宽吻海豚的交流多样性与社会网络结构的复杂性成正比

《iScience》:Communicative diversity scales with social network structure in bottlenose dolphins

【字体: 大 中 小 】 时间:2026年10月21日 来源:iScience 4.5

编辑推荐:

  **亮点:** - 吹哨曲目的结构与海豚的社会网络组织相关; - 高度聚集的群体表现出较低的吹哨曲目多样性; - 社交纽带强度的指标与群体内部的声学距离结构相关; - 分裂-融合型的社会展现出多维度的社会和声学复杂性。 **摘要:** 社会关系可以影响动物交流的需求,但社会组织

  **亮点:**
- 吹哨曲目的结构与海豚的社会网络组织相关;
- 高度聚集的群体表现出较低的吹哨曲目多样性;
- 社交纽带强度的指标与群体内部的声学距离结构相关;
- 分裂-融合型的社会展现出多维度的社会和声学复杂性。

**摘要:**
社会关系可以影响动物交流的需求,但社会组织的不同维度可能以不同的方式影响信号曲目的变化。我们研究了野生宽吻海豚(Tursiops truncatus)的社会网络结构变化是否与其吹哨曲目的结构变化相关。我们结合了两个野外季节的照片识别和同步声学记录,量化了群体的社会拓扑结构和社交纽带强度,并使用Hill多样性指标和连续声学距离指标来描述吹哨曲目。弹性网络模型显示,具有较高聚集系数的群体具有较低的曲目多样性,而平均和变化的社交纽带强度与声学距离结构相关。即使在考虑了主要行为状态和群体大小后,这些关系仍然存在。我们的发现表明,社会凝聚力和关系异质性对应于交流组织的不同维度,支持了分裂-融合型社会中社会和声学复杂性的多维视角。

**引言:**
交流的演化与动物社会生活的结构和需求紧密相连。复杂性可以通过多种非互斥的机制产生,包括群体规模和组成、分裂-融合动态、角色分化以及亲缘关系的变化。重要的是,社会“复杂性”可能反映了稳定性(例如,持久的不同关系)或灵活性(例如,动态的群体成员身份和不断变化的关联),因为这两者都会增加社会生活的认知和行为需求。因此,社会组织的不同特征可能代表了复杂性的不同维度,而不仅仅是单一连续体上的位置。这些需求构成了更广泛框架的基础,如马基雅维利智能假说和社会脑假说,这些假说认为管理动态社会关系的挑战推动了许多谱系中认知和神经能力的扩展。反过来,交流既可以反映这些认知能力,也可以作为维持复杂社会系统的机制。在各种分类单元中,生活在社会复杂群体中的物种(那些具有差异化、持久或分层结构关系的物种)往往表现出相应的复杂交流系统。社交复杂性假说(SCHCC)认为,要求个体识别、追踪和协调多个伙伴的社会环境有利于交流系统中信号多样性、情境灵活性和信息丰富性的演化。支持SCHCC的证据已经在包括灵长类、蝙蝠、啮齿动物和鸣禽(如鸦科鸟类)在内的多种脊椎动物中出现,表明交流复杂性是对相似社会认知压力的响应而共同演化的。在哺乳动物中,齿鲸类(有齿鲸、海豚和鼠海豚)提供了一个特别有力的系统,用于研究社会复杂性和交流复杂性之间的联系。许多齿鲸类生活在分裂-融合型社会中,其特征是动态的群体成员身份、长期的社会纽带和合作联盟。这些社会特征伴随着声音学习——从宽吻海豚(Tursiops spp.)的独特“标志性哨声”,到虎鲸和抹香鲸的群体级方言。在海豚中,它们音调声学信号的复杂性(称为哨声)与其群体规模和社会组织之间存在进化联系,生活在动态社会中的海豚物种会产生频率调制的哨声,这可能增加个体差异性并有助于在频繁变化的社交伙伴之间进行识别。因此,海豚非常适合用来测试SCHCC的预测,即交流复杂性随社会网络结构的变化而变化。

**方法:**
我们研究了一小群定居在巴拿马Bocas del Toro群岛的宽吻海豚(T. truncatus),该群体具有较高的站点忠诚度,并且似乎与该地区的其他宽吻海豚群体隔离,表明这是一个相对封闭且人口规模较小的海豚社区。这些特征使该群体成为探索声乐曲目多样性和结构变化是否反映了社会组织基本特征的理想对象。我们通过两年野外观察中获得的照片识别数据,检查了声学多样性(使用多种多样性指数和丰富度估计器)与社会网络结构(使用几个社会群体互动和关联指标)之间的关系。通过将声学变异指标与遭遇级别的关联强度、纽带结构异质性和群体拓扑结构联系起来,我们测试了在更复杂社会群体配置中观察到的群体是否表现出更多样化或差异化的哨声曲目(表1;图1)。通过这种方式,我们在野生宽吻海豚群体中提供了SCHCC的定量测试,有助于更好地理解连接信号、认知和社会结构的动物社会交流。

