人工智能分析哺乳動物叫聲

 (https://besjournals.onlinelibrary.wiley.com/doi/10.1111/2041-210X.70169)

 近年來，自動化聲學分析方法發展迅速，尤其是在機器學習的應用下，處理速度和檢測精度都得到了顯著提升。 BirdNET 就是這樣一種機器學習模型，它利用深度人工神經網路（DNN），能夠從大量的音頻記錄中識別出數千種鳥類，並已成功應用於多種鳥類的檢測，這個大型聲學模型正在不斷擴展，以涵蓋更多不同脊椎動物綱的物種（BirdNET v2.4 包含 41 種無尾目動物和 7 種哺乳動物）。透過最近的更新，BirdNET 已成功識別出多種蛙類、一種靈長類動物以及狼和郊狼。除了偵測預訓練模型中存在的類別外，深度學習模型的嵌入向量還可以用於搜尋目標發聲。這些嵌入向量是模型學習到的聲學訊號的數值表示，它捕捉了鳴叫的基本特徵並將其映射到高維空間。透過將使用者提供的範例鳴叫的嵌入向量與未知音訊資料集中的嵌入向量進行比較，即使僅憑單一範例鳴叫也能發現目標鳴叫。雖然BirdNET嵌入向量在檢測未知音訊記錄中的新聲音類別方面似乎很有前景，並且能夠區分同一物種的不同鳴叫類型，但它們在哺乳動物生物多樣性評估中的應用尚未被探索。

這篇本文將PAM結合BirdNET嵌入技術與傳統的基於觀察者的監測方法和相機陷阱法在評估陸生哺乳動物生物多樣性方面的表現進行了比較。論文透過檢視以下四個面向來評估這種遙感方法的有效性：(i) 物種豐富度，(ii) 群落組成，(iii) 物種累積，以及 (iv) 時間投入。考慮到PAM無法偵測到非鳴禽物種，我們採用了兩種比較方法：首先針對整個哺乳動物群落，其次僅針對鳴禽。這種雙重分析方法能夠更細緻地評估PAM的有效性，既可以單獨評估其有效性，也可以將其作為綜合調查策略的一部分進行評估。研究結果成功檢測到了全部17種目標發聲哺乳動物。