对比性生态声学指数:基于对比推断的大尺度全球声景特征化

《Methods in Ecology and Evolution》:Contrastive ecoacoustic indices: Large-scale global soundscape characterization with contrastive inference

【字体: 大 中 小 】 时间:2026年08月01日 来源:Methods in Ecology and Evolution 5.7

编辑推荐:

  生态声学主要旨在通过非侵入性协议监测声景。尽管机器学习和深度学习技术被广泛采用,现有生态声学模型主要依赖监督学习,因此面临两个主要限制:(1)需要标注数据;(2)局限于预定义的固定类别。在本研究中,研究人员利用对比性语言-音频预训练(CLAP)的最新进展,并将

  
生态声学主要旨在通过非侵入性协议监测声景。尽管机器学习和深度学习技术被广泛采用,现有生态声学模型主要依赖监督学习,因此面临两个主要限制:(1)需要标注数据;(2)局限于预定义的固定类别。在本研究中,研究人员利用对比性语言-音频预训练(CLAP)的最新进展,并将其首次应用于大规模声景分析。由于CLAP在成对音频和全球文本描述的大规模数据集上通过对比性学习进行训练,它能够计算音频与文本提示之间的相似性得分,而不受预定义类别列表的限制。这种灵活性使得可以从粗粒度(如哺乳动物、天气、人类、车辆)到细粒度(如狗、雨、语音、飞机)描述对录音中的各种元素进行全面调查。首先,研究人员在一个校准数据集上进行了初步实验,该数据集包含声景中可能出现的音频事件,并与社区共享,由在线免费声音库构成。然后,研究人员开发了一种方法,以定义可重复、有界、独立且可解释的对比性生态声学指数(CEI),这些指数可以表征声景中四种主要声音类别的普遍性——生物声、地理声、人为声和技术声。最后,研究人员在9个月的野外录音(189,137个1分钟片段)上计算了这些新的CEI,监测了热带(厄瓜多尔)和温带(法国)的声景,描绘了从受保护森林到城市中心的人为梯度。该实验揭示了与人口密度相关的清晰声景模式,表明CEI可用于其他生态背景。
**论文解读文章**

**研究背景、问题与意义**

在全球生物多样性因人类活动而急剧下降的背景下,监测生态系统状态成为保护与可持续管理的迫切需求。生态声学通过非侵入性被动声学监测(PAM)技术,利用声学信号分析生物与非生物组分,以评估生态动态与健康。然而,传统声学指数(如基于信号处理的指标)存在局限性:它们常局限于特定频率范围、受天气条件影响、与物种丰富度等生物多样性指标关联弱,且难以分离不同声源成分。同时,基于监督学习的深度学习方法虽在物种分类、声音事件检测中取得进展,但依赖大量标注数据,且只能识别预定义类别,缺乏灵活性。无监督方法虽无需标注,但难以控制潜在表征的生态意义,导致解释困难。

为此,研究人员引入对比性学习范式,利用对比性语言-音频预训练(CLAP)模型,提出一种零样本推断方法,用于大规模声景特征化。该研究旨在解决传统指数与监督学习的两大瓶颈,开发可重复、有界、独立、可解释的对比性生态声学指数(CEI),以定量表征生物声、地理声、人为声和技术声的普遍性,并验证其在热带与温带声景中的适用性。论文发表在《Methods in Ecology and Evolution》。

**关键技术方法**

研究人员主要采用以下关键技术方法:(1)基于CLAP的零样本推断:利用预训练的CLAP模型(2023版权重),直接计算音频与任意文本提示之间的相似性得分,无需重新训练或微调。(2)校准数据集构建:从在线免费声音库(Big Sound Bank)收集123个清晰单一声事件音频,用于确定相似性阈值(0.5)和激活矩阵,并优化文本提示(最终列表含45类,附录A.4)。(3)对比性生态声学指数(CEI)定义:通过文本提示集合(分为生物声、地理声、人为声、技术声四类)计算音频-文本相似性,经阈值处理、激活矩阵构建、高类别聚合(基于活跃类别计数加权平均),最终提取各曲线中位数作为CEI,值域[0,1]。(4)野外数据采集:在厄瓜多尔(10个热带站点)和法国(10个温带站点)按城市化梯度部署自动录音单元(ARU),记录9个月,共189,137个1分钟片段(后分割为10个6秒片段)。

**研究结果**

**4.1 校准**
- **4.1.1 相似性边界**:CLAP原始相似性值范围在-0.97至0.98之间,研究将其有界化至[0,1]。
- **4.1.2 零样本声景事件识别**:通过softmax概率分布评估,发现三种混淆区域(车辆、部分动物、地理声类),准确率75.6%。
- **4.1.3 细化类别列表**:通过合并混淆类(如地理声组)及调整语义(提示工程),将准确率从71.8%提升至75.6%。
- **4.1.5 相似性阈值影响**:阈值设为0.5时,不损失检测精度,低于此值视为非信息性。

**4.2 对比性声景特征化**
- **4.2.1 厄瓜多尔声景**:生物声随城市化增加而降低,人为声和技术声增加;CEI与人工标注高度相关(所有成分:ρ=0.86,p<0.0001;排除地理声:ρ=0.921);技术声与城市化梯度正相关(ρ=0.924),生物声负相关(ρ=-0.733)。
- **4.2.2 法国声景**:技术声在近城市区域高,生物声在城市中心最低;CEI与人工标注总体相关(ρ=0.848),但地理声无显著相关(ρ=0.0)。
- **4.2.3 合并声景**:所有CEI成分与标注显著相关(ρ=0.835),技术声与城市化梯度正相关(ρ=0.678),生物声负相关(ρ=-0.663)。

**4.3 案例研究:对比性时间序列**
- **4.3.1 时间动态**:生物声波动有限,人为声和技术声呈现昼夜节律,地理声更混沌。
- **4.3.2 热图**:周-小时热图显示黎明和黄昏鸟类合唱高峰(生物声)、午夜至凌晨人为声和技术声低谷,揭示重复模式。

**讨论与结论**

**讨论**:
- CLAP零样本事件识别准确率75.6%,但仍存在误分类,未来可通过微调预训练权重提升性能。
- 文本提示选择对预测影响显著,提示工程是关键挑战,建议共享所用类别列表以确保可重复性。
- 地理声评估存在局限:易被其他声音掩蔽,且安静声景中地理声被高估,需改进描述以强调强度。
- CEI与传统声学指数(如NDSI)不同,不依赖频率假设,基于学习过程且可解释,但需注意与现有指数直接比较在概念上不恰当。
- 在厄瓜多尔和法国的不同城市化梯度中,CEI与人口密度模式一致,但法国站点中人为声与梯度相关性弱,可能反映了土地利用和活动差异。

**结论**:
本研究基于对比性语言-音频预训练(CLAP)的进展,提出了一种标准化方法构建新型生态声学指数——对比性生态声学指数(CEI)。这些新指数可表征声景中四种主要声音类别(生物声、地理声、人为声和技术声)的普遍性。CEI具有可重复性、有界性、独立于案例研究、不依赖特定分类群,且对生态声学家直接可解释。随后,在监测热带(厄瓜多尔)和温带(法国)声景的9个月野外录音(189,137个1分钟片段)上计算了这些CEI,覆盖从受保护森林到城市中心的人为梯度。结果表明,数据集5%的人工标注与CEI预测之间高度一致。这表明研究方法为生态声学分析提供了稳健且灵活的工具,能够增强对声景的理解,并为生态和人为影响提供有价值的见解。特别是,人为声和技术声的水平可作为人类群体声学暴露组的估计指标。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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