《Marine Mammal Science》：Description, Detection, and Classification of Hawaiian Monk Seal Vocalizations Through Deep-Learning Methods: Biological and Conservation Applications
编辑推荐：
夏威夷僧海豹（Hawaiian monk seal）是一种夏威夷群岛特有的鳍足类食肉动物（phocid Carnivore）。研究人员最近发现，成熟雄性全年至少发出六种独特的叫声，通常以两个或更多为一组，声音产生与生殖状态相关，之前曾认为该物种在水下是沉默的。
夏威夷僧海豹（Hawaiian monk seal）是一种夏威夷群岛特有的鳍足类食肉动物（phocid Carnivore）。研究人员最近发现，成熟雄性全年至少发出六种独特的叫声，通常以两个或更多为一组，声音产生与生殖状态相关，之前曾认为该物种在水下是沉默的。在此，研究人员基于从两只在受控环境中单独饲养的成年海豹获得的叫声，应用渐进式深度学习方法进行这种濒危海洋哺乳动物的声学监测。研究人员使用4989个手动标注的叫声及对应的语谱图图像，通过迁移学习（transfer learning）微调预训练的YOLO网络，以检测和分类来自同一只个体的长期记录中的声音。该算法实现了87%的加权精确率（weighted precision），并从16,262小时的数据中高效恢复了48,324个叫声。随后，研究人员通过将实验室中已验证的叫声与不同信噪比（signal-to-noise ratio, SNR）下的声景记录相结合，将此方法过渡到野外环境。重新训练的算法从12小时的关键栖息地记录中恢复了2049个海豹叫声，这些记录具有不同的背景噪声水平，成功捕捉到了手动标注所记录的声学存在的时间模式。这种机器学习工具使得能够利用声学数据有依据地检测自由活动的夏威夷僧海豹，从而支持这一濒危物种的保护工作。
**研究背景与问题**
夏威夷僧海豹（*Neomonachus schauinslandi*）是一种濒危的鳍足类动物，栖息于夏威夷主群岛和西北夏威夷群岛水域，现存数量仅约1600只。该物种面临多种人为和环境干扰，是重点保护对象。长期以来，研究人员认为僧海豹在水中不常发声，但近期研究发现成熟雄性全年至少能发出六种水下叫声（包括croak、moan、groan、growl、rumble和whoop），这些叫声频率低（主要能量<1 kHz，峰值频率<300 Hz），振幅较高（137–153 dB re 1 μPa rms），且常以阵发形式出现。野外记录也证实了这些叫声的存在。叫声的低频特性使其可传播>1 km，但近岸栖息地背景噪声（如生物声源）较高，导致被动声学监测（passive acoustic monitoring, PAM）面临信号处理挑战。传统人工审核长时声学数据效率低下，而现有自动检测器多针对高度刻板化的叫声，尚未应用于僧海豹。因此，本研究旨在开发一种基于深度学习的检测与分类方法，以高效识别复杂自然噪声中的僧海豹叫声，支持保护工作。论文发表在《Marine Mammal Science》。
**研究所用关键技术方法**
研究人员使用两只圈养成年雄性夏威夷僧海豹（KE18和KP2）的长期水声记录（总计16,262小时，样本来源：加州大学圣克鲁兹分校Long Marine Laboratory）以及来自夏威夷群岛四个关键栖息地（Manawai、Lalo、Lehua Rock、Mānana Island）的野外记录（4296小时）。主要技术方法包括：
1. **数据标注与预处理**：通过MATLAB自定义图形用户界面（GUI）对4989个手动标注的叫声进行精炼，获得精确到0.01秒的六类叫声标签。
2. **YOLO v4网络架构**：采用基于区域卷积神经网络（region-based CNN）的YOLO v4模型，利用三个不同尺度的检测头分别捕捉短、中、长持续时间的叫声，并通过预训练于COCO数据集的CSPDarkNet53骨干网络进行迁移学习。
3. **数据增强**：对70%的语谱图图像进行随机对比度、饱和度、亮度调整、扭曲、缩放及平移，避免过拟合。
