被动声学监测

被动声学监测

被动声学监测的先天不足：
1.因为缺乏影像、微生境和行为信息的辅助，一些原本由人类开展的视觉+听觉的传统调查中不会被混淆的鸟就有可能被混淆，目前的AI识别能力还不能保证在极端情况下的可靠性。

2.在进行定量研究的时候比较困难。首先不同物种习性差异很大，有些鸟很可能连叫几个小时不停歇，而有些鸟就比较安静；其次目前很难做到个体识别，难以排除重复记录；另外在种群数量评估的时候，被动监测虽然可以类比传统样点法中的可变半径样点法（variable-radius point counts），但是具体的鸟类发现函数模型，以及物种占域模型必然是不同的，还需要进一步的理论研究来支持。

被动声学监测的优点：
1 替代稀缺的专业人员
2 不断发展的AI识别算法 随着基于卷积神经网络的AI识别算法的发展和硬件算力的提升，能够更加准确、高效的鸟声识别。
3：绕开定种，曲线救国
可能观鸟爱好者容易有这样一个思维定式：鸟声的被动声学监测的必经之路当然是先识别出物种，在物种信息的基础上才能去分析别的。但实际上并非如此，如果AI系统还无法把所有物种可靠地识别出来，那我们还可以跳过定种这一步骤，直接把每一种声音类比成一个“物种”来研究，把香农-威纳指数，均匀度、α-多样性、β-多样性那一套信息论的分析方法套用过去，通过算法计算出各种所需的指数。对各种声景指数（soundscape index）与环境变量、生物多样性、人为干扰、时间节律等方面因素进行关联分析，是一个理论研究和实际应用前景都很广阔的领域。

完整的自动化、智能化的被动声学监测系统：
①符合鸟类鸣声采集要求的麦克风：主要是频响范围、采样率和灵敏度指标。
②低功耗的嵌入式系统：得益于相关硬件技术的进步，配合太阳能电池板，设备就能在野外无需外接供电长期运行。甚至能在低功耗的运行状态下完成对声音的自动录音响应和切片，以减少需要传输的数据量。
③足够的本地存储：设备上也有存储空间作为本地备份，其容量在无人维护的场景下需要撑得住一两年的数据量。而且最后兜底的办法就是手动回收存储卡，如今的存储卡已经足够廉价了。
④数据无线传输：通过4G网络发送到服务器，没有4G的地方使用LoRa为补充。甚至可以使用无人机作为LoRa接收终端，飞过去盘旋几圈数据就传好了。
⑤指数分析和AI物种识别：近年来AI算法发展迅速，运算效率和识别精度都有大幅提高。

基于音频与视频研究的比较

基于视频 (或图像)的采集方法虽然能直观获取鸟类的外貌特征、数量和行为等信息，但在采集 过程中容易受到光线、明暗度和物体遮挡等环境因素的影响，并且摄像头的分辨率、焦 距、曝光时间以及位置距离都会影响拍摄效果，视频存储的数据量大，对传输带宽有很 高要求。而基于音频的采集方法不受光照条件和遮挡物的影响，在黑暗环境中依然能获取鸟声信息，具有低干扰、低成本、监测范围广等优势，且音频存储量相比于视频要小得多，适合进行远程传输。在音频采集的基础上，通过鸟鸣声的研究，既能分辨鸟类 品种，又能分析生物行为，比如喜悦、悲伤、生气、害怕等情绪，以及乞求、歌唱、警 报、逃逸等行为。