《Ecological Informatics》:Beyond approach distance: A drone–hydrophone integrated framework for quantifying vessel noise masking risk to free ranging wild dolphins
编辑推荐:
量化自由活动海洋哺乳动物在地理参考位置(georeferenced positions)的接收噪声水平(received noise levels)需要融合来自多个传感器模态的异构、高分辨率数据流——这是一个尚未解决的挑战。本研究提出一个生态信息学(ecolo
量化自由活动海洋哺乳动物在地理参考位置(georeferenced positions)的接收噪声水平(received noise levels)需要融合来自多个传感器模态的异构、高分辨率数据流——这是一个尚未解决的挑战。本研究提出一个生态信息学(ecological informatics)框架,该框架集成了基于无人机的航拍视频、基于YOLO(You Only Look Once)的船只检测、一个用于利用飞行遥测数据(flight telemetry)进行像素到地理坐标转换的自定义地理转换算法(GeoConvertor),以及同步的被动声学监测(passive acoustic monitoring, PAM),以估计船只特定声源级(acoustic source levels)和地理参考动物位置处的空间显式噪声暴露(spatially explicit noise exposure)。该框架在韩国济州岛沿岸的一个沿海观豚环境中部署,处理了11个观测日内4种船只类别的187条船只通过轨迹和471次带注释的印太瓶鼻海豚(Tursiops aduncus)出水事件。GeoConvertor实现了亚米级帧间定位稳定性(平均误差:0.15?±?0.08?m),在100?m作业高度下,对陆基目标在15–35?km/h速度范围内的速度估计均方根误差(RMSE)为1.27–3.11?km/h(0.68–1.68 kt),对海上目标在3–18 kt速度范围内的速度估计RMSE为0.23–0.79 kt。对基于无人机获得的船只速度与水听器测量的声源级进行线性回归,揭示了强烈的船只类别依赖性关系,在重叠海豚哨声频段(5.3–12.5?kHz)的频率带上,斜率系数范围为0.17到1.77?dB/kt。以海豚为中心的空间分析和阈值超限图显示,小型船只(small-sized boats)在超过保守的3?dB掩蔽标准(masking criterion)的遭遇中占比最高(93%)。相比之下,大型船只(large-sized boats)尽管保持更大的安全距离,但超过6?dB阈值的比例较高(25%),其中船只类型——而非接近距离——成为噪声暴露的主要预测因子。该框架展示了多传感器数据融合和基于深度学习的目标检测如何能够在动物出水的地理参考位置生成生态上可操作的、空间显式的噪声暴露估计值,这些估计值是任何单一监测模态都无法获得的,并且具有潜在可迁移性,适用于其他鲸豚旅游场景和船只噪声监测背景。
**论文解读:无人机-水听器集成框架量化自由活动海豚的船舶噪声掩蔽风险**
**研究背景与问题**
船舶噪声已成为全球海洋中一种普遍且具有生态后果的污染物,尤其对依赖声音进行通信、导航和觅食的鲸豚类构成直接威胁。观鲸旅游业的快速发展引入了持续且重复的人为干扰源,尽管该行业常被视为非消耗性替代方案,但大量研究表明,旅游船只产生的噪声——而非船只接近距离——可能是引发海豚行为反应的主要驱动因素。然而,全球范围内的观鲸监管框架仍主要基于接近距离和速度标准,几乎没有考虑船只的声学特性。这一监管差距源于量化船只特定噪声排放及其传播到个体动物位置的实际困难。传统方法受限于空间范围、船只覆盖或非侵入性,难以同时表征鲸豚栖息地内运行的船只,并将船只运动学与动物特定噪声暴露在精细时空分辨率下关联起来。近年来,无人机系统(UAS, Unmanned Aerial Systems)、基于深度学习的目标检测和被动声学监测(PAM, Passive Acoustic Monitoring)的进步为综合非侵入性生态监测创造了新机遇,但将这些数据流整合到统一分析流程中,以估计自由活动鲸豚在出水位置的接收噪声水平,尚未实现。本研究旨在填补这一空白,通过整合无人机航拍追踪与同步被动声学监测,构建一个生态信息学框架,量化济州岛沿海印太瓶鼻海豚(Tursiops aduncus)栖息地中观豚船队的船只特定声源级和海豚级噪声暴露。