4. **野外模型再训练**：将实验室验证叫声与来自Mānana Island的48小时无海豹噪声记录混合，并施以不同增益（+6至-48 dB）模拟不同信噪比，生成23,947张训练图像。
5. **性能评估**：使用精确率-召回率曲线（precision-recall curve）评估算法，并通过与手动标注对比验证野外检测效果。
**研究结果**
**3.1 受控（圈养）环境下两只成年雄性夏威夷僧海豹水下叫声的检测与分类**
通过实验室数据训练，YOLO v4网络在所有叫声类型上的加权平均精确率（weighted average precision）为0.87。其中croak精确率最高（0.95），groan最低（0.67）。算法从16,262小时数据中恢复48,324个叫声，两只海豹的叫声类型比例相似（最大偏差5%），且全年发声，峰值月份每小时呼叫率（百分位10、50、90）为KE18: 40、10、2次/小时，KP2: 30、4、2次/小时。叫声多呈阵发（59%存在于KE18的阵发中，KP2为18%），阵发平均持续5–6秒，包含2–5个叫声。机器学习检测结果与手动标注在叫声类型比例、持续时间及季节性趋势上高度一致，且证实了非随机序列结构：同类型叫声更易重复出现（如groan后接groan的概率是随机情况下的14.6倍），常见组合如moan-growl、croak-growl等。此外，最常用叫声通常持续时间最短，符合Zipf缩略定律（Zipf's law of abbreviation），而阵发越长则内部单个叫声越短，符合Menzerath定律（Menzerath's law）。
**3.2 复杂声学环境中自由活动夏威夷僧海豹水下叫声的检测与分类**
再训练后的野外算法在模拟数据上的加权平均精确率为0.74，其中growl精确率最高（0.95），whoop最低（0.60）。从四个野外站点12小时记录中恢复2049个叫声，平均站点检测率分别为：Manawai 250次/小时、Lalo 142次/小时、Lehua Rock 261次/小时、Mānana Island 30次/小时。叫声类型以croak（35%）、growl（27%）、moan（17%）为主，groan仅占1%。75%的叫声出现在阵发中，平均阵发持续7秒，包含3个叫声。与手动标注相比，算法检测到的叫声数量较少（2049 vs. 3138），但时间模式高度一致（图8）。算法能有效区分僧海豹叫声与重叠的座头鲸（*Megaptera novaeangliae*）歌声，仅少数鲸声被误判为groan。
**总结讨论与结论**
研究人员通过渐进式、自下而上的深度学习方法，成功开发并应用了用于检测和分类夏威夷僧海豹叫声的机器学习模型。实验室数据验证了雄海豹全年发声、阵发结构、非随机序列及与生殖状态相关的季节性趋势，这些发现为基于声学线索的密度估计和栖息地利用提供了基础（如呼叫率2–40次/小时）。野外模型在四个站点均能可靠捕捉声学存在的时间模式，尽管对低沉、低信噪比叫声（如moan、rumble）的精确率较低，但通过设置分类分数阈值（如>0.8–0.9）可减少误检。该工具已打包为开源独立应用程序（10.5281/zenodo.21812567），支持实时检测，可直接用于保护管理：通过长期PAM监测西北夏威夷群岛的僧海豹分布，结合呼叫率估计密度，指导保护决策。未来工作需进一步评估与相似生物声源（如鱼类、座头鲸）的混淆，并通过更大数据集和持续手动验证优化性能。结论部分翻译如下：
水下声学产生仅在2021年首次被描述于夏威夷僧海豹，并于2025年在自由活动个体中得到确认。本研究扩展了这些发现，开发了一种基于语谱图的机器学习算法，用于自动检测野外僧海豹叫声。研究人员自下而上方法的优势在于能够将实验室高质量验证叫声与不同信噪比下的代表性环境噪声相结合，构建稳健的训练集。最终，机器学习模型成功过渡到野外记录，在四个测试站点实现了对多种叫声类型的确认、高效检测。除可访问的检测器和分类器外，研究人员还开发了新的叫声标注和验证工具，可应用于多种声学数据集。这项工作对夏威夷僧海豹的保护具有直接意义，也可为濒危地中海僧海豹（*Monachus monachus*）等相关物种的PAM研究提供参考。此外，本项目开发并应用的机器学习方法可解决海洋和陆地环境中的一系列信号处理挑战。
