王一宇 夏 舫 劉 松 彭 濤 郭慧敏 鑒海防*
(1.中國科學(xué)院半導(dǎo)體研究所,北京 100083;2.山東師范大學(xué)物理與電子科學(xué)學(xué)院,濟南 250358;3.北京市海淀區(qū)濕地和野生動植物保護管理中心,北京 100094)
鳥類是生態(tài)系統(tǒng)的重要組成部分,在評估生態(tài)系統(tǒng)狀態(tài)方面具有不可忽視的作用,因此鳥類的調(diào)查和監(jiān)測對于保護生態(tài)環(huán)境和維護生物多樣性至關(guān)重要。傳統(tǒng)的鳥類監(jiān)測手段需要消耗大量人力物力,并且結(jié)果的準確性和可靠性有限。針對這一問題,提出一種基于深度學(xué)習(xí)的鳥類聲音數(shù)據(jù)分析識別系統(tǒng),并在北京翠湖國家城市濕地公園進行應(yīng)用示范,以驗證系統(tǒng)的性能和準確性。該系統(tǒng)首先使用傳統(tǒng)聲音信號處理方法對前端拾音器采集的音頻進行預(yù)處理,然后使用殘差神經(jīng)網(wǎng)絡(luò)提取音頻特征并進行分類,從而實現(xiàn)對目標聲音所包含物種信息的自動識別。在系統(tǒng)運行期間,成功監(jiān)測到有效鳥類聲音片段共計200 044條,其識別準確率達到93%。系統(tǒng)共識別出野生鳥類9目16科52種,其中,屬于國家II級重點保護野生動物有6種,分別是大天鵝、鴻雁、紅角鸮、縱紋腹小鸮、藍喉歌鴝、游隼;屬于北京市重點保護野生動物共計22種,分別是蒼鷺、夜鷺、普通鸕鶿、綠頭鴨等。監(jiān)測到音頻片段中相對多度較高的前5個物種依次是蒼鷺(26%)、鴻雁(16%)、夜鷺(13%)、白頭鵯(11%)、普通鸕鶿(8%)。實驗結(jié)果表明,該系統(tǒng)實現(xiàn)了對鳥類聲音的自動采集和分析,顯著提高了鳥類監(jiān)測的效率,為風(fēng)景園林的合理規(guī)劃、生態(tài)節(jié)點的保留以及景觀可持續(xù)性的提升提供了有力支持。
翠湖國家城市濕地公園;鳥類監(jiān)測;深度學(xué)習(xí);鳥類聲音識別;鳥類多樣性;北京
在城市的綠化區(qū)域中,鳥類的群落結(jié)構(gòu)與植被類型的多樣性緊密相連。由于各種鳥類對生活環(huán)境的需求存在差異,因此它們對棲息地的要求也不盡相同。茂密的樹冠和較為安靜的環(huán)境為鳥類提供了理想的棲息地,而低矮的灌木叢則為它們提供了獲取食物的場所[1]。在國內(nèi),園林作為城市中較少展現(xiàn)森林景觀的地方,在保護城市鳥類和維護城市綠地系統(tǒng)方面扮演著關(guān)鍵角色。園林綠地植被不僅增加了城市綠化覆蓋率,還為鳥類提供了重要的生態(tài)環(huán)境空間。
然而,隨著中國城市化快速推進,土地利用形式和性質(zhì)發(fā)生了急劇變化,導(dǎo)致鳥類原始棲息地環(huán)境遭到破壞,城市生態(tài)環(huán)境逐漸惡化。盡管城市規(guī)劃結(jié)構(gòu)為人類提供了方便,其卻對鳥類的穩(wěn)定性和物種多樣性帶來了不利影響。城市快速發(fā)展導(dǎo)致短期內(nèi)生態(tài)環(huán)境的劇變,給鳥類帶來了更大的環(huán)境適應(yīng)壓力,使它們面臨更嚴峻的生存挑戰(zhàn)[1]。在城市中,鳥類以城市公園綠地為主要棲息地,它們在這里直接或間接地獲取食物。《園冶》強調(diào)了鳥類在構(gòu)成中國園林中的重要作用,從中國古典園林美學(xué)的角度來看,動物景觀作為越發(fā)被重視的組成部分,聲音美被提到了一個重要層面,鳥類發(fā)出的鳴聲正滿足了這一層面的需求[2]。