综述：生态学中的自动鸟类声音识别：方法学综述与应用框架

《Avian Research》：Automated bird sound recognition in ecology: A methodological review and application framework

这篇综述系统地梳理了自动鸟类声音识别（ABSR）技术的演变历程，从信号处理和经典机器学习的基础，到当前以深度学习和自监督基础模型为主流的技术前沿，并提供了一个从被动声学监测到生态学应用的全流程分析。文章的核心贡献在于提出了一个面向生态学目标的框架，旨在将前沿算法（如CNN、RNN、Transformer模型）与具体的生态学研究问题（如种群趋势追踪、濒危物种监测、声景评估）直接关联，从而推动ABSR超越单纯的物种检测，发展成为可解释、稳健且能为保护生物学提供因果推断的生态智能系统。

　　

生态学中的自动鸟类声音识别：方法学综述与应用框架

1. 引言

鸟类是极为敏感的指示生物，其多样化的鸣声编码了关于物种身份、种群动态、个体行为和群落相互作用的丰富信息。然而，依赖专家的传统调查在规模、一致性和时间覆盖上均存在局限。被动声学监测（PAM）技术的发展，通过部署自主录音单元（ARU）网络，实现了大规模、非侵入式的声学数据采集，但也产生了海量需要分析的音频数据。自动鸟类声音识别（ABSR）应运而生，旨在将声学数据转化为生态学知识，彻底改变了鸟类生态学与保护的研究范式。

2. 鸟类声音数据：特征、获取与质量保证

鸟类通过位于气管基部的鸣管发声，某些物种的鸣管具有两个独立控制的声源，能够产生复杂的多音调鸣声。从功能上，鸟类发声可分为鸣唱（song）和鸣叫（call）。鸣唱通常较长、结构复杂且多为习得，主要用于求偶和领域防御；鸣叫则较短、简单且多为先天，用于警报、联络等即时社交功能。这些声音信号由一系列声学特征（如基频、谐波结构、时长、振幅）组合成音节序列构成。其结构也能反映生态适应，例如，生活在茂密生境中的物种常发出频率较低、带宽较窄的鸣声以减少衰减，这与声学适应假说一致。

被动声学监测利用ARU在自然环境中系统地收集长时间的音频数据。常见的ARU平台包括开源的AudioMoth以及商业系统如Wildlife Acoustics的Song Meter。PAM具有非侵入性、可大规模标准化收集数据、消除观察者偏差、数据可存档复现等优势。然而，其应用也面临数据体量巨大、注释成本高、噪声干扰以及固有的类别不平衡和发声变异性等挑战，这催生了以ABSR为代表的机器学习解决方案。

公开数据集为算法开发和标准化性能评估提供了宝贵基础，例如全球性的Xeno-canto、用于机器学习基准测试的BirdCLEF、以及科学级的Macaulay Library等。但这些数据集普遍存在地理和类群偏见、噪声干扰、声音重叠、类别不平衡以及注释质量参差不齐等问题，限制了模型的生态学泛化能力。

3. ABSR技术流程：从声音到生态学洞见

一个典型的ABSR流程包含三个核心计算阶段：信号预处理、特征提取和分类。

• •
  信号预处理技术：包括降噪、声音事件检测与音频分割以及数据增强。传统方法如谱减法、维纳滤波在处理野外非平稳噪声时能力有限。深度学习方法，如去噪自编码器、生成对抗网络和扩散模型，能更智能地“修复”被噪声污染的声谱图片段。声音事件检测任务中，TweetyNet等结合了CNN和RNN的架构，能够仅利用文件级标签实现弱监督的音节分割与标注。数据增强则通过时域拉伸、频域掩码、噪声混合以及生成式合成等技术，人工扩充训练数据的多样性和鲁棒性。
• •
  特征提取：早期依赖于手动设计的特征，如梅尔频谱图、梅尔频率倒谱系数等。深度学习的兴起使得模型能够直接从数据中学习最优的层次化表征。卷积神经网络（CNN）将声谱图视为图像进行处理，而Transformer模型（如音频声谱图Transformer, AST）则利用自注意力机制捕捉声音序列中的长程依赖和全局上下文。当前前沿是领域专用的基础模型，例如通过在大量鸟类声音数据上自监督预训练的Bird-MAE，其编码器可作为强大的通用特征提取器，生成具有高度判别性和可迁移性的音频嵌入向量。

• •
  分类方法：传统机器学习方法如支持向量机、隐马尔可夫模型、随机森林等在数据有限或需高解释性的特定生态学研究中仍有价值。深度学习已成为主导框架。CNN擅长提取频谱模式，循环神经网络及其变体（LSTM, GRU）善于建模时间动态，而卷积循环神经网络则将两者优势结合。基于Transformer的模型则在建模复杂鸟鸣的句法结构方面表现出色。可解释AI方法（如AudioProtoPNet）可识别并高亮判别性的声谱图区域，使模型决策可解释。集成学习方法通过组合多个基学习器，可有效提升模型的准确性和鲁棒性。

