聲景生態(tài)學數(shù)據(jù)分析與應用

王靜怡,李春明,林嬰倫,李大鋒

1 中國科學院城市環(huán)境研究所,福建省流域生態(tài)學重點實驗室,城市環(huán)境與健康重點實驗室,廈門 361021

2 中國科學院大學,北京 100049

3 福建農(nóng)林大學資源與環(huán)境學院,福州 350002

4 廣東省林業(yè)科學研究院,廣州 510520

聲景生態(tài)學是研究景觀中生物與非生物聲音在多種時空尺度下的聲學格局與過程,揭示聲音與人類,以及聲音與自然之間關(guān)系的學科[1],由Pijanowski和Farina開創(chuàng),吸納了景觀生態(tài)學、生物地理學、聲學生態(tài)學及生物聲學的內(nèi)涵,具有多學科交叉融合的特征(圖1)。Pijanowski認為對聲景的研究可參考景觀生態(tài)學中不同尺度上格局與過程的交互,以及生物地理學中不同生物物理梯度中物種分布和多樣性的變化來進行,聲景生態(tài)學還吸收了聲學生態(tài)學[2]中人對環(huán)境聲音感知為核心的研究,并拓展了聚焦于單個物種或物種間對比的生物聲學[3]的研究范圍。采用社會生態(tài)系統(tǒng)的研究方法,更關(guān)注宏觀群落聲學,并且更強調(diào)景觀中聲音的生態(tài)特征及其呈現(xiàn)的生態(tài)環(huán)境的多維時空格局與動態(tài)變化。

Pijanowski基于景觀生態(tài)學[4—5],結(jié)合“人與自然耦合系統(tǒng)”[6]理論,提出了聲景生態(tài)學的概念性框架(圖1),指出生物聲、地理聲和人類聲共同組成了完整的聲景(圖1-層次Ⅱ),且三者之間相互作用(圖1-層次Ⅲ)。同時,還提出了6個研究領(lǐng)域：(1)聲音的測量和量化,(2)不同尺度的時空動態(tài)分析,(3)揭示聲景與環(huán)境協(xié)變量的聯(lián)系,(4)評估聲景對生態(tài)系統(tǒng)的影響,(5)評估聲景對人類的影響,(6)評估人類對聲景的影響[1](圖1-層次Ⅳ及①、②及③)。

圖1 聲景生態(tài)學的產(chǎn)生、概念性框架及其研究內(nèi)容

隨著存儲介質(zhì)成本的降低及網(wǎng)絡傳輸技術(shù)的進步,聲景大數(shù)據(jù)逐漸形成。盡管Pijanowski所提的6個研究領(lǐng)域已為聲景生態(tài)學數(shù)據(jù)的應用指明了方向,但由于對聲音這類非結(jié)構(gòu)化數(shù)據(jù)的分析存在困難,目前有關(guān)聲景生態(tài)學研究內(nèi)容和技術(shù)方法的研究案例仍然較少。本文從聲景生態(tài)學的研究內(nèi)容出發(fā),詳細介紹了聲景生態(tài)學數(shù)據(jù)在聲景元素解析、生物多樣性評估、人類身心健康三大應用領(lǐng)域的前沿分析方法；梳理了從各類傳統(tǒng)方法到新興的機器學習方法的技術(shù)細節(jié)與優(yōu)劣勢對比；并從數(shù)據(jù)分析技術(shù)的優(yōu)化與標準化以及與多學科融合的方面對聲景生態(tài)學數(shù)據(jù)分析方法的發(fā)展進行了展望,以期為聲景生態(tài)學數(shù)據(jù)分析方法的完善和應用領(lǐng)域的拓展提供參考。