**结果:**
在研究期间,记录了179个宽吻海豚(T. truncatus)群体,并对106个个体进行了照片识别。基于Mth Chao模型的捕捉-重捕估计表明,当地种群的数量约为126±15个个体(SE),表明照片识别目录中大约包含了84%的种群(AIC = 60.75)。在应用了筛选标准后(包括足够的照片识别覆盖率和每个群体至少有60%的照片识别、没有单一个体以及每个被识别的个体至少有2个哨声),保留了37个包含72个个体的群体观察结果用于分析。总共进行了84.8小时的声学记录,其中27.3小时对应于最终数据集中的37个筛选后的群体观察结果。在这37个群体中,提取了3,657个哨声用于分析(平均±标准差=每个群体151±90.27个哨声;范围=51–310),每个群体的平均记录时间为47.95±15.85分钟(范围=17.47–81.74分钟)。

社会网络分析表明,观察到的海豚网络表现出非随机的社会结构。观察到的社会网络在关联指数上的方差和变异系数显著大于随机矩阵(10,000次数据流排列;方差:p = 0.001;变异系数:p = 0.001),证实了种群内部存在非随机的社会偏好和不同的社会关系。使用集成分类似然(ICL)的模型比较支持三类混合结构(ICL = ?4444.72),得出关联复杂性(熵)为0.889(图2)。熵值的范围是从0到1,较高的值表示潜在关联类别之间的异质性较大;因此,观察到的值表明采样网络内的关联结构具有显著的异质性。

弹性网络模型使用正则化来选择预测因子,同时考虑了共线性,确定群体聚集系数是预测群体间哨声曲目多样性(丰富度、Shannon多样性和Simpson多样性指数)最一致的预测因子(图3)。模型包括了主要行为状态、群体规模、幼崽/幼体数量和社会网络指标,在平等惩罚框架下允许行为、人口和社会预测因子竞争保留。具有较高聚集系数的群体——表明在观察中具有更紧密相连的关联模式——表现出较低的曲目丰富度和较低的Shannon多样性及Simpson多样性(图4A和4B)。社交行为(β = ±0.15)、Shannon多样性(β = ±0.12)和Simpson多样性(β = ±0.12)以较小的正系数被保留,而休息状态则以较小的负系数被保留(β = ?0.02、?0.01和?0.01)。群体规模、幼崽和幼体数量、密度以及中心化程度没有在曲目多样性模型中得到保留。

**结论:**
我们的研究结果表明,宽吻海豚的吹哨曲目多样性和社会网络结构确实存在相关性。复杂的社交网络和关联模式导致了多样化的哨声曲目,这反映了社会组织的特征。社会纽带强度的异质性与群体内部的声学距离分布有关,表明动态的社会环境会影响哨声曲目的变化。系数值代表在连续预测变量和响应变量标准化后,经过交叉验证的λmin标准化的弹性网系数;正值表明预测变量值越高,响应变量值也越高,而负值则表示反向关联。白色单元格表示系数等于零,这意味着在正则化后该预测变量未被保留用于该响应变量。颜色阶度反映了各个模型中保留的标准系数的范围。

**图 4:群体层级社会结构与哨声库特征之间的关系**

- (A)哨声库丰富度与群体聚类系数。
- (B)哨声库香农多样性与群体聚类系数。
- (C)平均哨声距离与群体聚类系数。
- (D)哨声距离的标准差与联系强度的标准差。
- (E)哨声距离的变异系数与群体聚类系数。
- (F)哨声距离的范围与平均联系强度。点的颜色根据焦点预测变量连续变化,伴有拟合的线性趋势(黑线±标准误差)。

**声音距离结构的社会相关因素**

弹性网模型在预测群体内部声音差异时,保留了一组一致的群体级预测变量(图 3)。群体聚类系数对于平均哨声距离具有负系数(β = ?3.15),表明在聚类更紧密的群体中平均声音差异较低;对于哨声距离的变异系数具有正系数(β = 3.26),表明在按平均距离缩放后,成对哨声距离的相对变异性更大。群体聚类还通过较小的负系数保留了范围距离(β = ?1.39)和标准差距离(β = ?0.11)。

**联系强度指标在各种距离测量中被反复保留,表明社会关系结构与哨声库内的声音分散之间存在关联。** 平均联系强度对于平均距离(β = 3.27)、范围距离(β = 3.93)、标准差距离(β = 5.40)和变异系数距离(β = 1.75)具有正系数。标准差联系强度同样被保留,对于平均距离(β = 1.93)、范围距离(β = 2.87)、标准差距离(β = 5.40)和变异系数距离(β = 3.14)也具有正系数。在双变量图中,标准差哨声距离随着标准差联系强度的增加而增加(图 4D),哨声距离的范围随着平均联系强度的增加而增加(图 4F)。休息和旅行在某些距离测量中以较小的系数被保留,但它们的幅度小于被保留的社会网络系数。群体大小、幼崽/未成年个体数量、密度、中心性和联系强度的变异系数未被纳入声音距离模型中。

为了评估与社会结构相关的模式是否可能反映重复轮廓类别与罕见轮廓类别之间的差异,我们使用ARTwarp复发指标作为声音响应(单一轮廓、重复轮廓、顶级轮廓支配性和轮廓均匀性;图 S1)进行了补充模型。这些复发指标被视为轮廓复发和刻板行为的操作性替代指标,而不是已确认的标志性或非标志性哨声分类,因为无法获得个体层面的哨声归属信息。社会和行为预测变量与复发结果之间的关联有限且不一致。