通過鳥類監(jiān)測,研究人員可以評估園林修復(fù)計劃對多樣性鳥類群落的吸引力,從而提高生態(tài)系統(tǒng)中物種的多樣性;通過了解鳥類在不同環(huán)境中的棲息偏好,可以更有效地設(shè)計和改進園林修復(fù)計劃,創(chuàng)造更加適宜的生態(tài)環(huán)境;同時鳥類對環(huán)境變化十分敏感,它們的存在和數(shù)量可作為環(huán)境健康的指標,通過監(jiān)測鳥類的活動,能更好地了解環(huán)境中潛在問題,如污染和棲息地破壞,為環(huán)境管理提供有力的數(shù)據(jù)支持[3]。
目前,對于園區(qū)鳥類的保護監(jiān)測,通常采用傳統(tǒng)的人工監(jiān)測手段,多數(shù)鳥類在晝間活動,可通過望遠鏡直接觀察,辨識種類和技術(shù);習(xí)性較為隱秘的鳥類可通過聲音偵測并記錄,鳥類通常在繁殖前期和每天日出前會發(fā)出復(fù)雜的鳴聲,研究人員可在這些時段辨別種類;一些外觀相似,鳴聲差異大的鳥類也可以通過聲音輕松識別;還有一些鳥類可以通過飛行姿態(tài)和覓食行為來鑒定[4]。目前,常規(guī)檢測中常用的方法是樣線法,調(diào)查人員沿著一段樣線勻速前進時記錄見到或聽到的沿線兩側(cè)的鳥類及其據(jù)樣線的垂直距離然后通過距離取樣原理,記錄該生境中鳥類的密度[5]。由于有的地形較為崎嶇,可采用樣點法,將樣線換成樣點,調(diào)查人員依次到達事先設(shè)定好的樣點,記錄一段時間內(nèi)鳥類種類和距離以及數(shù)量[6]。但是這些方法不僅需要大量的人力物力,而且需要具備專業(yè)知識的鳥類專家才能進行辨別[4],難以實現(xiàn)高效的鳥類監(jiān)測。隨著觀鳥活動的興起,公民科學(xué)也成為了重要的鳥類監(jiān)測方式,但是這種方式取決于所在地區(qū)的到達難易程度和當(dāng)?shù)赜^鳥者的數(shù)量。同時觀鳥者傾向于記錄更為稀有的鳥類,對常年的鳥類記錄不準確,容易導(dǎo)致偏差。與此同時,保護園區(qū)的視頻監(jiān)控系統(tǒng)主要面向安防監(jiān)控需求,監(jiān)控數(shù)據(jù)每隔一段時間就會被覆蓋,導(dǎo)致無法進行有效數(shù)據(jù)的存放與分析。
近年來,隨著以深度學(xué)習(xí)為代表的人工智能技術(shù)的不斷發(fā)展,基于深度學(xué)習(xí)的聲音識別技術(shù)取得了顯著的進步,并在語音處理[7]、語音識別[8-9]等領(lǐng)域得到了廣泛應(yīng)用。受此啟發(fā),一些研究者嘗試將該類技術(shù)應(yīng)用在鳥類聲音識別任務(wù)中[10],通過特征提取和分類訓(xùn)練實現(xiàn)鳥類物種信息的自動識別(圖1)。2021年,康奈爾大學(xué)鳥類學(xué)實驗室通過開發(fā)一種名為BirdNET的深度神經(jīng)網(wǎng)絡(luò),能夠識別出北美和歐洲的大部分鳥類[11];2022年,廣州大學(xué)電子與通信工程學(xué)院的團隊在廣州市白云山公園嘗試運用無監(jiān)督的音節(jié)聚類分析提取鳥鳴音節(jié)并對其進行推斷分類,實現(xiàn)了對鳥類聲音的識別[12]。在鳥類識別軟硬件系統(tǒng)方面,科研人員、研究機構(gòu)也同樣開展了許多研究。