《Biological Invasions》:Evaluating automated acoustic monitoring for the invasive reeve’s muntjac deer (Muntiacus reevesi): detecting presence, absence and survey design
编辑推荐:
摘要
赤麂(*Muntiacus reevesi*)在许多欧洲及其他国家属于入侵性外来物种。该物种被列为“欧盟关注物种”,要求成员国对其种群进行调查并采取管理措施。赤麂习性隐蔽,现有调查方法在低密度下效率低下,且无法可靠地确认物种缺失。研究人员评估了声学监
摘要
赤麂(*Muntiacus reevesi*)在许多欧洲及其他国家属于入侵性外来物种。该物种被列为“欧盟关注物种”,要求成员国对其种群进行调查并采取管理措施。赤麂习性隐蔽,现有调查方法在低密度下效率低下,且无法可靠地确认物种缺失。研究人员评估了声学监测作为该物种监测方法的可行性。赤麂会发出易于识别的连续吠叫,叫声序列可持续数分钟。研究人员利用自动传感器在英国已知存在赤麂种群的区域收集了133,227分钟的夜间录音,其中包含2,453分钟至少有一个赤麂叫声的片段。研究人员开发了一种机器学习模型,能够以高精度(F1=0.98)自动检测叫声。叫声在所有月份均有记录,无明显的季节性模式。叫声以序列形式发出,单次序列平均时长超过10分钟,传感器可在约200米半径内可靠检测到叫声。研究人员建议每个传感器需要107小时的监测时间,才能以95%的置信度确认该地点物种缺失。使用回放播放可提高三倍的叫声率。研究人员描述了声学监测如何实现区域全覆盖(这是相机等其他方法无法提供的特性),如何在物种仅以低密度存在时高效工作,如何提供物种缺失的置信度,以及自动化如何进一步提高该过程的成本效益。
**论文解读:自动声学监测在入侵性赤麂检测中的应用评估**
**研究背景与问题**
赤麂(*Muntiacus reevesi*)原产于中国东南部和台湾,已被引入多个欧洲国家和日本,形成自我维持并扩散的种群。在其引入范围内,赤麂对生物多样性和经济活动造成多种负面影响,包括啃食原生植被(如古林地特有的狗舌草*Mercuralis perennis*和原生蓝铃花*Hyacinthoides non-scripta*),导致林下植被裸露,进而影响原生无脊椎动物和鸟类;此外,赤麂还参与交通事故(占英格兰鹿-车碰撞的28%),并对林业和园艺造成损害。由于非本地入侵物种被视为全球生物多样性丧失的主要驱动因素之一,欧盟制定了入侵性外来物种条例(1143/2014),包含“欧盟关注物种”清单。该清单中的物种禁止饲养、进口、销售、繁殖、种植或释放到环境中,成员国需采取早期检测和快速根除措施,并对已广泛分布的物种进行管理。赤麂被列入该清单,因此需要开发成本效益高的早期检测方法,并支持在种群尚小且局限的国家进行快速根除。然而,赤麂习性隐蔽且主要为夜间活动,现有调查方法(直接观察、粪便计数、损害调查、驱赶计数)在物种低密度时效率低下,且无法可靠地提供物种缺失的置信度。相机陷阱被用于检测,但存在检测率低(如Logan在1671相机日监测中未能检测到赤麂)、需频繁下载数据、需获得土地所有者许可、覆盖面积有限等缺陷,无法提供物种缺失的可靠判断。
**研究目的与意义**
研究人员评估了声学监测结合人工智能(AI)自动识别赤麂叫声的方法,旨在实现物种存在与缺失的可靠检测,以支持入侵性外来物种的管理。该研究发表在《Biological Invasions》,为欧盟成员国履行法律义务、制定早期检测和根除策略提供了技术依据,尤其适用于低密度种群和快速响应需求。
**关键技术方法**(不超过250字)
1. **录音采集**:使用AudioMoth被动声学监测仪(Hill et al. 2019)在英国南部两个区域(赫特福德郡的林地与威尔特郡的私人庄园)进行夜间录音(采样率48 kHz,中等增益)。赤麂存在通过目击、足迹和粪便确认。录音时段包括1、5、15分钟短脉冲,间隔20分钟至1小时,主要采用5分钟录音间隔10-30分钟。