**非度量多维缩放(NMDS)对哨声相似性的排序提供了群体间哨声相似性模式的多变量可视化(图 5)。** 最终的二维NMDS解决方案具有中等应力(应力 = 0.131),表明其对哨声差异矩阵的表示是可用但近似的。哨声通过社会聚类三分位数(低、中、高)进行可视化,以说明声音相似性模式如何在观察到的群体聚类系数范围内变化。个别哨声显示为点,观测级别的质心和95%置信椭圆表示排序空间内的群体内分散。当通过聚类三分位数可视化时,来自聚类较高等级的哨声占据了更分散的排序空间区域,而来自聚类较低等级的哨声显示出更大的重叠。由于NMDS是对多变量差异的可视化,这些模式是从定性角度解释的,并结合弹性网距离模型,而不是作为三分位数之间分类分离的独立证据。

**讨论**

本研究提供了定量证据,表明遇到层面的社会网络结构与宽吻海豚的哨声库组织相关。在多种多样性指标中,群体聚类系数作为一个一致的预测因子出现,表明聚类更紧密的群体表现出较低的哨声轮廓丰富度和多样性。当将主导行为状态、群体大小和人口组成纳入相同的弹性网框架时,这种关系仍然存在,表明聚类-多样性关联不能完全由广泛的行为背景或存在的个体数量解释。这些结果共同表明,遇到层面的社会结构变化与海豚群体内表达的哨声多样性差异相对应。

除了多样性模式外,描述社会关系强度和异质性的指标也与从动态时间扭曲比较哨声轮廓得出的声音距离测量值的变化相关。虽然联系结构指标与分类多样性指标的关系不太一致,但它们反复与声音距离指标相关。以较高平均联系强度和变化较大的联系强度为特征的群体在声音距离测量中表现出更广泛的分散,表明社会关系的结构与哨声库内的声音分化增加相关。总的来说,这些发现表明群体凝聚力和社会关系的分布与哨声库结构的多个维度相关。

这些结果强调,社会复杂性不是一个单一的维度。在这项研究中,群体聚类和密度捕捉了群体成员之间的凝聚度或相互联系的程度,而联系强度指标捕捉了观测期间个体之间先前关联的幅度和异质性。因此,聚类和保留的联系强度指标与声音结果的对比关联并不一定与SCHCC(社会注释交流复杂性)相矛盾。相反,它们表明社会复杂性的不同维度可能对应于不同的交流组织维度:凝聚力强、高度相互连接的群体可能表现出更受限制的哨声多样性,而包含更强或更可变社会关系的群体可能表现出更广泛的声音分散。这种双轴解释调和了在高度聚类群体中观察到的多样性减少与SCHCC预测之间的矛盾,后者认为有区别和社交要求较高的关系与更大的交流复杂性相关。更广泛地说,这些发现表明将社会复杂性视为单一维度可能会掩盖社会凝聚力、关系异质性和交流复杂性不同组成部分之间的显著关系。

在灵长类动物种群中也观察到了类似的模式,其中细粒度的社会结构预测了群体内的声音行为变化。在猕猴中,嵌入在凝聚力强、高质量社会邻域中的个体会产生更刻板和声音受限的叫声,而在更多异质或不确定的地方伙伴集合中互动的个体表现出更大的分级变异性和扩展的声音空间。同样,在 Gelada 猿中,稳定的联系促进了叫声结构的趋同,而社会边缘或联系较弱的个体表现出更广泛的声音变异性。这些群体内的发现与此处观察到的群体-相遇规模的模式相似:凝聚力强的拓扑结构与较低的哨声库多样性相关,而联系强度和联系强度的变异性与更广泛的声音分散和群体内距离扩展相关。这些比较表明,交流复杂性可能不仅取决于社会伙伴的总体数量,还取决于当地社会结构是凝聚的、异质的还是两者兼有的。

在宽吻海豚物种中也观察到了类似的动态,尽管先前的研究关注的是不同的声音行为和社会背景。在印度-太平洋宽吻海豚(T. aduncus)中,声音使用的变化——如标志性哨声交换率(个体接触呼叫)和“pop”呼叫(用于听到发情雌性的强制呼叫)——随男性联盟结构和社会联系强度的变化而变化。具有更强社会联系的联盟男性在合作行为期间表现出更高的pop呼叫同步率,而在社会联系较弱和直接联系较少的联盟成员中,标志性哨声交换率更高。这些研究表明,声音信号的使用显著取决于社会背景和社会关系。这项研究通过检查哨声库层面的组织,并显示出遇到层面的拓扑结构与分类哨声多样性和连续声音距离结构的共变,为这种以男性联盟为重点的工作增加了新的维度。

**非度量多维缩放(NMDS)对记录哨声相似性的排序,通过群体社会聚类三分位数(低、中、高)进行可视化。** 颜色表示记录的观察群体;三角形代表个别哨声;圆圈代表观测级别的质心;彩色椭圆显示群体的95%置信区域。二维NMDS解决方案具有中等应力(应力 = 0.131)。

