利用录音设备可以同步获取不同地点声音数据，但是利用声谱图手动获取声景参数还存在低效、准确性低等问题。国家林业和草原局城市森林研究中心研究团队，创新性地结合GIS中面向对象的图像分析方法，分析声谱图中声景参数特征。经分析验证，新方法不仅有利于鸟鸣识别，还可以将鸣声信息有效参数化，适用于生物多样性大范围快速评估。

该研究成果已在Forests期刊在线发表，敬请查阅引用。

原文来源

Zhao, Yilin, Jingli Yan, Jiali Jin, Zhenkai Sun, Luqin Yin, Zitong Bai, and Cheng Wang. 2022. "Diversity Monitoring of Coexisting Birds in Urban Forests by Integrating Spectrograms and Object-Based Image Analysis" Forests 13, no. 2: 264. https://doi.org/10.3390/f13020264

一、研究背景

近年来，随着国土绿化的大规模高质量推进，城乡生态系统得到稳固和优化。生物多样性是生态系统的基础，但是怎样高效评估大规模国土绿化对生物多样性的提升贡献，是亟待解决的技术问题。

鸟类多样性可以通过样线法、样方法进行长期定位观测，但是需要消耗大量的人力。基于录音设备开展的声音监测，可以非入侵、被动、长期地获取多点、大范围的声景观数据。目前从声景数据中提取鸟类鸣声的方法，通常是手动标注鸣声斑块。例如，常用Audio Tagger 手动框选声音斑块，通过输出斑块数量和方框内像素数，以衡量鸟类鸣声（图1）。缺点是费时费力，准确性低，不能反映鸣声斑块复杂的性状。

图1 手动获取声音斑块

正如遥感图像是地球表面景观的数字表示，由水域、林地、湿地等组成，而声谱图是视觉表达，包含各种声音成分（生物声、地球物理声和人工声）的集合。那么能否利用遥感方法来提取我们感兴趣的声音斑块，并对其进行进一步分析呢？

二、研究方法

1.基于OBIA的声谱分析方法

基于以上背景分析，研究团队利用面向对象的图像分析 [Object-based image analysis(OBIA) , 致力于将遥感 (RS) 图像划分为有意义的图像对象，并能够通参数评估其特征]，提出了基于OBIA的声谱图分析方法，以提取鸟类鸣声斑块及其空间、光谱和时间尺度参数。

基于OBIA的声谱图分析方法主要包含三个主要过程：预处理（Processing）、分割（Segmentation）和分类（Classification）（图2）。基于对象的图像分割算法，可以将图像像素聚合为光谱同质的图像对象。而使用机器学习，训练出清晰的分类规则，应用于所有单个对象，最后得到了分类结果然后对单个对象进行分类。分类帮助我们最终将鸟类鸣声和复杂的背景噪声区别开来。

图2 从左到右分别为原始声谱图、预处理、分割和分类结果

2. 可信度和效率检验

为了检验方法的可信度，研究团队还在研究地点，人工进行鸟类物种识别，并计算了多样性指数，同时记录了人工提取声音斑块方法所用的时间。

结果分析表明，该方法对发声识别准确率达到93.55%（±4.78%），而且所需时间不到人工检查所需时间的 1/8。该方法计算的鸟类一系列声学和形态特征（syllable feature metrics, SFMs），可以更好地量化声学事件并描述声景观。因为该方法获取的SFM指标与实际观测的鸟类多样性指数之间存在显着相关性。随机森林模型显示，57% 的物种丰富度方差、41% 的香农多样性指数和38% 的辛普森多样性指数，可以由SFMs 解释。

三、结论与展望

1.提出的基于OBIA的声谱图分析方法能够有效自动识别鸟类鸣声；

2.新方法具有较高准确率准确率（93.55%），与传统检测方法相比，具有更高的效率（8 倍）；

3. 该方法获取的相关指数是生物多样性的良好预测评价因子，有希望用于快速监测和评估生物多样性。