1 聲景元素解析

1.1 人工識別

聲景元素的解析是聲景生態(tài)學研究中的基本內(nèi)容。傳統(tǒng)的方法主要依靠人工識別,除了由動物學專家根據(jù)鳴聲頻率高低、時長、婉轉(zhuǎn)程度等顯性特征進行具體物種的識別之外,在實際研究中應用更為廣泛的是通過直觀的聽覺感知進行聲源識別和分類。包括研究者基于其聲景專業(yè)知識事先進行研究空間內(nèi)聲源類別的定義與劃分,進一步將其用于聲景感知的問卷調(diào)查或?qū)嶒炇夷M感知等研究中。如侯建鑫等[7]在城市公共開放空間中,通過實地考察、網(wǎng)上查閱及居民訪問確定城市公共開放空間中存在的42種主要聲音,進一步進行各類聲音愉悅程度和煩惱程度的問卷調(diào)查；甘永洪等[8]在廈門市集美區(qū)的城鄉(xiāng)視聽景觀研究中,通過實地聲景觀調(diào)查記錄樣點的聲音類型,將其劃分為地質(zhì)聲、生物聲和人工聲三大聲景元素,并基于此開展實驗室聲景觀認知評價；周武忠等[9]將城市公園聲景觀區(qū)分為人工聲、自然聲、生活聲和歷史文化聲四大類別,選取江陰市的市中心公園進行城市公園各類聲景觀的調(diào)查與評價分析；劉江等[10]在德國瓦爾內(nèi)明德區(qū)的城市多功能區(qū)中進行聲景信息的標準化主觀記錄,識別出人工聲、生物聲、地理聲三大類具體27種通俗可辨識的聲源,并繪制出反映聲景組成時空動態(tài)的聲源地圖。也有學者強調(diào)公眾對于聲源的感知,利用問卷直接獲取特定場地中常見的聲景類型。如馬蕙等[11]在城市公園聲景觀要素定量分析中,通過在問卷中設(shè)計“在公園中常常能被感知到的聲音是什么？”這一問題,引導公眾對聲源類別進行識別,由此確定了交通噪聲、流水聲、噴泉聲、鳥鳴聲、風聲、波浪聲和海鳥聲7種用作聲學心理實驗的聲音刺激。

1.2 機器識別

機器學習算法可根據(jù)聲音特征進行分類,實現(xiàn)聲景元素的解析。首先,采用等長向量計算其特征,其中關(guān)鍵是找到特征向量的表示形式,使其成為某物種某一特定類型鳴聲的參考向量。然后,根據(jù)提取的特征向量進行分類,可采用無監(jiān)督方式[12](如自組織映射網(wǎng)絡),或有監(jiān)督學習方式(如支持向量機[13],決策樹[14])來實現(xiàn)聲元素的識別。

機器學習算法尤其是深度學習雖能快速和批量地實現(xiàn)物種識別,但和人工識別結(jié)果仍然存在差距。Priyadarshani等[15]對自動鳥類識別技術(shù)進行了綜述,介紹了當前常見的鳥鳴識別軟件,包括SoundID、Raven Pro、Song Scope、Sound Analysis Pro 2011、Avisoft-SASLab Pro、Arbimon、Kaleidoscope Pro,以及R語言中的monitoR包。然而,總體而言這些工具仍不能滿足物種識別的需求,背景噪聲及鳴聲微弱的問題仍然是應用時的主要挑戰(zhàn),導致識別結(jié)果存在假陽性及假陰性。假陰性主要由于目標物種發(fā)聲微弱或檢測閾值設(shè)置而造成；假陽性的原因則有很多,如自然地理或人工機械噪聲的影響或物種之間高相似度造成誤判等。另一方面,機器學習算法的輸入也會影響精確度,如以頻譜圖作為輸入時,一些短促的鳥鳴聲和雨滴聲的頻譜圖相似,導致聲源的可觀測屬性重疊,此時機器將難以識別,但人類可以通過聽覺有效區(qū)分。實際上,頻譜圖作為算法輸入會導致許多時間精細結(jié)構(gòu)信息的丟失,應該進一步改進算法,以完整的音頻數(shù)據(jù)作為輸入實現(xiàn)聚類和鳴聲識別[16]。

一些優(yōu)化策略也可以用作機器學習算法的改進,包括進行相關(guān)知識的遷移學習或綜合人工識別與機器識別的優(yōu)勢。比如可以結(jié)合監(jiān)測對象的相關(guān)知識,進行遷移學習或多任務學習。如Chen等[17]在熱帶蝙蝠的識別任務中,開發(fā)的Waveman軟件,通過繪制物種的系統(tǒng)發(fā)育樹來說明種群之間的遺傳關(guān)系,并將其嵌入到蝙蝠網(wǎng)絡(BatNet)網(wǎng)絡中,最終實現(xiàn)36種熱帶蝙蝠物種的自動識別,各物種的識別準確率均在86%以上,總體精度超過90%。也有研究采取自動聚類和人工驗證相結(jié)合的半自動化方法。其中,自動聚類方法可以過濾噪聲,減少后期人工審查的工作量,而通過回放音頻或目視解譯頻譜圖進行人工審查可以減少假陽性,二者結(jié)合可以一定程度上提高識別結(jié)果的準確度[18]。