例如,Hüppo等[13]通過布設(shè)自動錄音裝置錄制不同天氣條件下的鳥聲音頻數(shù)據(jù),能夠分析得出鳥類遷徙活動與天氣之間的關(guān)系,進而評估風(fēng)力發(fā)電廠對歐洲候鳥種群的潛在影響;2016年,加拿大自然資源部的科學(xué)家基于計算機視覺技術(shù)和機器學(xué)習(xí)算法開發(fā)了鳥類視頻監(jiān)測系統(tǒng),其能夠?qū)崿F(xiàn)鳥類巢穴和繁殖情況的有效監(jiān)測;2019年,西南林業(yè)大學(xué)基于人工智能技術(shù)構(gòu)建了云南野生鳥類自動圖像識別系統(tǒng),以識別出云南省全境鳥類并給出該種類個體對應(yīng)的目科屬等相關(guān)信息[14]。綜上所述,目前常見的野外聲音監(jiān)測設(shè)備在野外放置一段時間進行錄音后帶回交由專家分析,無法實時錄音識別?,F(xiàn)有的野外實時監(jiān)測設(shè)備,能夠進行鳥類自動識別的軟硬件系統(tǒng)大多基于圖像數(shù)據(jù)進行分析。這類系統(tǒng)通常需要足夠的光照條件才能正常工作,陰天、黑夜或惡劣的天氣條件下會影響圖像的質(zhì)量和穩(wěn)定性,難以實現(xiàn)全天候的鳥類監(jiān)測。
圖1 鳥類聲音識別流程圖Fig. 1 Flowchart of bird voice recognition model
針對以上問題,本研究基于深度學(xué)習(xí)和信號處理技術(shù),構(gòu)建鳥類聲音識別系統(tǒng),對采集到的聲音數(shù)據(jù)進行實時自動識別,不僅能夠高效獲取不同時間段鳥類多樣性的變化情況,還能夠自動識別記錄該保護區(qū)出現(xiàn)的新鳥類物種,可以為風(fēng)景園林的景觀規(guī)劃提供重要信息。
北京翠湖國家城市濕地公園(以下簡稱北京翠湖)位于北京市海淀區(qū)上莊鎮(zhèn)上莊水庫北岸,坐標為40°5′36″S–40°06′39″ N,116°10′27″ W–116°11′28″ E,是北京最大或也是僅有的一塊自然濕地[15]。北京翠湖植被茂盛,鳥類物種豐富,在春秋遷徙季是鳥類重要補給地和棲息地。到目前為止,在北京翠湖共觀察到野生鳥類21目64科281種中,屬于國家級重點保護野生動物(2021)共63種,其中I級保護鳥類13種,II級保護鳥類50種;屬于北京市保護野生動物(2021)共112種,其中I級保護鳥類17種,II級保護鳥類95種[16]。
鳥類聲音識別系統(tǒng)由北京翠湖與中國科學(xué)院半導(dǎo)體研究所合作建設(shè),監(jiān)測對象為北京翠湖候鳥。系統(tǒng)架構(gòu)包括設(shè)備端、數(shù)據(jù)終端和數(shù)據(jù)展示端。具體工作流程見圖2,前端拾音器設(shè)備負責(zé)周圍聲音數(shù)據(jù)的實時采集;后端邊緣設(shè)備通過內(nèi)置的聲音信號端點檢測算法與鳥類聲音識別算法完成對采集聲音片段的自動分析處理;在獲取到檢測結(jié)果后,通過無線網(wǎng)絡(luò)傳輸模塊將識別結(jié)果與對應(yīng)的音頻數(shù)據(jù)傳輸?shù)綌?shù)據(jù)終端進行可視化展示。
圖2 鳥類聲音識別系統(tǒng)流程圖Fig. 2 Flowchart of bird sound recognition system
系統(tǒng)從數(shù)據(jù)終端獲取到監(jiān)測結(jié)果后,會自動在監(jiān)測界面(圖3)中設(shè)備安裝點位彈出相應(yīng)的鳥類圖像并播放聲音。與此同時,當(dāng)天監(jiān)測到的所有鳥類物種信息也會在右下角的監(jiān)測記錄中滾動播放,便于管理者及時了解園內(nèi)的鳥類信息。
