一种用于异质自然声景无监督分割的高效流程

《Ecological Informatics》:An efficient pipeline for the unsupervised segmentation of heterogeneous natural soundscapes

【字体: 大 中 小 】 时间:2026年08月07日 来源:Ecological Informatics 8.5

编辑推荐:

  被动声学监测(Passive Acoustic Monitoring, PAM)将通过连续生态声学数据采集来变革生物多样性评估和大规模生态调查。然而,数据集增长速度已超过现有分割方法,其中许多方法针对狭窄的分类学子集进行调优,且缺乏非生物声音,限制了生态真实性

  
被动声学监测(Passive Acoustic Monitoring, PAM)将通过连续生态声学数据采集来变革生物多样性评估和大规模生态调查。然而,数据集增长速度已超过现有分割方法,其中许多方法针对狭窄的分类学子集进行调优,且缺乏非生物声音,限制了生态真实性。自然声景包含重叠的生物声(biophony)、地质声(geophony)、人声(anthrophony)和技术声(technophony),使得资源高效且生态有效的分割成为持续挑战。为此,研究人员引入了一种无监督框架,旨在无需预定义标签即可揭示有意义的声学结构。该流程整合了系统采样、声音事件检测(Sound Event Detection, SED)、梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCCs)提取、通过均匀流形逼近与投影(Uniform Manifold Approximation and Projection, UMAP)进行降维,以及使用基于层次密度的噪声应用空间聚类(Hierarchical Density-Based Spatial Clustering of Applications with Noise, HDBSCAN)进行聚类。研究人员在六个生物多样性丰富的澳大利亚声景中评估了该框架,包含(n=19,230)个4.5秒非重叠片段。结果表明,聚类内部具有一致性,UMAP空间上的Voronoi镶嵌图显示出清晰的空间边界。使用(n=2000)个手动标注样本进行的外部验证表明,聚类与具有生态意义的声音类型高度对齐。F1分数范围从83.7%到98.3%,大多数站点的精确率和召回率均超过91%。通过将无监督聚类与生态验证相结合,该框架为组织未标记的生态声学数据提供了一种实用且资源高效的解决方案,同时减少了人工工作量并保持了生态完整性。
**异质自然声景的无监督分割:方法、验证与生态意义**

**1. 研究背景与问题**

生态声学(Ecoacoustics)作为一门快速发展的学科,致力于通过分析环境声音来监测和理解生物多样性。传统的生物多样性监测方法,如人工计点调查,不仅劳动密集、时空范围有限,还易受观察者偏差影响,且难以捕捉隐秘或夜行性物种。被动声学监测(PAM)系统通过低成本声学传感器连续采集自然声景数据,为非侵入性、大尺度的生物监测提供了变革性解决方案。然而,PAM系统产生海量数据,使得人工分析变得不切实际,形成了处理与解释的瓶颈。尽管机器学习(ML)和深度学习(DL)方法被引入以应对这一挑战,但仍面临诸多难题:生态声学数据维度高、复杂度高,包含生物声、地质声、人声和技术声的混合,且记录条件多变;带标签数据的稀缺性严重制约了监督学习模型的训练,现有数据集多为物种特异性且规模有限;此外,可扩展性和计算资源限制也是大规模应用的主要障碍。因此,亟需开发一种资源高效、无需标签且能处理异质声景的无监督分析方法。

**2. 研究目标与框架**

本研究的主要目标是探索无监督机器学习如何帮助理解大规模生态声学记录,重点在于识别有意义的声学模式,而非匹配已知物种标签。研究人员提出了一种模块化、计算高效的无监督分割框架,旨在让数据基于声学相似性自然形成聚类,而非预设物种类别。该框架不针对特定类群,允许生物和非生物声源自然分组,从而保留混合声源的生态信息。研究在澳大利亚声学观测站(A2O)的六个生态多样性站点上进行了评估,共包含19,230个4.5秒非重叠高能片段,并对2,000个样本进行了人工标注用于外部验证。