4. 方法学进展

为克服传统ABSR的局限性，一系列先进技术被发展出来：

• •
  迁移学习与领域自适应：利用在大型数据集上预训练的模型，并通过微调或领域自适应技术（如领域对抗神经网络）使其适应特定的生态学任务或新的地理区域，以应对领域偏移问题。
• •
  小样本与零样本学习：针对稀有、濒危或数据稀缺物种的监测需求。小样本学习通过度量学习在特征空间中对齐少量样本，实现高效识别；零样本学习则利用物种的语义属性（如分类学特征、生境描述）来识别训练中未出现过的物种。
• •
  自监督学习与领域专用基础模型：通过掩码自编码器等架构，利用海量无标签音频数据学习通用的声学表征。领域专用的预训练模型能学习到对鸟类发声高度敏感的判别性特征，显著降低下游任务对标注数据量的需求。
• •
  开集与分布外检测：使模型在识别已知物种的同时，能够可靠地检测并标记出来自未知物种或非目标声源的音频，这对于真实的野外监测至关重要。
• •
  细粒度鸟类声音识别：超越物种识别，深入到区分鸣唱与鸣叫、识别行为背景、乃至个体识别。这需要高分辨率输入、注意力机制、目标检测框架（如Faster R-CNN在声谱图上的应用）以及孪生网络等技术的支持。

5. 模型与生态学任务的匹配

没有单一的“最佳”模型，选择取决于具体的生态学研究目标：

• •
  实时边缘检测与监测：需部署在低功耗设备上，推荐轻量级CNN（如MobileNetV3）或全卷积网络，并进行模型量化。
• •
  大规模生物多样性与物种丰富度调查：需处理多物种分类和类别不平衡，推荐混合CRNN或音频声谱图Transformer，并利用预训练基础模型作为特征提取器。
• •
  长期种群趋势与物候学分析：需建模长时间依赖，推荐带LSTM/GRU的CRNN或时间卷积网络。
• •
  稀有、濒危或数据稀缺物种监测：核心挑战是数据极少，推荐基于度量学习的小样本学习框架或零样本学习。
• •
  细粒度行为与个体识别：需捕捉细微的声谱-时间特征，推荐高分辨率CNN、视觉Transformer、目标检测框架或用于个体识别的孪生网络。
• •
  声景生态学与生态系统健康评估：推荐结合声学指数（如ACI, NDSI）和基于生境标签训练的声景分类模型的双管齐下方法。
• •
  跨区域/大陆泛化：需应对领域偏移，推荐在基础模型上应用领域自适应技术，并集成开集检测模块。

6. 模型评估、基准测试与可用资源

评估ABSR模型需使用与生态学研究目标一致的指标。在存在类别不平衡的情况下，精确率、召回率、F₁-分数和宏平均F₁-分数比单纯准确率更有意义。对于多物种场景，平均精度均值是标准基准指标。软件工具如BirdNET、Raven Pro、Kaleidoscope以及高性能模型如Perch为研究和应用提供了支持。BirdCLEF和DCASE等学术竞赛则通过提供标准数据集和评估协议，持续推动着领域的方法学进步。

7. 通向生态智能监测的路径

未来，ABSR需从自动化检测工具向生态智能系统组件演进，主要方向包括：

• •
  从检测到因果生态学推断：开发能够估计种群丰度、识别行为背景、实现个体识别的模型，以支持更深入的生态学研究。
• •
  多模态与上下文感知学习：将声学数据与环境传感器数据、地理空间信息、时间上下文（昼夜、物候）相融合，构建更全面的分析模型。
• •
  基础模型与减轻数据偏见：发展基于全球性数据预训练的生物声学基础模型，以支持小样本学习并改善从数据丰富地区到稀缺地区的泛化能力。
• •
  集成的声景到物种分析：构建分层模型，从声景分类、声学指数计算到物种特异性检测，提供多层次的生态系统健康指标。
• •
  开放科学、标准化与边缘计算：建立数据收集、标注和模型评估的标准协议，开发能在低成本边缘设备上运行的能效模型，并通过开放科学加速进展。

8. 结论

自动鸟类声音识别已从一个利基的信号处理挑战，发展成为计算生态学和保护技术的基石。本综述系统梳理了其从手工特征到深度学习，再到基础模型和生态感知框架的演变历程，并提出了一个面向生态学目标的应用框架，以指导方法选择。展望未来，ABSR的前沿在于超越识别，通过与生态学的深度融合，发展成为能够提供因果推断、集成多源信息、具备全球代表性和操作鲁棒性的智能系统，为理解变化世界中的鸟类生态学和保护全球生物多样性提供不可或缺的工具。