圖3 鳥類聲音識別系統(tǒng)監(jiān)測界面Fig. 3 Monitoring interface of intelligent bird sound recognition system
(1)聲音拾取設(shè)備(拾音器)。本系統(tǒng)采用的聲音拾取設(shè)備為烽火通信科技股份有限公司生產(chǎn)的烽火FH-300 N室外防水防爆峰火拾音器。該拾音器的采樣率為36 KHz,指向性為全向,靈敏度為-36±3 dBV,最大承受聲壓為128 dB SPL,信噪比為65 dB。其同時具有噪聲抑制功能,能夠?qū)崿F(xiàn)保護區(qū)內(nèi)聲音數(shù)據(jù)的實時采集及噪聲抑制。
(2)鳥類聲音識別邊緣設(shè)備。鳥類聲音識別邊緣設(shè)備是一種集成鳥聲識別算法與計算模塊的嵌入式系統(tǒng)設(shè)備,能夠在設(shè)備本地進行聲音信號的處理和分析,實現(xiàn)對鳥類聲音的不間斷監(jiān)測與實時識別,并通過寬帶網(wǎng)絡(luò)或4G/5G無線網(wǎng)絡(luò)將聲音樣本和識別結(jié)果按照不同的主題(Topic)通過分布式消息隊列(Kafka)發(fā)送到數(shù)據(jù)終端平臺。
(3)數(shù)據(jù)終端平臺。數(shù)據(jù)終端平臺從Kafka接收音頻數(shù)據(jù)和對應(yīng)識別結(jié)果之后,將音頻保存在本地,并將音頻位置和識別結(jié)果寫入數(shù)據(jù)庫。
(4)開發(fā)用戶界面(UI)。通過UI,在有新數(shù)據(jù)存入數(shù)據(jù)庫之后,自動進行數(shù)據(jù)獲取,并在監(jiān)測界面中設(shè)備安裝點位彈出相應(yīng)的鳥類圖像并播放聲音。
1.4.1 信號預(yù)處理
鳥類聲音識別設(shè)備采集到聲音數(shù)據(jù)后,由于原始聲音信號中含有大量的環(huán)境噪音和靜音片段,需要對其進行預(yù)處理以提高識別效果。為此,可以使用聲音信號降噪算法和聲音信號端點檢測算法,對聲音信號進行分析和處理。具體為,首先通過聲音信號降噪算法去除環(huán)境噪音對聲音信號的影響,以獲得更清晰的聲音信號;然后,通過聲音信號端點檢測算法,去除無效的靜音片段,以提取有效的聲音片段。
由于鳥類聲音信號中高頻成分較少,且高頻信號的衰減率比低頻高,因此在提取特征前要進行預(yù)加重,補償高頻分量在傳輸中衰減的部分,以增強聲音信號中高頻部分的分辨率。在此,運用一階有限長單位沖激響應(yīng)高通數(shù)字濾波器(FIR)對信號進行預(yù)加重[17],具體見公式(1)。
式中,為輸入信號,n為時間點,為預(yù)加重后的輸出信號。α為預(yù)加重系數(shù),一般取值范圍是0.9<α<1,在本研究中,將其設(shè)置為0.97。
鳥聲信號多為非平穩(wěn)信號[18],因此,在對長序列聲音信號做傅里葉變換時,需要先通過窗函數(shù)h(n)對原始信號進行分幀,以確保局部信號的平穩(wěn)性;再逐段進行傅里葉變換得到信號的局部“頻譜”;最后,將多個局部“頻譜”按時間維度進行堆疊,生成完整的聲音譜圖,相應(yīng)的短時傅里葉變換見公式(2)。式中,STFT(t,ω)表示在時刻t和頻率ω處的短時傅里葉變換結(jié)果。
1.4.2 梅爾濾波器
根據(jù)接收信號頻率的不同,人耳耳蝸在進行聲音信號獲取時,對不同頻率的感知能力是非線性的,通常對低頻信號敏感,對高頻信號不敏感。因此,在進行聲音信號的采集時,需要考慮到人耳的感知特征,為了模擬人耳這種效應(yīng),本研究將使用梅爾濾波器對每幀信號進行濾波,通過梅爾濾波器組的輸出公式見(3)。