總體而言,進行聲源分類的人工識別方式不需要過于專業(yè)的專家知識,常結(jié)合問卷調(diào)查用于城市開放空間的聲景研究或?qū)嶒炇衣暰澳M研究,但這種方法無法進行具體的物種識別。基于專家知識的人工識別可以實現(xiàn)物種識別,準確度高,但耗時長,可推廣性差。而機器學習的方法基于大量音頻數(shù)據(jù)庫自動提取數(shù)百萬個特征,從而有效捕捉物種內(nèi)的特定變異,實現(xiàn)更準確的自動識別。

2 生物多樣性評估

聲學生態(tài)位假說[19]、形態(tài)學適應假說[20],與聲學適應性假說(Acoustic Adaptation Hypothesis)[21—22]為通過聲音來反映生物多樣性的合理性提供了理論基礎(chǔ)。目前通過聲音進行生物多樣性評估的方法主要有基于聲音能量和頻率的聲學指數(shù)法,以及基于聲音特征的語譜圖和機器學習法。

2.1 聲學指數(shù)法

聲學指數(shù)是通過統(tǒng)計聲學能量分布,得出關(guān)于聲音時頻或振幅的復雜程度、異質(zhì)性等信息[23],從而間接用于反映生物的多樣性。聲學指數(shù)種類繁多,典型的包括時間熵(H[t])、頻譜熵(H[s])、聲學復雜指數(shù)(ACI)、聲學豐富度指數(shù)(AR)、聲學均勻度指數(shù)(AEI)、標準差異聲景指數(shù)(NDSI)、聲學多樣性指數(shù)(ADI)等[24]。當前使用較廣泛的聲學指數(shù)計算軟件包括MATLAB、SoundscapeMeter2.0[25],及R語言中的Tune R、Seewave、Soundecology程序包[26—27]。

隨著研究者對各類聲學指數(shù)的深入理解以及計算軟件的發(fā)展,聲學指數(shù)廣泛應用于生物多樣性評估領(lǐng)域。同時,越來越多的學者針對聲學指數(shù)的指標性能展開研究。然而由于研究對象和所使用的數(shù)據(jù)集存在差異,難以從各類研究得到的聲學指數(shù)評價中總結(jié)一致的結(jié)論。Gasc等[28]提出聲學指數(shù)代表物種豐富度的三個標準：(1)在衡量生物多樣性時對噪聲不敏感；(2)在指示物種多樣性時對同一物種的不同個體識別不敏感；(3)在指示物種豐富度時受物種均勻度和鳴聲之間的重疊影響小。然而他的實驗研究表明,沒有一個聲學指數(shù)可以同時滿足三個標準。

另一方面,使用聲學指數(shù)進行生物多樣性評估還存在其他局限性：(1)絕大多數(shù)指數(shù)對噪音敏感,需要在分析前對音頻進行降噪處理,預處理步驟更復雜且會造成一定程度的信息丟失[29]；(2)實際應用較復雜,需要綜合考慮數(shù)學與生態(tài)意義,即單一的聲學指數(shù)往往難以說明問題,需要進行加權(quán)組合才更加適用,此外,指數(shù)需要進行歸一化處理,或當其最大值、最小值具有生態(tài)意義時,才便于使用[24,30]；(3)聲學指數(shù)存在閾值問題,難以檢測微弱的或是超過閾值的鳴聲,當聲學特征存在冗余或存在高頻聲音的重疊時,聲學指數(shù)對生物聲音的預測也會達到閾值,使得指數(shù)只能在低于這一閾值所代表的生物多樣性的群落中有效地應用[28, 31]；(4)聲學指數(shù)雖然能在局部環(huán)境下預測關(guān)鍵的生態(tài)指標,但無法在更大的生態(tài)梯度上發(fā)揮作用[32],也無法轉(zhuǎn)換并適用于新環(huán)境[33],即相同或相近的聲學指數(shù)數(shù)值在不同的生態(tài)系統(tǒng)下的生態(tài)內(nèi)涵可能具有較大的差異,難以反映大尺度下時空格局的過程演變。

