Automated acoustic classifiers provide insights into calling patterns of cicadas in tropical Australia
本研究表明，深度学习模型 BirdNET 能够有效地实现对澳大利亚热带地区五种蝉类物种的自动检测与监测，在实现高准确度的同时，还为这 15 个月期间它们的鸣叫模式提供了生态学上一致的见解。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在热带地区广袤而阳光明媚的景观中，空气中经常回荡着昆虫的声音。在这些声音中，最响亮且最持久的是蝉，这些生物在地下度过数年，然后才在短短几个月内破土而出，尽情鸣叫。对于科学家而言，聆听这些昆虫不仅仅是一种听觉体验，更是理解生态系统健康状况的重要方式。昆虫在自然界中扮演着至关重要的角色，它们是授粉者、食物来源和分解者，然而全球范围内的昆虫种群数量正在下降。为了保护它们，研究人员必须了解它们在哪里、何时活跃以及数量有多少。传统上，计数这些生物是一项缓慢且费力的任务。科学家必须穿梭于丛林之中，仔细倾听，并手动识别每种物种的鸣叫声，这一过程难以规模化且容易遗漏。然而，一种新工具正在改变游戏规则：自动监听设备可以昼夜不停地记录声景，并配合能够学习识别特定昆虫鸣叫声的计算机程序，为大规模监测生物多样性提供了一种方法。
在澳大利亚昆士兰州北部的热带稀树草原中，一个研究小组对这项技术进行了测试。他们想看看一个最初设计用于识别鸟鸣的计算机程序，是否可以通过训练来识别五种不同蝉类的鸣叫声。这些昆虫包括小水泡蝉（lesser bladder）、东部敲击蝉（eastern rattler）、科罗布里蝉（corroboree cicada）、北方双鼓蝉（northern double-drummer）和仙尘鸣蝉（fairy dust squawker），它们生活在一个充满了风声、雨声和其他动物鸣叫声的复杂声学环境中。研究人员在整个地区设置了十八个录音站，连续捕捉了十五个月的声音。这产生了一个庞大的音频库，总计约两万四千小时的录音。研究团队并没有听完每一分钟的磁带，而是使用深度学习系统扫描了这些录音。他们利用一些清晰的示例鸣叫声教会了计算机每种蝉类的声音特征，然后让系统在数千小时的野外录音中寻找匹配项。
结果表明，这台计算机在工作中表现得非常出色。该系统成功识别了所有五种蝉类的鸣叫声，准确率极高，并能将它们与背景噪音及其他昆虫的鸣叫声区分开来。研究人员发现，即使在声音混合在一起时，该程序也能可靠地辨别出真实的蝉鸣与误报。这一成功意味着他们现在可以通过数据观察到这些昆虫在何时何地鸣叫。他们发现每种蝉都有其独特的作息时间。东部敲击蝉和科罗布里蝉在白天活动，其中东部敲击蝉在上午中段会形成响亮的合唱，而科罗布里蝉则从清晨一直持续鸣叫到傍晚。北方双鼓蝉的模式更为复杂，它在早晨鸣叫，稍作休息，然后在下午和傍晚再次鸣叫。相比之下，小水泡蝉主要是傍于晚上的歌手，在太阳落山时鸣叫，而仙尘鸣蝉虽然在白天活跃，但在黄昏前就会停止鸣叫。
或许最令人惊讶的发现是，当天气变差时，这些昆虫的行为如何。虽然人们通常认为昆 insects 在下雨时会停止鸣叫，但自动检测器显示，这些蝉在轻雨、中雨甚至大雨期间仍在鸣叫。事实上，研究人员注意到，随着降雨增强，它们的合唱有时甚至变得更加响亮。这表明，如果科学家因为避开雨天而不去监测这些昆虫，可能会错过大量的活动。研究还揭示，蝉类并不会严格避免在彼此鸣叫的同时进行鸣叫，即使它们的歌声相互重叠。它们并没有通过轮流鸣叫来避免混乱，而是依靠鸣叫的音调和结构的差异来确保自己被听到。这一发现挑战了“昆虫总是通过分隔鸣叫时间来避免干扰”的观点，表明它们实际上可以有效地共享声学空间。
通过证明自动化系统可以在野外准确追踪这些昆虫，这项研究为监测生物多样性提供了一种强大的新方法。所使用的方法非常高效，与传统的调查相比，所需的人力时间大大减少，同时提供了长期观察昆虫生活的详细图景。研究人员发现，即使在许多不同物种同时鸣叫的复杂热带稀树草原环境中，该技术依然表现良好。这种方法使科学家能够收集以前无法实现的规模的数据，有助于更清晰地了解昆虫种群的变化情况。随着世界面临昆虫多样性的丧失，拥有一种能够倾听森林并自动计数其“歌手”的工具，为追踪这些至关重要的生物及其支持的生态系统提供了一种至关重要的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。