式中,k表示信號,x(t)經(jīng)過FFT變換后的編號,m表示梅爾濾波器的編號。其中,梅爾濾波器組Hm(k)是一系列等高的三角形濾波器,具體見公式(4)。式中,f(m)為中心頻率。
1.4.3 網(wǎng)絡(luò)結(jié)構(gòu)
卷積神經(jīng)網(wǎng)絡(luò)(CNN)[19]是實現(xiàn)聲音信號特征提取及分類的主流方式之一,主要由卷積層、池化層、全連接層等構(gòu)成,例如VGGNet[20]、GoogLeNet[21]、ResNet[22]。VGGNet網(wǎng)絡(luò)的結(jié)構(gòu)非常簡潔,整個網(wǎng)絡(luò)都使用了同樣大小的卷積核尺寸(3×3)和最大池化尺寸(2×2),其中VGG19比VGG16增加了三層卷積核,但由于缺乏殘差連接塊,導(dǎo)致模型在訓(xùn)練和推理過程中需要更多的計算資源。GoogLeNet由多個Inception模塊堆疊而成,這些模塊在同一層級上使用不同大小的卷積核并行運行,然后將結(jié)果合并,以提高特征表征的豐富度和計算效率。相較于同等深度的VGGNet,GoogleNet使用了更少的參數(shù)。然而,隨著模型深度的不斷增加,仍然會在訓(xùn)練過程中遇到梯度消失的問題。針對深層模型難以訓(xùn)練的問題,ResNet引入了殘差連接(residual connection)的概念。這種連接方式允許網(wǎng)絡(luò)學(xué)習(xí)殘差,即目標函數(shù)與輸入的差異,而不是學(xué)習(xí)整個函數(shù)。通過將前一層的輸出直接與后續(xù)層的輸入相加,ResNet解決了深度網(wǎng)絡(luò)訓(xùn)練中的梯度消失或爆炸的問題。這種設(shè)計使得網(wǎng)絡(luò)更易于訓(xùn)練,可以訓(xùn)練更深的網(wǎng)絡(luò),從而在圖像識別等任務(wù)中取得了顯著的性能提升。
表1為不同網(wǎng)絡(luò)模型在ImageNet驗證集上的錯誤率[22]。由表1可知,RestNet相較于其他兩種常用算法錯誤率最低,考慮到音頻分類任務(wù)與圖像分類任務(wù)類似,因此本系統(tǒng)也同樣采用圖4中的ResNet50結(jié)構(gòu)提取音頻特征并分類。該ResNet50網(wǎng)絡(luò)包括48個卷積層、1個最大池化層和1個平均池化層,該網(wǎng)絡(luò)將常規(guī)的殘差模塊替換為瓶頸結(jié)構(gòu)(bottleneck),在保證識別精度的同時,還大幅地減少了網(wǎng)絡(luò)參數(shù)量。
表1 ImageNet 驗證集上單一模型結(jié)果的錯誤率(單位:%)Tab. 1 Error rates (%) of single-model results on the ImageNet validation set
圖4 Resnet50網(wǎng)格結(jié)構(gòu)示例Fig. 4 Example network architectures for Resnet50
本研究前期通過Xeno①Xeno網(wǎng)址為https://xeno-canto.org/。進行鳥類聲音樣本的收集,并基于這些樣本建立一個用于訓(xùn)練鳥類聲音識別模型的先驗數(shù)據(jù)集,具體來說,本研究根據(jù)北京翠湖鳥類名錄從Xeno上獲得相應(yīng)的音頻數(shù)據(jù),對于每條數(shù)據(jù),按質(zhì)量分數(shù)進行篩選,共提取出6 200條音頻。在獲得原始音頻后,通過運用雙門限法的聲音端點檢測算法[23]濾除每個音頻信號中的靜音片段。在Kahl等[11]的研究中提到大量物種的發(fā)聲平均時長為1.94 s,因此每個音頻片段被剪輯成3 s。本研究也采取同樣的剪輯的方式,使用3 s的剪輯窗口將處理后的音頻分割成塊,共得到17 056個鳥聲剪輯片段,最后這些片段以7∶1∶2的比例分為訓(xùn)練集、驗證集和測試集,形成一個完整的鳥聲數(shù)據(jù)集。
