《Remote Sensing in Ecology and Conservation》：How Passive Acoustic and Traditional Monitoring Estimate Bird Diversity Across Habitats
编辑推荐：
鸟类监测技术近年来显著发展。最常见的监测方案仍然是样点计数（point count）和样线调查（transect survey），但新技术如被动声学监测（PAM）正变得越来越流行。随着更多监测项目采用PAM，了解其与经典监测数据的可比性至关重要。研究人员比较了
鸟类监测技术近年来显著发展。最常见的监测方案仍然是样点计数（point count）和样线调查（transect survey），但新技术如被动声学监测（PAM）正变得越来越流行。随着更多监测项目采用PAM，了解其与经典监测数据的可比性至关重要。研究人员比较了经典监测（通过基于观察者的样点计数）和被动声学监测（通过录音设备）得出的多样性指数（即物种丰富度、香农多样性指数和Jaccard指数），并基于PAM开发了一种新的估算香农指数，使用物种特异性置信阈值和检测率。研究人员在意大利阿尔卑斯山一个异质景观中的126个样点应用了这些方案，首次调查了不同监测方案的有效性是否取决于生境类型。研究人员显示，PAM捕捉到的物种大约是经典样点计数方法的两倍。两种协议估计的物种丰富度强相关（rs=0.71），但不同生境类型间存在较大差异。差异在多样性热点如湿地和草甸中更大，在高山生境中较低。基于PAM的新型香农指数非常可靠，与基于观察者的香农指数结果相似，表明其有效性。两种协议的物种组成显著不同（平均Jaccard指数=0.38）。尽管本研究强调了PAM可以提供额外信息，但鸟类计数仍然重要，因为它们提供了进一步的见解（例如繁殖状态），并且并非所有物种都能被PAM捕捉（例如声学上无法区分的）。由于样点计数在时间和成本上高效，它们将继续在鸟类监测中发挥重要作用。研究结果强调了每种方法的优缺点，并为未来的监测项目提供了建议。
**论文解读文章**
**研究背景与目的**
21世纪面临气候变化和生物多样性丧失等重大生态挑战，鸟类种群在全球范围内呈现下降趋势，土地利用变化和生境破坏是主要驱动因素。为应对这些损失，有效的鸟类监测至关重要。传统监测方法如样点计数（PC：观察者在固定点于限定时间内记录鸟类）因其简单、时间高效而广泛应用，但受限于短采样期（通常5-20分钟）、观察者技能差异以及可能遗漏稀有或隐秘物种。被动声学监测（PAM：通过自主录音设备长时间记录鸟类鸣声）结合自动检测模型（如BirdNET：基于机器学习的鸟类声音识别软件）可显著延长采样期，提升物种捕获率。然而，现有比较研究多局限于单一生境，且未包含丰度估计。为此，研究人员在意大利阿尔卑斯山的异质景观中，首次系统评估了不同生境类型下PC与PAM在物种丰富度、香农多样性指数（Shannon diversity：衡量群落物种丰富度和均匀度的指标）和物种组成上的差异，并开发了基于PAM的近似香农指数。论文发表在《Remote Sensing in Ecology and Conservation》。
**主要技术方法**
研究人员基于“南蒂罗尔生物多样性监测”（BMS）项目，在126个样点（分属7类生境：定居点、果园、湿地、森林、农业开阔地、亚高山草地、高山草地）开展监测。PC方法：由专家（JS, MA）在每样点进行3次（高海拔2次）10分钟样点计数，记录视觉和听觉识别的鸟类。PAM方法：使用AudioMoth 1.2.0录音设备（采样率32 kHz，增益中档），于2024-2025年繁殖季（4月至8月）覆盖黎明和黄昏时段，每10分钟记录5分钟，总录音时长31,260小时。采用BirdNET Analyser 2.4自动检测269种鸟类，设置最小置信度0.25。通过提取每物种每样点70个随机5秒片段，由专家（GB, JSc, MA）听音验证，仅保留至少10次检测的物种以减少假阳性。计算检测率（DR：含目标物种的录音文件数除以总文件数）作为丰度代理，并应用物种特异性置信阈值（0.90精度阈值）区分真假检测。基于DR构建PAM香农指数（HPAM），并与PC观察香农指数（HPCO）和累积香农指数（HPCA）比较。统计方法包括广义线性混合模型（GLMM）、Spearman秩及相关分析等。