總體而言,聲學指數(shù)的信息特征有限,對指數(shù)的生態(tài)學解釋也僅適用于特定區(qū)域,且需要結(jié)合目標物種的聲學特征,進行有針對性的指數(shù)選擇。另外,還需進一步分析不同鳴聲類型(強/軟,持續(xù)/零星)、不同植被結(jié)構(gòu)、采樣半徑等對指數(shù)分析的影響。

2.2 語譜圖分割法

語譜圖用于生物多樣性評估,包括基于語譜圖的鳴聲識別以及識別特定鳴聲后的聲音特征分析。鳴聲識別可以結(jié)合頻率進行閾值設(shè)定,采用中值剪切方法,即當頻率超過了語譜圖相關(guān)列和行的中位數(shù)的預定義倍數(shù)時,這些信號會被識別為鳥鳴,相關(guān)的圖像處理技術(shù)如基本形狀形態(tài)學方法可用于改進這一過程[34—36]。另外,可以選取合適的濾波器剔除非目標音頻信號,以便進行后續(xù)特征分析。

通過鳴聲識別提取目標物種音頻后,基于語譜圖進一步進行聲音特征的分析。蔣錦剛等[37]認為聲學指數(shù)針對的通常是聲景結(jié)構(gòu)或功能的某一方面,具有一定的局限性。另一方面,傳統(tǒng)的頻譜分析主要應用統(tǒng)計分析方法評估頻譜特征的復雜性和差異性,缺少圖像時頻結(jié)構(gòu)特征的分析?；诖?他將遙感領(lǐng)域的面向?qū)ο髨D像分割技術(shù)引入語譜圖分割,在完成鳴聲識別后,進行圖像紋理和幾何結(jié)構(gòu)信息的提取,最終提出適合于自然界鳥類生物多樣性提取的知識規(guī)則和斑塊統(tǒng)計分析聚類方法,充分挖掘了音頻文件中的時間-頻率結(jié)構(gòu)特征,提供了多維度的生物叫聲綜合特征分析,包括頻譜圖中斑塊數(shù)目反映的鳥類生物叫聲和多樣特性、斑塊面積周長比反映的鳥類叫聲婉轉(zhuǎn)度,以及斑塊時長反映的鳴聲長短等豐富的生態(tài)信息參數(shù)。

語譜圖分割的方法不需要對音頻文件進行降噪處理,能夠反映聲音頻率隨時間的變化特征,但處理過程中人為參與較多,如閾值和分割尺寸的設(shè)定,主觀的經(jīng)驗性因素會對結(jié)果造成影響。且此方法不適用于缺乏清晰度的微弱鳴聲,在長時間的聲景監(jiān)測數(shù)據(jù)中的應用效果也未得到驗證。另外,如何將語譜圖中提取的斑塊屬性與生物鳴聲特征聯(lián)系起來進行定量分析仍是需要解決的問題。

2.3 機器學習法

利用特定的機器學習算法實現(xiàn)鳴聲識別或分類之后,可采取一定的數(shù)據(jù)處理技術(shù)實現(xiàn)生物多樣性的評估。包括直接以聚類結(jié)果的個數(shù)指示生物多樣性,或?qū)垲惤Y(jié)果進行一定的數(shù)學運算作為物種生物多樣性評估的預測數(shù)據(jù)。也可以通過可視化聚類結(jié)果,呈現(xiàn)生物多樣性的時間、空間特征。

