考虑噪声提高了声学指数在估计生物多样性时的泛化能力

《Ecological Indicators》:Accounting for noise improves the generalization of acoustic indices when estimating biodiversity

【字体: 大 中 小 】 时间:2026年08月06日 来源:Ecological Indicators 8.7

编辑推荐:

  被动声学监测(Passive Acoustic Monitoring, PAM)用于估计生物多样性时,通常需要使用声学指数(acoustic indices)来总结录音的声学特性。尽管声学指数在有限的情境下能成功追踪生物多样性,但声学指数跨域泛化的反复失败已引

  
被动声学监测(Passive Acoustic Monitoring, PAM)用于估计生物多样性时,通常需要使用声学指数(acoustic indices)来总结录音的声学特性。尽管声学指数在有限的情境下能成功追踪生物多样性,但声学指数跨域泛化的反复失败已引发了对PAM可靠性和可扩展性的质疑。不同生态群落的变异常被引为基于声学指数的生物多样性估计泛化能力的主要限制因素,而环境噪声变异则常被忽视。背景噪声可能因环境(如风)和系统(如麦克风)的差异而在录音间变化,这使得跨研究的噪声均衡变得困难。在本研究中,研究人员使用合成声景(synthetic soundscapes)和实地录音(field recordings)来评估背景噪声对声学指数泛化的影响。研究人员揭示了背景噪声对声学指数跨数据集泛化生物多样性估计能力的显著影响。研究人员证明,仔细选择噪声不变的声学指数(noise-invariant acoustic indices)、考虑信噪比(signal-to-noise ratio, SNR)、跨噪声类型训练以及分割录音以集中生物声(biophony),均能改善基于声学指数的生物多样性泛化。研究人员还展示了使用声景模拟训练(soundscape simulation training)进行基于声学指数的生物多样性估计和泛化。研究人员得出结论:声学指数作为一种简单且成本效益高的生物多样性监测工具,可能比之前认为的更具潜力,并强调了在训练过程中缓解背景噪声变异以改善泛化的几种可能性。
**论文解读:噪声考虑对声学指数估计生物多样性泛化能力的提升**

**研究背景与问题提出**

生态系统的快速变化导致生物多样性衰退和物种灭绝速度加快,有效的监测手段对生物多样性保护至关重要。传统的目视调查(如点计数或距离抽样)耗时且依赖观察者经验。被动声学监测(Passive Acoustic Monitoring, PAM)作为一种连续、低维护的替代方案,被广泛用于估计生物多样性,尤其适用于通过声音交流或发声的物种。然而,PAM产生的大量数据难以手动分析,而全自动的物种分类仍面临困难,因此声学指数(acoustic indices)被提出用于通过单一指标表示声学多样性。尽管声学指数在特定情境下能成功追踪生物多样性,但其跨数据集、跨生境的泛化能力差,导致研究者对其可靠性和可扩展性产生质疑。此前研究将泛化失败归因于生物声重叠、录音设备不匹配或指数本身的固有限制,甚至有观点认为跨域泛化无法实现。然而,环境噪声的变异往往被忽视,背景噪声可能因环境(如风、雨)和系统(如麦克风)差异而变化,且噪声类型(如雨、溪流、风、交通)和信噪比(Signal-to-Noise Ratio, SNR)会显著影响声学指数值,但尚未与生物多样性估计的泛化能力建立直接联系。因此,本研究旨在系统探究背景噪声是否为限制声学指数泛化的关键因素,并探索缓解噪声影响的方法。