考慮到靠近水邊的樹木、灌叢、濕地等區(qū)域是鳥類繁殖、覓食和棲息的主要場所,通常會有更多種類的鳥類活動,且湖邊環(huán)境開闊可以減少噪聲的干擾。因此,本研究選擇在北京翠湖荷花塘附近布設(shè)一個鳥類音頻監(jiān)測點位(圖5),該地點地處水域邊緣,環(huán)境優(yōu)美,擁有豐富的樹木和植被,為鳥類提供了豐富的棲息和覓食資源。
圖5 翠湖荷花塘音頻監(jiān)測點位Fig. 5 Audio monitoring point of lotus pond in Cuihu Lake
對于部署在北京翠湖的監(jiān)測設(shè)備,拾音器捕獲到鳥聲信號后,聲音數(shù)據(jù)經(jīng)過聲音降噪和端點檢測算法去除噪聲和靜音片段,經(jīng)過分幀加窗后使用梅爾濾波器提取出鳥聲的梅爾頻譜圖,原始波形圖和梅爾聲譜圖如圖6所示。然后,梅爾聲譜圖輸入到已經(jīng)加載預(yù)訓(xùn)練模型參數(shù)的鳥聲識別模型,鳥聲經(jīng)過模型選取預(yù)測概率最大的鳥類作為最后的預(yù)測結(jié)果。
圖6 鴻雁叫聲波形圖和聲譜圖Fig. 6 Waveforms and spectrograms of honkers sounds
部署在北京翠湖荷花塘的音頻監(jiān)測系統(tǒng)自2023年2月持續(xù)運行至12月,累計工作10個月,共獲得209 686條音頻數(shù)據(jù)。這些數(shù)據(jù)完整地記錄了北京區(qū)域不同季節(jié)鳥類的種類以及叫聲頻次變化,其中,鳥類鳴叫片段200 044條,人類干擾聲音3 741條,其他環(huán)境噪聲5 123條。通過專家的校驗,系統(tǒng)識別鳥聲準確率為93%。在識別的鳥類鳴聲片段中,共涵蓋了9目16科52種鳥類。圖7為2023年2–12月的聲音頻次統(tǒng)計圖,其中,相對多度較高的前5個物種為蒼鷺(26%)、鴻雁(16%)、夜鷺(13%)、白頭鵯(11%)和普通鸕鶿(8%);屬于國家II級重點保護野生動物有6種,分別是大天鵝、鴻雁、紅角鸮、縱紋腹小鸮、藍喉歌鴝和游隼,北京市重點保護野生動物蒼鷺、夜鷺、普通鸕鶿、綠頭鴨等22種,詳見表2。
表2 翠湖鳥類聲音監(jiān)測名錄Tab. 2 Bird sound monitoring list in Cuihu Lake
圖7 翠湖鳥類物種聲音頻次統(tǒng)計圖(2023.02–2023.12)Fig. 7 Statistical chart of bird species sound frequency in Cuihu Lake(2023.02–2023.12)
本研究通過采用鳥類聲音識別系統(tǒng),實現(xiàn)了北京翠湖鳥類多樣性的自主監(jiān)測,相較于傳統(tǒng)方法,采用該系統(tǒng)不僅能夠?qū)崿F(xiàn)鳥類聲音數(shù)據(jù)的長期獲取及自動分析,還能夠形成結(jié)構(gòu)化的識別數(shù)據(jù),便于鳥類的監(jiān)測和保護,為北京翠湖鳥類種群和生態(tài)多樣性的研究提供了豐富的鳥類聲音數(shù)據(jù)支撐。