Xie等[38]基于聲學事件檢測(AED)技術(shù)和多標簽學習方法,提出了一種估算青蛙群落鳴聲活動和物種豐富度的智能系統(tǒng)。具體而言,使用隨機森林進行聲學事件檢測,以過濾掉未包含蛙鳴的音頻,而對于豐富度計算,則是使用線性預測編碼系數(shù)(LPCs)、梅爾倒譜系數(shù)(MFCCs)、線性倒譜系數(shù)(LFCCs)、聲學復雜度指數(shù)(ACI)、聲學多樣性指數(shù)(ADI)和聲學均勻度指數(shù)(AEI)六個聲學特征訓練三個多標簽分類模型并進行音頻的分類,最后分別通過AED和多標簽學習的結(jié)果進行累積計算,從而預測青蛙群落鳴聲活動豐富度和物種豐富度。 Ulloa等[39]設(shè)計了一種新的方法用以自動檢測音頻結(jié)構(gòu),稱為聲學多樣性多分辨率分析,其目的是基于音頻特征將聲學群落分解為若干基本成分(即聲學類型)。首先通過短時傅里葉變換檢測感興趣區(qū)域(ROIs),然后通過頻率中值估算和二維小波分析來表征這些ROIs,最后使用基于模型的子空間聚類技術(shù)對ROIs進行分組,使ROIs自動注釋并聚類為特定的聲音類型,聲音類型的個數(shù)即作為該環(huán)境的聲學類型豐富度。 Sethi等[33]采取VGGish(一種類視覺幾何組模型)的卷積神經(jīng)網(wǎng)絡(CNN),將音頻樣本逐個輸入具有11個權(quán)重層的視覺幾何組(VGG)模型,生成128維的特征,進一步通過“統(tǒng)一流形逼近與投影(UMAP)”降維工具，將聚類結(jié)果降至二維以此可視化,揭示了其聲景數(shù)據(jù)在生態(tài)(不同生境質(zhì)量)、時間(季節(jié)與晝夜)、空間(不同地理位置)三方面的結(jié)構(gòu),以此反映生物多樣性的時空信息。與傳統(tǒng)的反映低維度特征的聲學指數(shù)方法相比,將音頻樣本置入共同的高維特征空間能夠避免特定生態(tài)系統(tǒng)產(chǎn)生的偏差,從而準確地量化大尺度下生境質(zhì)量的時空變化,并實現(xiàn)異常聲音事件的監(jiān)測。

機器學習的方法在聲景監(jiān)測的鳴聲識別和分類中具有廣泛前景,目前受限于訓練數(shù)據(jù)集的缺乏,機器學習方法的有效性仍待驗證和發(fā)展。但其在生物多樣性評估中的應用將隨著聲景監(jiān)測網(wǎng)絡的建設(shè)、聲音標簽庫的豐富、神經(jīng)網(wǎng)絡等深度學習方法的改進,可能成為生物多樣性實時評價技術(shù)的突破口。

3 人類身心健康評價

在聲景研究的發(fā)展進程中,眾多學者利用聲景數(shù)據(jù),結(jié)合社會學、心理學或生理學的理論與方法進行聲景評價。如采取愉悅度、豐富度等反映聲景感知的心理學指標,或反映壓力水平的皮質(zhì)醇等生理學指標,或利用腦成像、神經(jīng)成像等生理醫(yī)學領(lǐng)域的方法進行聲景認知的研究,并進一步揭示評價結(jié)果與人類身心健康的關(guān)系。研究表明,積極的聲景對健康及生活質(zhì)量存在潛在的正效益。如Hunter等[40]通過實驗研究創(chuàng)造性地提出“自然藥丸”的處方,實驗結(jié)果表明每天20—30分鐘置身自然環(huán)境可以大大降低應激激素皮質(zhì)醇水平,從而提高工作效率和生活質(zhì)量。Liu等[41]結(jié)合眼動追蹤實驗與傳統(tǒng)主觀心理測量,指出鳥鳴伴蟲聲、流水或輕音樂伴古剎鐘聲可以顯著降低腦力負荷,積極的自然聲音和山頂景觀有利于緩解游客心理壓力；Erfanian等[42]研究了心理健康和人口統(tǒng)計學因素對人類聲景感知的影響,研究數(shù)據(jù)結(jié)果顯示以自然聲音為主導的地點,聲景的愉悅度最高；Jo等[43]基于視聽交互視角,研究人類行為特征對城市公園聲景感知的影響,指出自然聲音可以減少聽者困惑和不愉快的感覺,人發(fā)出的聲音在降低公園平靜感的同時增加了對公園活力的體驗感；Buxton等[44]通過文獻綜述及薈萃分析方法,研究國家公園中自然聲音及其分布的健康效益,他結(jié)合心理學上的注意力恢復理論與壓力恢復理論,指出自然界的流水聲和鳥鳴聲對身心治愈和壓力紓解的作用最大。