**研究结果**
**3.1 物种丰富度比较**
通过GLMM分析，PAM平均检测到的物种数约为PC观察丰富度（SPCO）的2.2倍，为PC累积丰富度（SPCA）的1.6倍。两种方案的物种丰富度总体强相关（rs=0.71），但生境类型影响显著：在高山和亚高山草地、果园中相关性较强，而在森林、农业开阔地和湿地中相关性不显著（p>0.1）。GLMM显示，PAM在高山草地中的优势相对较小（交互效应显著β=-0.485，p<0.001），而在多样性热点（如湿地、农业开阔地）中PAM检测到不成比例的更多物种（每增加1单位平均丰富度，PAM额外多检测7%物种）。录音时长对PAM物种丰富度总体无显著影响（p=0.891），但亚高山草地存在交互作用。
**3.2 香农多样性比较**
基于PAM的香农指数（HPAM）与PC观察香农指数（HPCO）呈正相关（rs=0.69），且HPAM值仅比HPCO平均低0.15单位，比累积香农指数（HPCA）低0.44单位。GLMM显示，香农多样性在不同生境间差异显著，高山草地和定居点值最低，而HPAM与HPCO的差异在不同生境中相对一致。物种特异性DR与PC观察丰度之间的Spearman相关性因物种而异：42种显著正相关，28种非显著或负相关，且检测次数多的物种相关性更强。基于发声活动率（VAR）的香农指数（HVAR）表现较差，比HPCO平均低0.72单位。
**3.3 物种组成差异**
两种方案的平均Jaccard指数（衡量物种组成相似性）为0.38（SD=0.10），表明共享物种不足一半。PAM平均覆盖了PC样点中85%的物种，而PC仅覆盖了PAM样点中42%的物种。通过二项GLMM分析，PAM的检测优势显著（β=1.05，p<0.001），其检测几率约为PC的3倍。但物种间差异大：6种鸟类（如意大利麻雀*Passer italiae*、岩燕*Ptyonoprogne rupestris*、家鸽*Columba livia*、黑鸢*Milvus migrans*、金雕*Aquila chrysaetos*、黑琴鸡*Lyrurus tetrix*）的几率比<0.5，更易被PC检测；而120种鸟类（如灰林鸮*Strix aluco*、渡鸦*Corvus corax*、金黄鹂*Oriolus oriolus*、普通鵟*Buteo buteo*）几率比>1.5，显著偏向PAM。在目级别上，鸮形目、夜鹰目和?形目检测优势最大，鸽形目和雀形目最小。PAM检测到的受威胁物种（CR, EN, VU）平均每样点2.4种，显著高于PC的1.3种（Poisson GLMM，p<0.001），且PAM在森林、湿地和果园中检测到更高的保护价值，但在高山草地中优势较低。
**总结讨论与结论**
讨论部分指出，PAM在多样性热点（如湿地、草地）中表现尤为突出，这与其更大的采样范围和时间覆盖相关；而在物种贫乏的高山生境中，PC已能捕获大部分本地物种，且PAM优势减弱。PAM额外检测的物种可分为四类：夜行性鸟类（如鸮类）、鸣声洪亮且活动范围广的鸟类（如渡鸦）、啄木鸟科（因其鼓声易于识别）以及稀有/迁徙物种（如金黄鹂）。相比之下，PC对仅能视觉区分或低鸣声物种（如意大利麻雀、岩燕）更有效。两种方法的互补性显著：PAM提供更全面的物种清单，但PC能提供繁殖状态、性别、年龄等信息。结论部分翻译如下：
总之，研究人员证明被动声学监测和样点计数在物种丰富度和组成上检测到不同的鸟类群落。尽管如此，两种监测方案得出的物种丰富度总体相关，这应有助于与现有监测数据的比较。虽然PAM通常检测到更多物种，但这一效应在多样性热点中强于低多样性样点。在高山生境中，PC表现优于预期，可能是因为其物种贫乏、存在特化物种且常需视觉检测。基于PAM计算香农指数的新方法被证明非常可靠，这是向估算鸟类丰度迈出的一步，可为未来监测项目提供有用工具。总体而言，即使结果再次表明PAM是一种强大高效的工具，经典的观察者方法（如样点计数）仍然相关，因为它们能在极短的时间内有效工作，且某些物种无法被PAM检测到。未来研究应调查这一效应在不同生境/物种组合、不同生物地理区域及不同监测方案设置下是否一致。