在本系統(tǒng)的監(jiān)測下,共記錄到52種野生鳥類,其中包括6種國家II級重點保護野生動物,通過與專家校驗對比,研究發(fā)現(xiàn)本系統(tǒng)的識別準確率達到了93%。此外,還基于這些實采數(shù)據(jù)對比了不同網(wǎng)絡(luò)模型的性能。從表3可以看出,本研究所采用的ResNet50模型相較于VGG16和VGG19模型,在準確率上分別提升了1%和0.8%。同時,其參數(shù)量分別減少了112.5 MB和118.5 MB。這一優(yōu)勢極大地降低了模型在算力受限的邊緣設(shè)備上的部署難度,并且提升了模型的推理效率。這種顯著的改進主要源于ResNet50采用的殘差結(jié)構(gòu)。這種結(jié)構(gòu)使得網(wǎng)絡(luò)更深,同時減少了梯度消失的問題,從而提高了模型的準確率。此外,ResNet50的卷積層中使用了1x1的卷積核,這一設(shè)計有效地減少了模型的計算量和參數(shù)量。
表3 ResNet50與目前已有算法比較Tab. 3 Comparison between ResNet50 and existing algorithms
本研究所提出的鳥類聲音識別系統(tǒng)與傳統(tǒng)方法相比有效提升了鳥類監(jiān)測的效率,并實現(xiàn)了較高的識別精度。但性別、生長階段、棲息環(huán)境和繁殖狀況等因素會對鳥類的發(fā)聲產(chǎn)生影響,從而影響系統(tǒng)的識別性能。此外,鳥類在繁殖、交流、尋找食物和保護領(lǐng)土?xí)r表現(xiàn)出豐富多樣的聲音,這種聲音不僅是生物學(xué)特征,更是風(fēng)景園林的聲音調(diào)色板。因此,對鳥類聲音與不同行為之間的深入分析對于理解園林生態(tài)的演變具有非常重要的意義。
后續(xù)研究將通過收集處于不同生長階段、位于不同地理位置以及不同性別的鳥類數(shù)據(jù),建立一個更加全面的鳥類聲音數(shù)據(jù)庫,為系統(tǒng)識別性能的提升和鳥類多樣性的研究提供更為有利的數(shù)據(jù)支撐;同時,基于深度學(xué)習(xí)技術(shù),建立鳥類聲音與具體行為之間的關(guān)聯(lián),以實現(xiàn)對鳥類個體行為的準確檢測,從而為風(fēng)景園林規(guī)劃和管理提供更深層次的生態(tài)學(xué)信息。這不僅有助于提高園林的生物多樣性,同時也為打造更具生態(tài)平衡和可持續(xù)性的園林環(huán)境提供了科學(xué)支持。
鳥類作為生態(tài)系統(tǒng)中不可或缺的組成部分,城市生態(tài)的完善程度很大程度上可通過鳥類的種類和數(shù)量反映。在城市園林修復(fù)中,鳥類監(jiān)測起到了不可替代的重要作用。通過在典型生態(tài)區(qū)域中部署鳥類聲音識別系統(tǒng),能夠?qū)崿F(xiàn)鳥類信息的自動監(jiān)測分析,并為研究人員提供詳實的統(tǒng)計報告和監(jiān)測數(shù)據(jù),有助于深入了解它們在城市環(huán)境中的生存狀況。這些監(jiān)測結(jié)果不僅是城市園林修復(fù)的科學(xué)依據(jù),更是保護生物多樣性、維護生態(tài)平衡的有力工具。此外,在城市園林修復(fù)過程中,鳥類監(jiān)測可以幫助評估修復(fù)效果,指導(dǎo)相關(guān)工作的調(diào)整和改進,以確保修復(fù)項目的順利實施和生態(tài)效益的最大化。只有制定出更加精準、可持續(xù)的修復(fù)策略,才能為城市創(chuàng)造出更宜人、更生態(tài)友好的綠色空間。因此,深刻認識并充分利用鳥類監(jiān)測的重要性,將為城市園林的未來發(fā)展注入新的活力,實現(xiàn)城市與自然的和諧共生。
注:文中圖表均由作者繪制。