**结论**

这项研究提供了定量证据,表明遇到层面的社会网络结构与宽吻海豚的哨声库组织相关。在多种多样性指标中,群体聚类系数作为一个一致的预测因子出现,表明聚类更紧密的群体表现出较低的哨声库丰富度和多样性。当将主导行为状态、群体大小和人口组成纳入相同的弹性网框架时,这种关系仍然存在,表明聚类-多样性关联不能完全由广泛的行为背景或存在的个体数量解释。这些结果共同表明,遇到层面的社会结构变化与海豚群体内表达的哨声多样性差异相对应。

除了多样性模式外,描述社会关系强度和异质性的指标也与从动态时间扭曲比较哨声轮廓得到的声音距离测量值的变化相关。虽然联系结构指标与分类多样性指标的关系不太一致,但它们反复与声音距离指标相关。以较高平均联系强度和变化较大的联系强度为特征的群体在声音距离测量中表现出更广泛的分散,表明社会关系的结构与哨声库内的声音分化增加相关。总体而言,这些发现表明群体凝聚力和社会关系的分布与哨声库结构的多个维度相关。

这些结果强调,社会复杂性不是一个单一的维度。在这项研究中,群体聚类和密度捕捉了群体成员之间的凝聚度或相互联系的程度,而联系强度指标捕捉了观测期间个体之间先前关联的幅度和异质性。因此,聚类和保留的联系强度指标与声音结果的对比关联并不一定与SCHCC相矛盾。相反,它们表明社会复杂性的不同维度可能对应于交流组织的不同维度:凝聚力强、高度相互连接的群体可能表现出更受限制的哨声多样性,而包含更强或更可变社会关系的群体可能表现出更广泛的声音分散。这种双轴解释调和了在高度聚类群体中观察到的多样性减少与SCHCC预测之间的矛盾,后者认为有区别和社交要求较高的关系与更大的交流复杂性相关。更广泛地说,这些发现表明,将社会复杂性视为单一维度可能会掩盖社会凝聚力、关系异质性和交流复杂性的不同组成部分之间的明显关系。

在灵长类动物种群中也观察到了类似的模式,其中细粒度的社会结构预测了群体内的声音行为变化。在猕猴中,嵌入在凝聚力强、高质量社会邻域中的个体产生更多刻板且声音受限的呼叫,而在更多异质或不确定的地方伙伴集合中互动的个体表现出更大的分级变异性和扩展的声音空间。同样,在 Gelada 猿中,稳定的联系促进了叫声结构的趋同,而社会边缘或联系较弱的个体表现出更广泛的声音变异性。这些群体内的发现与此处在群体-遇到规模上观察到的模式相似:凝聚力强的拓扑结构(高聚类)与较低的哨声库多样性相关,而联系强度和联系强度的变异性与更广泛的声音分散和群体内距离扩展相关。这些比较表明,交流复杂性可能不仅取决于社会伙伴的总体数量,还取决于当地社会结构是凝聚的、异质的还是两者兼有的。

在宽吻海豚物种中也观察到了类似的动态,尽管先前的研究关注的是不同的声音行为和社会背景。在印度-太平洋宽吻海豚(T. aduncus)中,声音使用的变化——如标志性哨声交换率(个体接触呼叫)和“pop”呼叫(用于听到发情雌性的强制呼叫)——随男性联盟结构和社会联系强度的变化而变化。具有更强社会联系的联盟男性在合作行为期间表现出更高的pop呼叫同步率,而在社会联系较弱和直接联系较少的联盟成员中,标志性哨声交换率更高。这些研究表明,声音信号的使用显著取决于社会背景和社会关系。这项研究通过检查哨声库层面的组织,并表明遇到层面的拓扑结构与分类哨声多样性和连续声音距离结构的共变,为这种以男性联盟为重点的工作增添了新的维度。

总体而言,这些发现表明,社会复杂性不是单一的维度。在这项研究中,群体聚类和密度捕捉了群体成员之间的凝聚度或相互联系的程度,而联系强度指标捕捉了观测期间个体之间先前关联的幅度和异质性。因此,聚类和保留的联系强度指标与声音结果的对比关联并不一定与SCHCC相矛盾。相反,它们表明社会复杂性的不同维度可能对应于不同的交流组织维度:凝聚力强、高度相互连接的群体可能表现出更受限制的哨声多样性,而包含更强或更可变社会关系的群体可能表现出更广泛的声音分散。这种双轴解释调和了在高度聚类群体中观察到的多样性减少与SCHCC预测之间的矛盾,后者认为有区别和社交要求较高的关系与更大的交流复杂性相关。更广泛地说,这些发现表明,将社会复杂性视为单一维度可能会掩盖社会凝聚力、关系异质性和交流复杂性的不同组成部分之间的明显关系。