**3. 主要技术与方法**

研究人员构建了一套模块化流程,主要包括以下关键技术环节:
- **系统采样**:从A2O网络选取六个站点,每个站点选取一个录音器,从选定的24小时周期内每两小时提取前20分钟音频,确保时间多样性,共产生每站点3205个4.5秒片段。
- **声音事件检测(SED)**:基于短时信号能量阈值和峰值拾取算法,提取高能声学事件(如动物叫声、风声、雨声),跳过低能静音期。
- **特征提取**:对每个片段计算梅尔频率倒谱系数(MFCCs),仅使用静态系数,保持特征空间紧凑。
- **降维**:比较主成分分析(PCA)、t分布随机邻域嵌入(t-SNE)和均匀流形逼近与投影(UMAP)三种方法,评估其在保留数据结构方面的性能。
- **聚类**:应用HDBSCAN、k-means、DBSCAN和层次聚类分析(HCA)四种算法,通过内部验证指标(Calinski–Harabasz指数、Dunn指数、轮廓系数、Davies–Bouldin指数)进行超参数调优。
- **验证**:采用内部验证指标(簇内紧密度与簇间分离度)和外部验证指标(准确率、精确率、召回率、F1分数和平均每簇活跃类数MACPC)进行评估。

**4. 研究结果**

**4.1 聚类性能比较**
UMAP与HDBSCAN的组合在所有内部验证指标上表现最优,取得了最高的标准化得分和最小的四分位距(IQR),表明其生成的聚类紧凑且分离良好。UMAP能同时保留局部和全局数据结构,而HDBSCAN能适应可变密度并抵抗噪声,二者互补。k-means在PCA和UMAP嵌入下表现良好,但Dunn指数较低,表明其在非球形或紧密排列的聚类上分离能力较弱。DBSCAN由于依赖固定密度阈值,难以适应生态声学数据高变密度和时间重叠的特性,表现最不稳定。HCA性能中等且稳定,但并非最优,更适合用于层级解释。

**4.2 外部验证**
外部验证结果表明,聚类与生态学意义的声音类型高度对齐。F1分数范围从83.7%到98.3%,大多数站点精确率和召回率均超过91%。MACPC值越低,F1分数越高,表明声学复杂度较低的站点聚类纯度更高。例如,Wambiana站点的MACPC为1.10,F1分数高达0.983;而声学复杂度较高的Mourachan站点(MACPC=1.723)F1分数降至0.933。

**4.3 计算效率**
运行时间分析显示,PCA展现出最有利的效率特性,UMAP的扩展性优于t-SNE,而t-SNE在样本量超过10?时处理时间变得不可行。与文献中的外部基准方法相比,所提出的UMAP+HDBSCAN流程比元嵌入聚类(MEC)快约22倍,比LAMDA 3π快约3.4倍。

**4.4 站点模式与空间解释**
Voronoi图分析揭示了站点间的差异。Tarcutta(轮廓系数=0.63)和Wambiana(0.84)显示出大而清晰的Voronoi单元,表明声学重叠度低;而Mourachan(轮廓系数=0.23)则呈现碎片化的Voronoi分区,反映出更高的簇内模糊性。这些结果与外部验证指标一致,表明声学异质性驱动了可分离性和标注质量的差异。

**5. 讨论与结论**

**讨论**:该框架的优势在于其声景级、开放集的分割方式,相较物种级识别器更具鲁棒性,且能整合非生物声源。MACPC作为簇内声学复杂度的代理指标,有助于识别需要人工审查的区域。然而,研究也存在局限性:聚类粒度较粗,难以区分叫声相似的物种;对重叠声源仅进行量化而未显式分离;存在域偏移问题,在不同生境间迁移需重新验证;扩展到更大规模数据(如月度连续音频)时可能面临计算瓶颈。此外,框架对超参数敏感,且假设时间自相关,在快速变化的声景中效果受限。

**结论**:本研究呈现了一项大规模探索性研究,聚焦于大规模、高维生态声学数据集的无监督分割。跨多个地理站点的评估支持了所提出框架在评估数据范围内的鲁棒性和计算实用性。研究利用计算智能揭示了无预定义分类学标签的潜在声学结构,证明了无监督聚类提取有意义生态声学模式的潜力,为引导专家标注工作提供了适应性框架。该框架可作为自动生物多样性监测的基础,用于识别声学群落随时间的变化或检测异常事件。未来工作应探索结合弱监督的混合方法,优化处理密集声学重叠的技术,并在更大规模的数据集上进行实证基准测试,以全面评估框架的泛化能力和实际应用价值。
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