**研究人员开展的研究与结论**
研究人员开发了一个集成的生态信息学框架,结合了无人机航拍视频、基于YOLOv12m的船只检测、自定义地理转换算法(GeoConvertor)以及同步被动声学监测。该框架在11个观测日内处理了187条船只通过轨迹(分为小型船SB、中型船MB、大型船LB和渔船FB四类)和471次地理参考的海豚出水事件。通过线性回归分析,建立了四种船只类别在不同频率下的速度-声源级关系,并基于以海豚为中心的空间分析和阈值超限分析,评估了噪声暴露。结论表明,船只类型是噪声暴露的主要预测因子,小型船在3 dB掩蔽阈值(93%遭遇)上超限比例最高,而大型船在6 dB阈值(25%遭遇)上超限比例较高,尽管其保持更大安全距离。现有韩国政府指南的遵守情况普遍不佳,尤其是300米内发动机停止要求几乎未被遵守。该研究发表在《Ecological Informatics》(Ecological Informatics)。
**主要关键技术方法**
研究人员采用了以下关键技术方法:1)基于YOLOv12m深度学习模型的无人机航拍图像船只检测,经半自动人工验证;2)开发自定义地理转换算法(GeoConvertor),利用飞行遥测数据(SRT文件)实现像素坐标到地理坐标的转换,并通过静态和动态目标实验验证其精度(静态平均误差0.15 m,速度RMSE在100 m高度为1.27–3.11 km/h);3)卡尔曼滤波(Kalman filter)用于平滑轨迹并估计速度;4)被动声学监测(PAM)使用单点锚系水听器(ST400,采样率96 kHz),持续30天记录水下声学数据;5)基于线性回归(SL = k × v + b)建立速度-声源级关系,采用实用传播损失模型(15 × log??(R))从最近接近点(CPA)声学段估计声源级;6)以海豚为中心的空间分析和阈值超限分析,评估不同船只类别和海豚出水位置的噪声暴露。样本队列来源为韩国济州岛沿海的观豚环境,共11个观测日,187条船只通过轨迹和471次海豚出水事件。
**研究结果**
3.1 地理转换验证(Geoconversion validation):通过静态目标(34 m高度,均方误差0.15 m)和陆基/海上移动目标实验,验证了GeoConvertor算法的定位稳定性和速度估计精度。陆基移动验证在100 m高度下速度RMSE为1.27–3.11 km/h(绝对百分比误差3.1–4.6%),海上移动验证在3–18 kt范围内速度RMSE低于0.8 kt,确认了算法在标准作业高度下的可靠性。
3.2 基线背景噪声特征(Baseline ambient noise characterization):对250个无船只和海豚活动的10秒声学段进行分析,获得5 kHz(108.4 dB re 1 μPa RMS)、8 kHz(109.2 dB re 1 μPa RMS)和12.5 kHz(105.5 dB re 1 μPa RMS)的均值第三倍频程级(TOL),作为评估船只噪声贡献和通信掩蔽潜力的基准。
3.3 船只空间轨迹、运动学特性与接收噪声谱(Vessel spatial trajectories, kinematic properties, and received noise spectra):对187条轨迹跟踪显示,所有船只类别在海豚跟随模式(w dolphin)下均出现速度降低,反映了配速行为而非噪声缓解策略。在CPA<300 m条件下,四类船只的接收第三倍频程级(RTOL)谱均高于背景噪声,其中大型船(LB)产生最高接收级,尤其在5–12.5 kHz高频段。