从认知角度来看,这些结果符合社会大脑和马基雅维利智能假设的预期。社会异质性强的群体可能施加更大的信息和认知需求:个体可能需要跟踪变化的伙伴、变化的关联和不一致的互动历史。更广泛且更均匀的哨声库可能反映了这种社会环境中存在的认知需求的交流灵活性。相反,高聚类群体可能提供可预测性并减少认知不确定性。在更凝聚或可预测的社会环境中,使用更受限制的声音空间可能反映了认知效率高的策略,其中预期和结果更加一致。

这些对比动态符合社会结构、交流复杂性和认知之间的广泛理论联系。随着社会网络变得更加多样化,交流需求可能会增加,并促进信号库的扩展;反过来,灵活的交流可能有助于导航复杂的社会环境。这样的相互过程是文化和交流协同进化的核心,可能有助于解释海豚类动物的异常声音可塑性和社交学习能力。这里观察到的更受限制和更分散的声音模式的共存反映了符合文化传递的交流系统的双重力量。

总之,这些发现表明,哨声库结构与宽吻海豚的遇到层面的社会网络组织相关。聚类程度高的群体表现出较低的哨声库多样性,而联系强度指标与声音距离结构反复相关。即使在纳入主导行为状态、群体大小和人口组成后,这些关系仍然存在,表明社会拓扑结构对哨声库组织的贡献超出了广泛的行为和人口背景。总体而言,这些结果提供了细粒度遇到结构与哨声库组织之间的定量联系,这与将社会分化与交流复杂性相关的更广泛框架一致。

**研究的局限性**

由于这项研究是观察性的,并在群体-遇到层面进行,因此报告的关联不应被解释为因果关系。最终的数据集包含37个群体观察结果,这限制了我们评估社会、人口和行为预测变量之间互动的能力。只有部分海豚的性别已知,因此没有将其作为预测变量包括在内。因此,无法评估潜在的性别相关差异在社会关联模式或哨声库组织中的影响,这可能限制了结果的普遍性。几种非排他性机制也可能导致观察到的社会拓扑和哨声库之间的共变。首先,行为状态可能会影响哨声产生率、情感内容或特定哨声形式的普遍性。尽管在弹性网模型中包括了主导行为状态,但行为状态是在群体-遇到层面总结的,需要来自标签、无人机或个体焦点的更细粒度行为数据来完全区分社会和行为效应。其次,遭遇层面的鸣叫曲目汇总可能受到不同个体和情境中哨声贡献不均衡的影响,从而导致在观察期间观察到的哨声池主要由一小部分活跃的呼叫者所塑造。第三,由于无法获得个体层面的哨声归属信息,因此无法将群体特征哨声组成的变化(包括特征哨声的数量、身份或声音相似性的差异)与更广泛的鸣叫曲目结构变化区分开来。这些因素并非相互排斥,每一个都可能影响遭遇层面的社会结构在群体层面鸣叫曲目中的反映。

分析完整的鸣叫曲目包含了特征哨声和非特征哨声,但这引入了一个重要的解释限制:拥有更多个体的群体可能看起来更加多样化,仅仅是因为存在更多具有个体特色的哨声轮廓;而高度聚集的群体如果包含更多重复或声音相似的刻板轮廓,则可能看起来多样性较低。补充的重复性指标未能再现主要的社交网络模式,但重复性本身无法区分高度聚集群体中鸣叫曲目多样性的减少是反映了特征哨声组成的差异,还是与使用更具Flex性的非特征哨声相关的社会变化。因此,未来需要结合个体层面的哨声归属信息来进行研究,以区分特征哨声组成、非特征哨声使用以及呼叫者贡献变化的影响。

采样仅限于2023年和2024年的5月和6月,并且只针对一个常住种群,这限制了我们评估季节性变化的能力,以及确定这些模式是否适用于具有不同社会或生态条件的种群。尽管Bocas del Toro没有明确划分的湿润季节和干燥季节,且先前的研究表明该地区的忠诚度较高,雄性和雌性都有留居行为,且海岸猎物全年可获得,但未测量的猎物分布、栖息地使用或海豚观赏压力的季节性变化可能会影响社交和声音模式。未来的全年采样可能会评估猎物可用性、分布或海豚观赏压力的季节性变化是否会影响社交拓扑结构与鸣叫曲目组织之间的关系。还需要跨种群的比较研究来评估这些关系的普遍性。

**资源可用性**
进一步的信息和资源请求应联系主要联系人Maia Austin(austinmaia@gmail.com)。

**材料可用性**
本研究没有生成新的独特试剂或材料。

**数据和代码可用性**
• 本文报告的数据将在请求时由主要联系人共享。
• 用于数据过滤、社交网络计算、声学多样性估计和模型拟合的所有原始分析脚本都可在GitHub上公开获取:https://github.com/austinmaia/bocas_schcc。
• 需要重新分析本文报告的数据的额外信息,可向主要联系人提出合理请求。

**致谢**
本研究得到了Smithsonian热带研究所短期奖学金、UVM的Roberto Fabri Fialho研究奖以及M.A.的John Wheeler奖的支持;还有NSF-DEB-2335991对L.J.M.-C的支持。我们感谢Dr. Eric A. Ramos、Dr. Betzi Perez Ortega、Megan O’Connor和Raquel Cardenas在野外数据收集方面的帮助。同时,我们也非常感谢Bocas del Toro STRI野外站团队,尤其是Dr. Rachel Collin、Urania González和Plinio Góndola,以及我们的船长Rene Georget和Demetrio Georget在野外工作中的支持和指导。

