSTM分类器不仅解决了灰海豚因哨声稀少而难以监测的难题,更展示了跨平台数据通用性。对于苏格兰及东北大西洋区域的海洋保护(如North-east Lewis海洋保护区)而言,该工具能高效处理长期静态监测积累的TB级数据,为灰海豚的分布、季节变化及种群评估提供关键科学依据,是深度学习赋能生物多样性保护的一个典范案例。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号