**主要技术方法**

研究人员采用合成声景(synthetic soundscapes)和实地录音(empirical field recordings)双管齐下的方法。合成声景基于以色列地中海森林4个位点的录音,通过预处理(低通滤波、事件检测、标准化)构建21种鸟类的叫声片段库,并利用对数正态分布模拟生态群落结构,在可控条件下叠加四种背景噪声类型(模拟粉红噪声、自然噪声、风噪声、机动车噪声)并调整SNR(0-15 dB)。实地录音来自同一森林,经人工标注获得真实物种丰富度(ground-truth species richness)。计算六种常见声学指数(ACI, ADI, AEI, H, BI, NDSI)及SNR,作为随机森林(Random Forest, RF)模型的预测变量,以物种丰富度(richness)为响应变量。模型采用80:20训练-测试分割,经50次蒙特卡洛(Monte Carlo, MC)迭代评估性能,以皮尔逊相关系数(r)和决定系数(R2oos)衡量预测精度。此外,对声景进行分割(segmentation):通过高通滤波(1 kHz)和幅度阈值检测事件,去除噪声片段并连接生物声片段,以测试噪声去除对泛化的影响。

**研究结果**

**3.1 声学指数能否预测物种丰富度?**
基于声学指数和SNR训练的随机森林模型在合成声景和实地录音中均能显著高于随机水平预测物种丰富度(图2A-C),但直接从合成声景泛化到实地录音时失败(图2D),表现为皮尔逊r显著为正(0.32)但R2oos为负(-0.09),表明预测趋势存在但误差极大。将SNR作为预测变量加入模型可显著提升预测精度(r提升0.02-0.05,R2oos提升0.02-0.07)。SHAP分析显示SNR在所有数据集中均为重要预测变量。

**3.2 噪声对泛化的影响**
通过逐步增加训练集中的噪声类型(从1种到4种),测试模型对未见噪声类型的泛化能力。当训练集包含3种噪声类型、测试第4种未见噪声时,仅使用ACI和SNR作为预测变量,R2oos从-0.21提升至0.20(图3E)。声学指数值在不同噪声类型下对相同生物声景的响应差异显著:例如ADI在风噪声下范围窄(2.12-2.35),而在机动车噪声下范围宽(0.89-2.32),表明噪声类型导致指数值偏移,是泛化困难的主要原因。

**3.3 声景分割作为泛化问题的可能解决方案**
采用基于幅度阈值的声景分割(去除噪声、集中生物声)后,跨噪声类型的泛化性能显著提升:从合成声景(模拟噪声)到自然噪声声景的泛化R2oos从-0.02提升至0.24(图4)。该改进在所有SNR水平下均显著,且在高SNR(12 dB)时提升幅度最大(R2oos达0.45)。

**讨论与结论**

本研究确认背景噪声是限制声学指数跨域泛化估计物种丰富度的主要因素。训练模型时暴露于更多噪声类型可显著改善泛化,表明噪声多样性训练是迁移学习成功的关键。不同声学指数对噪声的敏感性差异显著:ACI对四种噪声类型均表现出高鲁棒性,而ADI、AEI和BI易受噪声类型影响,建议避免使用或需仔细降噪。将SNR作为预测变量有助于提升模型性能,但实地录音中SNR的信息性可能因非静态噪声而减弱。基于阈值的声景分割方法能有效去除噪声片段、集中生物声,从而提升泛化能力,但可能损失部分频率信息。合成声景的优势在于可精确控制生态和声学变量,为测试泛化提供理想平台。尽管本研究展示了一致性的泛化改进,但模型仍仅实现中等程度的泛化,R2oos值偏低,表明存在领域不匹配导致的估计误差。未来研究应测试更多声学指数的噪声鲁棒性,开发更精细的分割技术,并利用更大、更复杂的合成声景数据集进行训练。

**结论部分翻译**
总之,研究结果表明,声学指数具有用于生物多样性评估的潜力,包括跨系统泛化。结果强烈支持三个主要结论:1)噪声暴露训练对于成功的迁移学习是必要的;2)谨慎选择噪声鲁棒的声学指数(如ACI)是有益的;3)噪声去除方法(例如使用机器学习)可能有助于泛化。因此,鼓励生态声学界重新审视当前对声学指数用于生物多样性估计的泛化局限性的怀疑态度,并建议进一步研究以实现跨PAM数据集的泛化。
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