**作者贡献**
概念化:M.A.和L.J.M.-C.
方法论:M.A.和L.J.M.-C.
软件:M.A.
正式分析:M.A.
调查:M.A.
数据整理:M.A.
可视化:M.A.
撰写——初稿:M.A.
撰写——审阅和编辑:M.A.和L.J.M.-C.
监督:L.J.M.-C.
项目管理:M.A.和L.J.M.-C.
资源获取:M.A.和L.J.M.-C.
两位作者都批准了手稿的最终版本。

**利益声明**
作者声明没有竞争利益。

**STAR**
**方法**
**关键资源表**
**试剂或资源**
**来源标识符**
实验模型:普通宽吻海豚(Tursiops truncatus),自由活动于巴拿马Bocas del Toro的种群
野外观察的野生种群,位于巴拿马Bocas del Toro群岛

**软件和算法**
FlukeBook:flukebook.org/SOCPROG 2.9
Whitehead Lab, Dalhousie University:whitelab.biology.dal.ca/SOCPROG.html
Avisoft-RECORDER(使用的版本未指定):avisoft.com/downloads/Raven Pro 1.6
Cornell Lab of Ornithology:ravensoundsoftware.com/software/raven-pro/
Luscinia:sourceforge.net/projects/luscinia/
MATLAB 2015b:mathworks.com/products/MATLAB.html
ARTwarp v1.0:Zenodohttps://doi.org/10.5281/zenodo.7713615
R 4.3.3:r-project.org/
igraph for R v2.2.1:igraph project/Zenodohttps://doi.org/10.5281/zenodo.7682609
glmnet:CRAN cran.r-project.org/package=glmnet
vegan:CRAN cran.r-project.org/package=vegan
Rcapture:CRAN cran.r-project.org/package=Rcapture

**其他**
CR3水听器(?207 dB re 1 V/μPa):Cetacean Research Technology
UltraSoundGate 416H,4通道录音接口:Avisoft Bioacoustics(avisoft.com/ultrasoundgate/416h)

**实验模型和研究参与者细节**
本研究考察了栖息在巴拿马加勒比海岸Bocas del Toro群岛的普通宽吻海豚(Tursiops truncatus)。实验室菌株和基因型分类不适用。观察到的群体包括成年海豚、幼年海豚和幼崽,尽管确切的年龄未知。每个群体中的幼崽和幼年海豚数量被作为人口统计预测因子纳入分析。幼崽被计入群体计数,并被视为声学多样性的潜在贡献者,但由于其背鳍通常标记不足而无法进行个体照片识别,因此未被纳入个体识别覆盖率估计。由于只有一部分海豚的性别已知,因此没有将其作为预测因子纳入分析,从而无法评估潜在的性别相关差异对社交关联模式或鸣叫曲目组织的影响。这一限制在研究的局限性部分有所说明。

**动物观察和声音记录**
动物观察和声音记录是通过非侵入性照片识别和被动声学方法从船上进行的。没有对动物进行捕捉、处理、限制或实验性操作;因此,不涉及住所、饲养和维护条件。

**研究区域和现场调查**
数据收集于巴拿马加勒比海岸Bocas del Toro群岛(9°20′N, 82°15′W)栖息的宽吻海豚(Tursiops truncatus)。该地区以浅海湾、红树林岛屿和交通繁忙的沿海通道为特征,同时有大量海豚观赏旅游。调查在2023年和2024年的5月和6月进行(图S1)。
基于船只的调查使用小型舷外发动机船只进行,每天作业7-10小时,在天气良好(Beaufort风级≤3)的情况下进行,2023年共28天,2024年共14天。调查路线经过Dolphin Bay和Almirante Bay区域,保持与目标群体的观察距离在200米以内。

**群体定义和行为**
群体根据10米规则定义,即任何距离另一群体成员10米以内的海豚都被视为同一群体的一部分。在每次观察过程中,定期(每5分钟)记录群体活动(觅食、社交、移动、休息或聚集),并将这些活动状态总结为整个遭遇期间的主要行为状态。活动状态遵循标准定义:移动(持续的有方向性移动)、觅食(追逐猎物或反复重新定位)、社交(身体接触、追逐或社会性行为)、休息(缓慢移动且表面活动较少)以及聚集(无明确觅食或社交活动的无方向性移动)。主要行为状态随后被作为分类预测因子纳入弹性网络模型中,并被解释为广泛的遭遇层面行为背景的衡量,而不是个体层面行为的衡量。幼崽被计入群体计数,被视为声学多样性的潜在贡献者,但由于难以可靠识别,因此未被纳入个体识别覆盖率估计。

