《Wildlife Society Bulletin》:Comparison of data handling techniques for modeling bat acoustic activity
编辑推荐:
随着利用声学采样调查蝙蝠分布与生态学的普及,研究人员已采用多种统计建模方法解释研究发现。蝙蝠是保护关注度高的类群,因此确保物种水平生境关联模型的准确性对管理决策至关重要。研究人员旨在通过比较采用8种声学数据处理技术的广义线性混合模型(GLMM)对声学检测计数的
随着利用声学采样调查蝙蝠分布与生态学的普及,研究人员已采用多种统计建模方法解释研究发现。蝙蝠是保护关注度高的类群,因此确保物种水平生境关联模型的准确性对管理决策至关重要。研究人员旨在通过比较采用8种声学数据处理技术的广义线性混合模型(GLMM)对声学检测计数的建模预测差异,来确定统计方法的区别。研究人员将每种方法应用于2024年美国宾夕法尼亚州中南部景观夏季调查的稀有物种——北方长耳蝠(Myotis septentrionalis)和常见物种——东美红蝠(Lasiurus borealis),利用交叉验证评估物种水平蝙蝠声学活动生境关联模型的准确性,并比较所得模型预测值的空间相关性。研究人员确定,利用自动识别软件(Kaleidoscope Pro)过滤数据,即采用夜间最大似然估计(Maximum Likelihood Estimate, MLE) P值阈值筛选可降低北方长耳蝠模型交叉验证的相对平均绝对误差(relative Mean Absolute Error, rMAE)。使用MLE保留数据产生的预测比原始数据或过于保守的匹配比(match ratio)数据更准确。然而对于东美红蝠,仅保留软件训练集中匹配比≥90%的数据所得模型rMAE最低。本研究证明,目前通行的按夜间MLE过滤数据的标准可减少假阳性,从而为稀有蝙蝠种类生境利用声学活动建模提供更准确且具信息量的结果。
论文解读:《蝙蝠声学活动建模中数据处理技术(data handling techniques)的比较》——发表于《Wildlife Society Bulletin》
一、研究背景与目的
北美蝙蝠长期受生境丧失及2006年传入的 Pseudogymnoascus destructans(致白鼻综合征 WNS 病原)影响,部分物种如北方长耳蝠(Myotis septentrionalis,MYSE)种群下降超90%并被列为濒危种。由于 WNS 后网捕检测概率极低,蝙蝠监测日益依赖自动声学记录仪(ARU)采集回声定位叫声并做自动分类。然而自动识别软件存在种间误判可能,尤其高频、低振幅且与其他 Myotis 属物种回声特征重叠的 MYSE 易产生假阳性。现行数据处理方式不一:有人直接用原始(raw)计数;有人依美国鱼类及野生动物管理局(USFWS)建议以夜间占用最大似然估计(Maximum Likelihood Estimate, MLE)P ≤ 0.05 滤除不确定检测(MLE retained data),将未达阈值夜记为0;有人按软件给出的参考库匹配百分比(match ratio,如50%–90%)筛选;还有人主张人工逐段审听(visual vetting),但大样本 ARU 研究难以实现。不同处理对后续生境关联模型影响不明。研究人员以罕见、难检测的 MYSE 与常见、回声特征较独特的东美红蝠(Lasiurus borealis,LABO)为对象,比较8种数据处理方案下广义线性混合模型(Generalized Linear Mixed Model, GLMM)的预测精度,明确最适数据前处理方式。
二、主要关键技术方法
研究人员于2024年5月15日至8月15日在美国宾夕法尼亚州Raystown Lake Project(RLP)布设169台ARU(MiniBat/SM4FS),分4轮各约21夜空间平衡随机布点,用Kaleidoscope Pro(Classifier v5.6.8,0灵敏度)自动识别8种当地蝙蝠叫声(含MYSE与LABO)。构建8种夜级别计数数据集:①原始数据(raw);②MLE保留数据(夜间物种水平MLE P < 0.05保留计数,否则记0);③MLE加权数据(计数按夜间MLE P值倒数加权);④–⑧分别保留匹配比≥50%、60%、70%、80%、90%的呼叫文件再汇总夜计数。提取海拔、坡向(线性化)、坡度、McNab地形指数(LFI)、距湖/溪流湿地欧氏距离、0.5 km半径土地覆被比例作协变量,检测点(random effect)纳入GLMM。因响应零过多且过度离散,MYSE拟合负二项nbinom2、LABO拟合nbinom1分布(glmmTMB包)。用5折交叉验证计算相对平均绝对误差(rMAE = MAE / 响应变量标准差),并用结构相似性指数(SSIM)矩阵比较栅格化预测空间格局相似性,Moran's I检验残差空间自相关。
三、研究结果
RESULTS(结果)
研究人员共获3659个检测器夜、501,920条软件识别叫声文件,其中MYSE 3,425份(0.68%)、LABO 171,556份(34.18%)。经各过滤后MYSE数据损失比例大于LABO,90%匹配比仅剩224份MYSE文件。Moran's I显示所有模型残差无显著空间自相关。5折交叉验证rMAE显示:MYSE模型以MLE保留数据rMAE最低(0.17),原始数据0.23,90%匹配比最高(0.25);LABO模型以90%匹配比rMAE最低(0.22),原始数据、MLE保留、MLE加权及50%、60%匹配比均为0.24。SSIM表明MYSE预测中MLE保留数据与90%匹配比空间相似度最高(SSIM=0.85),与50%匹配比最低(0.12);LABO中80%与90%匹配比最相似(SSIM=0.77),其余高误差模型间相似度26%–37%。
四、讨论与结论
讨论指出,MLE保留数据去除的多为假阳性(常为共存 Myotis 属误判),极少丢失真阳性,故提高MYSE模型稳定性与预测精度,适用于其他稀有 myotids。过高匹配比(如90%)对稀有低检测种致严重数据丢失与偏差性子抽样,rMAE升高,不宜单独用于监管判定存在与否。对常见种LABO因基数大、误判率低,较保守的90%匹配比稍降噪声略优但不显著,各处理空间格局近似。最终建议:稀有、低检测、高误判蝙蝠种声学活动建模前采用夜间MLE P < 0.05过滤(MLE retained data);常见、易识别种可用较高匹配比过滤;跨种比较须统一处理方法。若兼顾两物种,MLE retained data为推荐折衷方案。
管理启示(Management Implications): 对稀有蝠种及高种间误判种,按夜间MLE过滤既符合监管要求又提升生态模型稳健性;常见种可酌情用高匹配比过滤;建议依目标种评估模型预测精度选定数据处理法。