《Environments》:Bridging Local Ecological Knowledge and Remote Sensing for Wildlife Assessment and Conservation: Insights from Sebitoli, Kibale National Park, Uganda
编辑推荐:
在持续人为压力下有效保护热带森林需要关于物种存在的可靠且最新的知识,然而本地生态知识(LEK)、相机陷阱技术(CT)和被动声学记录技术(PAR)很少被同时在同一地点、针对同一物种名录进行比较和联合使用。乌干达的基巴莱国家公园(KNP)是著名的生物多样性热点地区
在持续人为压力下有效保护热带森林需要关于物种存在的可靠且最新的知识,然而本地生态知识(LEK)、相机陷阱技术(CT)和被动声学记录技术(PAR)很少被同时在同一地点、针对同一物种名录进行比较和联合使用。乌干达的基巴莱国家公园(KNP)是著名的生物多样性热点地区,当地文化深受野生动物影响,社会生活和文化认同植根于氏族与图腾体系之中。位于KNP北部的塞比托利(Sebitoli)在20世纪70年代曾遭受砍伐,并纳入了2005年全园范围的普查。研究人员在二十年后(即2025年)的这片再生林斑块中,对54个脊椎动物类群(32种哺乳动物、15种鸟类、7种爬行动物)应用了这三种方法。在2025年2月1日至7月30日的六个月期间,20个配对设置的相机陷阱/声学记录仪站点利用自动化深度学习分类器从相机陷阱影像和音频录音中检测物种,并与对34名当地研究和保护工作人员开展的结构化LEK调查相结合。2005年的全园普查为解读当前的检测结果提供了历史参考,尽管调查设计和度量指标的差异使研究人员无法直接推断密度或丰度的变化。2005年在塞比托利有非零密度估计记录的7个类群在本研究中均被至少一种方法检测到,其中濒危的大象和黑猩猩是三种方法中检出频率最高的物种。相机陷阱还检测到了非洲金猫(Caracal aurata)和非洲水牛(Syncerus caffer),这两个物种在2005年的样线调查中未被记录。没有任何单一方法能够捕获完整的群落:CT与PAR在其联合分类学覆盖范围内检测到61%的类群,而最佳单一传感器的检出率为50%;仅LEK一项就对全部54个物种给出了非零得分,涵盖所有爬行动物以及当前大部分超出分类器覆盖范围的类群。在考虑分类器覆盖范围后,LEK与传感器的相关性显著减弱(ρ = 0.29–0.30),且受访者之间的命名一致性反映的是视觉熟悉度,而非图腾或文化显著性。本研究结果展示了二十年前罕见或缺失物种的当前检出情况,并强调整合LEK、CT和PAR能够比任何单一监测方法提供更全面、更具互补性的生物多样性评估。
**论文解读**
**一、研究背景与问题**
热带森林承载着全球陆地物种多样性的重要份额,但在采伐、农业开垦和捕猎等多重人为压力下正经历严重衰退。成熟的原始森林在人类时间尺度上几乎不可替代,但在全球热带森林中所占比例持续萎缩。与之相对,再生林和次生林尽管物种丰富度通常较低,却依然具有可观的保护价值,并在热带次生林的快速多维恢复中得到印证。然而,在保护区内部生境高度异质化、人为干扰不断加剧的背景下,仅靠直接观测获取可靠的物种存在信息日益困难。本地生态知识(LEK)作为社区成员长期积累的物种认知,已被广泛认可为有价值的补充性生物多样性信息来源;图腾制度等文化实践也被证实能影响社区与野生动物的互动。同时,相机陷阱(CT)与被动声学监测(PAM)结合深度学习分类器,已能够实现大规模连续化的自动化物种识别。然而,CT、PAM与LEK三种方法在同一地点、同一时间、针对同一物种名录进行联合比较的研究仍极为稀缺,尤其是在受持续人为压力的再生热带森林中。乌干达基巴莱国家公园(KNP)是阿尔伯丁裂谷的重要生物多样性热点,其北部塞比托利(Sebitoli)区域在1970年代遭选择性砍伐后,持续面临农业污染、非法伐木、盗猎和公路交通等多重压力。2005年全园普查显示,该区域多数灵长类和大象的密度为全国园区最低水平,非洲水牛和丛林猪未被记录。基于此,研究人员以塞比托利为案例,旨在更新这一人为干扰下再生林的生物多样性状态,并系统比较三种监测方法的效能与互补性。该论文发表在《Environments》。
**二、研究内容与主要结论**
研究人员对54个脊椎动物类群(32种哺乳动物、15种鸟类、7种爬行动物)开展了为期六个月(2025年2月1日至7月30日)的同步监测,设置了20对相机陷阱/声学记录仪配对站点,结合深度学习分类器与结构化LEK调查,并以2005年普查为历史基线。结果显示:2005年在塞比托利有密度记录的7个类群全部被本次至少一种方法检出,濒危大象和黑猩猩为检出频率最高的物种;非洲金猫和非洲水牛——2005年未记录——现已被相机陷阱捕获。CT与PAR联合在其分类学覆盖范围内检出61%的类群,优于最佳单一传感器(50%),而LEK对全部54个物种