2. **机器学习模型构建**:从5-7月录音中提取264个高质量单声赤麂叫声(1秒片段)和474个背景噪音片段,基于TensorFlow+Keras库(Chollet 2021)通过Edge Impulse平台(Situnayake and Plunkett 2023)构建深层学习模型。使用梅尔频谱倒谱系数(MFCC)音频块将信号转换为声谱图,再输入卷积神经网络(CNN,LeCun et al. 1998)。模型仅含1,138个参数,阈值设为0.95以最小化假阳性。
3. **叫声序列时长估计**:对85个叫声序列进行Weibull生存分析(Pinder et al. 1978),考虑左删失、右删失和双删失数据。
4. **检测半径估计**:利用成对传感器同时记录到同一叫声的分钟数,拟合零膨胀负二项GLM(R包glmmTMB,McGillycuddy et al. 2025),估计检测概率随距离的衰减。
5. **叫声率与所需监测时长计算**:将叫声事件建模为时间泊松过程(Zar 2010),计算达到95%置信度所需监测时长T
95 = -ln(0.05)/λ,采用最低非零率和第20百分位率作为保守估计。
6. **回放刺激实验**:在赫特福德郡使用400W AK-470数字音频放大器播放赤麂叫声120秒,间隔3分钟后记录5分钟,对比无回放时的叫声率,采用Tweedie误差分布零膨胀GLM分析(R包glmmTMB)。
**研究结果**
*录音采集与叫声描述*
共收集136,227分钟录音,其中2,453分钟包含至少一个赤麂叫声(每55.5分钟出现一个叫声分钟)。赫特福德郡每50.5分钟出现一个叫声分钟,威尔特郡每68.5分钟出现(若仅比较6-7月,则为154.5分钟一次)。叫声为短促尖厉的吠叫(0.5秒,频率600-6000 Hz),间隔约4秒,序列平均每5.6秒一次。
*机器学习检测*
最优模型的加权F1得分为0.98,受试者工作特征曲线(ROC)下面积(AUC)为0.97。赤麂叫声类别F1=0.97,假阳性率低。
*叫声时间频率*
威尔特郡全年(12月除外)均有叫声记录,3-4月和10-11月叫声率最高,但无显著季节性模式。
*叫声序列时长*
对86个叫声序列(81.4%为删失数据)的Weibull分析估计平均序列时长为645.7秒(约10.8分钟),95%置信区间(CI)为448.8-983.8秒;形状参数k=0.85(95% CI: 0.68-1.05),表明长序列更易持续。
*检测半径*
成对传感器同时检测到同一叫声的概率随距离显著下降(z=-2.175, p=0.030),5%检测概率的预测距离为376米(95% CI: 184-827米),对应5%检测半径为188米(95% CI: 92-413米)。实际观察到最远配对传感器间距468米,表明检测距离至少234米。
*检测概率与所需监测时长*
传感器之间的叫声率差异达一个数量级。中位叫声率为0.0060次/分钟,达到95%检测概率需约8.3小时(500分钟)。但第20百分位率为0.0031次/分钟,需16.3小时;最低观察率为0.00047次/分钟,需107小时(4.5天)。有16个传感器/月度未记录到叫声(尽管赤麂存在),其中69%的部署时长理论上足以根据平均率检测到物种。因此推荐每传感器107小时作为保守估计,以稳健排除假阴性。
*回放刺激*
与无回放相比,回放后每分钟叫声数显著增加约3倍(z=4.259, p<0.001)。零膨胀Tweedie GLM(AIC=-68.615)优于标准模型(AIC=-65.522)。
**讨论与结论**
赤麂全年可记录到叫声,与先前研究认为其行为无季节性相符。声学监测相比相机陷阱具有多项优势:覆盖半径大(约200米),可实现区域全覆盖(如六边形网格间距400米时覆盖率90.7%,间距346米时100%);传感器可隐藏放置,不易受人为干扰,成本更低;无需频繁现场下载数据(但当前仍需手动下载)。未来技术发展(如远程数据传输、机载AI推理)可进一步缩短检测到响应的时间。回放可提高叫声率三倍,尤其适用于低密度区域(如入侵前沿)。
**研究结论**:研究人员证明了一个相对简单的基于声学且结合AI的系统在检测赤麂叫声方面的实用性。随着技术进步,该系统可很容易地用于监测现有赤麂种群的密度。它为土地管理者和政策制定者提供了有用的资源,使其能够更准确地定位赤麂控制的目标区域、确定当前分布和缺失情况,其准确性高于现有调查方法。