聲景在生態(tài)保護、公共健康等方面發(fā)揮著積極的作用,反映生物多樣性的自然聲音對民眾身心健康具有重要的服務功能。隨著近年來公共衛(wèi)生事件的爆發(fā),城市人居環(huán)境與公眾健康研究快速發(fā)展[45],應進一步加強聲景與人類生理、心理健康的相關(guān)性研究,從而為聲景促進人類健康、緩解公共醫(yī)療壓力的研究提供理論依據(jù)。

4 結(jié)論與展望

4.1 技術(shù)進步下的聲景研究發(fā)展趨勢

隨著聲元素標簽庫的豐富、人工智能技術(shù)的發(fā)展,以及聲景大數(shù)據(jù)的形成,聲景生態(tài)學數(shù)據(jù)分析技術(shù)得到了快速發(fā)展。目前已在聲景元素解析、生物多樣性評估、人類身心健康評價等方面得到了應用,充實了聲景生態(tài)學的研究內(nèi)容。聲景生態(tài)學數(shù)據(jù)分析技術(shù)的發(fā)展正在經(jīng)歷從人工到機器、從單一特征計算到多維特征提取、從單學科研究到多學科聯(lián)合分析的狀態(tài),并不斷拓展著聲景生態(tài)學的研究深度與廣度。

4.2 加強分析技術(shù)的優(yōu)化與標準化

目前,神經(jīng)網(wǎng)絡算法與深度學習在自動識別與聚類分析方面的優(yōu)勢得到顯著體現(xiàn),但需要進一步優(yōu)化和標準化,以此提高方法的通用性和研究結(jié)果的可比性。各種途徑的分析技術(shù)也存在一定的局限性,如聲學指數(shù)法存在閾值和通用性差等問題,語譜圖分割法則面臨不同設(shè)備頻譜圖的差異問題,機器學習的方法在神經(jīng)網(wǎng)絡的超參數(shù)設(shè)置中也存在標準化問題。這意味著要實現(xiàn)標準化及可比性,應開發(fā)移植性更強的聲學指數(shù),統(tǒng)一語譜圖分析中頻譜圖規(guī)格和提取方法,或優(yōu)化神經(jīng)網(wǎng)絡模型結(jié)構(gòu)和參數(shù)設(shè)置。逐漸形成聲景生態(tài)學自身的技術(shù)方法體系,進而基于標準化的聲景數(shù)據(jù)分析方法實現(xiàn)研究結(jié)果之間的可比性。

4.3 推動聲景生態(tài)學的多學科融合

從聲景生態(tài)學的發(fā)展以及聲景數(shù)據(jù)的綜合性特征來看,注重多學科交叉融合是聲景領(lǐng)域研究的重中之重。盡管Pijanowski已明確提出聲景生態(tài)學的6個研究領(lǐng)域,但仍然缺乏針對6項內(nèi)容的共識性結(jié)論和具體分析方法的研究,需要借助其他學科的理論體系及技術(shù)手段進行聲景生態(tài)學的理論突破與深入剖析。聲景作為一種重要的聽覺景觀,同樣具有顯著的時空異質(zhì)性,因此,聲景監(jiān)測可以參考景觀生態(tài)學的研究方法,從大區(qū)域尺度采樣,采取多尺度分析方法,充分量化其空間異質(zhì)性格局,在此基礎(chǔ)上結(jié)合時間維度,反映聲景的時空格局變化。另一方面,聲景監(jiān)測在應用于物種識別及其生物多樣性評估時,需要進一步結(jié)合物種生態(tài)學、生物聲學的相關(guān)理論,明確各類物種在環(huán)境中的發(fā)聲特性和相互關(guān)系,如鳥類發(fā)聲存在倫巴第效應[27]。而關(guān)注人類身心健康的聲景生態(tài)學研究則需要結(jié)合心理學、生理學及其相關(guān)指標,進行二者相互作用機制的研究,以此揭示聲景對人類健康正向效益的定性或定量結(jié)果。還可以結(jié)合聲學領(lǐng)域從物理、工程的角度研制靈敏度更高,頻率響應范圍更廣,環(huán)境適應性更強的聲學傳感器,從而采集涵蓋更多種群與生態(tài)系統(tǒng)的數(shù)據(jù)信息。同時結(jié)合計算機學科,進一步挖掘有針對性的機器學習方法,提高物種識別和生物多樣性評估的精度。總而言之,未來的聲景生態(tài)學應當靈活借鑒其他學科的智慧,進一步豐富其研究內(nèi)容,并完善其自身技術(shù)體系。