3.4 声源级与速度-声源级关系(Source levels and speed–source level relationships):线性回归分析揭示了显著的速度依赖性差异。小型船(SB)斜率系数为0.17–0.28 dB/kt,速度敏感性弱;中型船(MB)为0.16–0.29 dB/kt;大型船(LB)为1.52–1.77 dB/kt,速度敏感性最强,在10 kt时声源级达~150 dB re 1 μPa RMS at 1 m;渔船(FB)为1.09–1.49 dB/kt。这表明对于LB,速度降低作为噪声缓解措施最有效,而SB的噪声主要受发动机机械噪声支配,速度调节效果有限。
3.5 以海豚为中心的空间分布与噪声暴露(Dolphin-centric spatial distribution and noise exposure):以海豚为中心径向极坐标图显示,MB和LB船只呈现环形分布,保持相对一致的安全距离,而SB和FB船只分布弥散,可接近至极近距离(<50 m)。噪声超限(ΔRL>3 dB)主要来自前方和侧方接近角度,5 kHz频段超限率最高,对应海豚哨声频率范围(5.3–12.5 kHz)的核心重叠。
3.6 空间噪声映射与阈值超限分析(Spatial noise mapping and threshold exceedance):热图显示海豚栖息地内噪声水平空间异质性,主要船只航道附近噪声超限>10 dB。阈值超限分析表明,SB在3 dB和6 dB掩蔽阈值上超限比例最高(93%和44%),LB在3 dB和6 dB阈值上超限比例分别为26%和17%,MB在3 dB阈值上超限比例仅2%。敏感性分析支持了定性结果的稳健性。
**讨论与结论**
讨论部分总结了方法学进展,指出GeoConvertor提供了一种非侵入性、非合作的船只运动学和声学表征方法,消除了对船只仪器配合的需求。速度-声源级关系揭示了船只类别特异性噪声特性,对监管设计具有启示:LB的速度减噪效果最显著,而SB的噪声对速度不敏感,需考虑推进级干预(如四冲程发动机或电动舷外机)。渔船(FB)虽非正式观鲸船,但经常出现在海豚栖息地,且其声学特征独特,需纳入噪声表征。3 dB和6 dB阈值基于功率谱掩蔽模型,结合对瓶鼻海豚Lombard补偿能力的分析,表明3 dB为保守预警指标,6 dB对应功能性通信损伤。行为模式分析显示,速度降低是配速行为而非噪声缓解策略,且MB和LB运营商遵循非正式环状距离规则,而SB和FB运营商则缺乏此类约束,建议采用分层监管方法,结合噪声认证标准。局限性包括单水听器声源级估计、有限样本量(FB n=4, SB n=9)、未考虑传播模型不确定性、以及动物佩戴声学标签的缺失。未来需扩大部署时间、使用分布式水听器阵列,并整合动物佩戴声学标签以直接验证阈值。
**研究结论**(翻译自原文结论部分)
本研究提出了一个方法学集成框架,用于量化高交通量沿海旅游环境中观鲸船只交通对印太瓶鼻海豚的声学影响,该框架结合了基于无人机的船只追踪、地理参考海豚位置注释和被动声学监测,形成一个统一的数据分析流程。经过验证的GeoConvertor算法提供了一种非侵入性、非合作的同时进行船只运动学和声学表征的方法,该方法具有潜在可迁移性,可适用于其他鲸豚旅游场景和船只噪声监测背景,但需进行本地验证和校准。在187条船只通过轨迹和471次地理参考海豚出水事件中,经验推导的速度-声源级斜率系数在船只类别间范围为0.16至1.77 dB/kt,其中大型船(LB)产生最高的绝对声源级(在10 kt速度下约150 dB re 1 μPa RMS at 1 m),小型船(SB)在93%和44%的遭遇中分别超过3 dB和6 dB掩蔽阈值,这表明仅依赖接近距离标准的监管不足以保护海豚免受声学掩蔽。现有韩国观鲸指南的普遍不遵守情况——包括近普遍违反300米发动机停止要求以及渔船(FB)在禁止的50米区域内接近率为15%——突显了通过分层、船只类型特定的噪声和速度标准、有针对性的运营商教育以及与每种船只类别观察到的风险概况相称的执法机制来加强监管框架的紧迫性。本研究的方法和发现为讨论鲸豚旅游监管提供了指示性证据基础,并展示了一个监测框架,该框架的代码、训练好的模型权重和处理流程已通过随附的GitHub仓库公开提供,旨在支持独立复制和适应于类似的鲸豚-船只互动背景。