**照片识别和数量估计**
使用DSLR相机收集了高分辨率的背鳍照片,并使用FlukeBook(www.flukebook.org)进行自动化鳍部检测和匹配。所有识别结果都经过手动验证。为了估计总种群规模和采样覆盖率,我们应用了R包中的封闭种群捕获-重捕模型Rcapture。由于采样周期较短且种群对研究地点的忠诚度较高,种群动态变化有限,因此采用封闭框架。我们拟合了标准的封闭种群模型(M0, Mt, Mh, Mth),并使用AIC进行选择。Mth Chao估计器提供了最佳拟合,并且在生物学上是合适的,因为它考虑了时间变化和捕获概率的个体差异(考虑到调查条件、群体规模和标记独特性的差异)。从中提取了数量估计、标准误差和样本覆盖率。

**声学记录**
声学数据与行为观察同时进行,使用四个CR3水听器(?207 dB re 1 V/μPa;Cetacean Research Technology, Seattle, WA)连接到一个四通道Avisoft UltrasoundGate 416H接口。记录以187.5 kHz的采样率在Avisoft-RECORDER中制作,水听器部署在2米深度。根据需要在保持与群体200-500米范围的同时重新定位船只,以尽量减少发动机和处理噪音。只有在遭遇期间未在声学范围内发现其他海豚群体时,记录才被分配给目标群体;具有模糊群体归属的记录被排除在分析之外。

**社交网络构建和指标**
社交关联网络使用SOCPROG 2.9构建,基于每日观察事件中的共现情况,通过半权重指数(HWI)量化成对关联强度。使用一天的采样周期来反映种群的分裂-融合动态,同时尽量减少伪重复现象。HWI通过减少仅识别出一对成员中的一个成员的采样情况的权重来考虑遗漏的识别和部分群体采样,其值范围从0(从未关联)到1(始终关联)。

**网络随机化和复杂性**
为了评估观察到的网络结构是否偏离随机预期,我们基于SOCPROG的“数据流”随机化程序进行了排列测试。该程序在保持观察结构和采样努力的同时置换群体成员,生成关联指数的方差和变异系数的零分布。观察到的指标与10,000个随机网络进行了比较,并使用双尾排列p值进行显著性评估。

**网络结构复杂性**
使用Whitehead提出的二项混合模型量化了整个关联网络的结构复杂性。比较了具有不同潜在类别数量的混合模型,使用ICL来平衡模型拟合和聚类不确定性。选择了ICL最低的模型,相应的熵值作为关联异质性的指标,较高的熵值表示潜在关联类型的更多多样性。

**群体结构指标**
使用igraph包在R中计算了群体结构指标。对于每次观察引导的子图,我们计算了bond strength的平均值、标准差(SD)和变异系数(CV),其中bond strength代表观察中识别出的所有成对个体之间的HWI值。这些指标不仅描述了群体成员之间的关联强度,还描述了这些关系的异质性。我们还计算了群体聚类系数,反映了子图内的整体三元闭合程度。网络密度(实现关联的比例相对于所有可能的二元组)和度中心性(关联在个体间的分布不平衡程度)也为每个群体计算。脉冲声、回声定位点击声、嗡嗡声、爆裂声以及其他宽带或脉冲信号被排除在外,因为当前的分析是基于音调哨声的轮廓比较来设计的。然后在Luscinia 2.16软件中测量和处理了这些轮廓,使用了两种互补的处理流程。首先,使用动态时间规整(DTW)直接在Luscinia中比较轮廓,以生成哨声相似性矩阵。DTW对时间-频率轨迹进行对齐,产生一个连续的距离度量,能够捕捉哨声之间的渐变差异,同时适应时间拉伸和压缩;所得到的相似性矩阵用于多变量组成分析(NMDS)以及计算组内声学距离的分布摘要统计量(均值、标准差、变异系数和范围)。其次,我们从Luscinia中提取了峰值频率轮廓,并通过自定义的MATLAB脚本将其导出为`.ctr`文件。这种MATLAB导出程序标准化了轮廓格式。导出的`.ctr`文件随后被输入到ARTwarp中,这是一种结合自适应共振模板和DTW的自动轮廓聚类方法,用于生成用于谱系多样性指数的离散哨声类别。这两种流程是互补的:DTW/相似性流程保留了声学结构的连续、“模糊”比较,以便进行组成和扩散分析,而ARTwarp流程则生成可重复的分类单元,用于丰富度估计和基于覆盖率的多样性指标。它们共同提供了一种稳健的、互补的组级哨声谱系结构描述。

每个观测组内的声学多样性通过两种互补的方法进行了量化:(1)使用希尔数(Hill numbers)来捕捉谱系多样性;(2)使用从Luscinia中的哨声相似性对衍生的声学组成指标。希尔数为估计谱系多样性提供了一个统一的框架,同时考虑了不同哨声类型的相对丰富度。在这个框架下,多样性可以用不同的顺序来表达,从而对稀有和常见信号类型给予不同的权重。在本研究中,我们计算了谱系丰富度(希尔数q = 0)、香农多样性(希尔数q = 1)和辛普森多样性(希尔数q = 2)。丰富度对所有信号类型赋予相同的权重,香农多样性通过更强烈地加权常见信号类型来同时考虑丰富度和均匀性,而辛普森多样性则强调主导信号类型。结合这些指标,可以稳健地描述谱系的广度和均匀性。

为了评估社会声学模式是否可以通过重复哨声类别与罕见哨声类别之间的差异来解释,我们从用于希尔多样性估计的同一轮廓类别表中推导出了额外的ARTwarp复发指标。这些指标包括单一轮廓类别的比例、重复轮廓类别的比例、最常见轮廓类别的比例以及ARTwarp类别的均匀性。由于无法将单个呼叫者分配到特定的哨声上,这些指标被解释为轮廓复发和刻板性的操作性度量,而不是确认的标志性或非标志性哨声分类。

声学组成指标是从Luscinia中生成的哨声相似性对中衍生的,该框架基于DTW欧几里得距离进行模糊比较,以比较基频轮廓。然后使用DTW计算成对声学距离,其参数设置遵循之前基于Luscinia的海豚哨声轮廓分析。这些设置强调基频轮廓的形状和局部频率调制,同时允许通过DTW来适应时间差异,以便直接比较具有相似频谱轨迹但在持续时间上有差异的哨声。用于DTW的设置包括:DTW:时间 = 10;基频 = 1;基频变化 = 1;颤音幅度 = 0.25;所有其他权重 = 0;压缩因子 = 0.001;最小元素长度 = 10;时间标准差权重 = 1;非时间标准差权重 = 0;ArcTan = 0;音节重复 = 0;最大变形 = 100%;拼接和对齐错误成本 = 0;按相对幅度选取权重;对具有标准差的特征进行加权;对频率进行对数变换;在TW中插值;对齐点 = 5个点。在这种配置下,每对哨声的相似性得分反映了频谱-时间轮廓结构的声学差异程度,整合了轮廓几何、频率调制、颤音模式和局部形状特征的差异。较低的得分表示哨声轮廓高度相似,而较高的得分表示更大的差异。这种连续的、模糊的比较方法捕捉了哨声之间的渐变差异,并避免了强加分类化的哨声类型边界,这一特征特别适合灵活的非离散海豚发声系统。

完整的Luscinia衍生的相似性矩阵被导出,所有后续分析都在R语言中完成。对于每次观测,我们根据成对距离的分布计算了组级声学组成摘要,包括均值、标准差(SD)、变异系数(CV)和距离范围。这些指标描述了每组内哨声结构的中心趋势、离散度和异质性,提供了声学组织和组内谱系多样化的连续多变量表示。

为了确保结果的稳健性和组间的可比性,只保留了满足以下纳入标准的组:1. ≥60%的个体通过照片ID被成功识别;2. 没有出现仅被观测一次的个体(单一个体);3. 每个识别出的个体至少有两声哨声(即总哨声数量 ≥2×组大小)。过滤后,保留了37个组级观测事件,用于社交网络和声学谱系分析。

所有分析都在R 4.3.3中进行。使用glmnet包中的多变量高斯弹性网络回归(multivariate Gaussian elastic-net regression)来检查社交网络结构与声学多样性或组成之间的关系,以解决预测变量众多且相关的问题。预测变量包括主要行为状态、组大小、幼崽/幼年个体的数量以及组级社交网络指标:平均纽带强度、标准差纽带强度、变异系数纽带强度、组聚类系数、网络密度和度中心性。主要行为状态以分类方式输入,觅食行为作为参考水平。所有预测变量都被同等惩罚,允许行为、人口统计和社交网络变量在同一 regularization 框架内竞争。响应变量在三个声学块中进行分析:基于希尔数的分类谱系多样性指标、从成对DTW比较中衍生的连续声学距离指标,以及额外的ARTwarp复发/刻板性指标。选择弹性网络是因为社交网络预测变量量化了组结构的相关维度,并可能表现出协变性,这可能导致传统多重回归框架中的系数估计不稳定。弹性网络惩罚结合了L1(套索)和L2(岭)正则化,使其能够同时进行变量选择、处理多重共线性,并在存在相关预测变量时提供更可靠的系数估计。模型使用了α = 0.5的弹性网络混合参数,以实现L1(套索)和L2(岭)惩罚的平衡贡献。

模型通过10折交叉验证来选择最佳正则化参数(λ_min),并提取弹性网络系数以评估社交预测变量的大小和方向。在拟合之前,响应变量被z标准化,预测变量在模型拟合期间由glmnet内部标准化。模型验证包括残差分布的检查,并在模型拟合前对预测变量进行了强共线性评估(所有成对相关性和VIF值都很低;VIF <2)。等于零的系数表示在正则化后未被保留的预测变量。由于弹性网络用于变量选择和收缩而非零假设检验,因此结果是根据系数保留、方向和相对大小来解释的。

为了可视化哨声相似性的多变量模式,使用vegan包中的metaMDS对Luscinia DTW相似性矩阵进行了非度量多维缩放(NMDS)。排序在两个维度(k = 2)中进行,最多有100次随机起始,并且不进行自动转换。排序拟合使用NMDS应力进行评估。为了可视化,根据组聚类系数将观测结果分为低、中、高三个聚类三分位数,并在结果排序空间中绘制了观测级别的质心和95%置信椭圆。

本研究没有生成额外的资源。补充信息包括PDF文件(321.11 KB),其中包含文档S1、图S1以及表S1和S2。
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