基于稀疏数据对一种罕见发声的入侵性哺乳动物进行声学检测

1. 监测并限制入侵物种在岛屿上的扩散，需要高效的检测与种群数量估计方法。然而，隐蔽性强的物种难以通过传统方法进行监测，因此，相机陷阱和声学监测等自主化方法正变得愈发重要。 2. 在日本冲绳岛，小印度獴（Urva auropunctata）自1910年引入以来，已对许多本地物种构成威胁。作为全球最严重的入侵物种之一，被有效监测冲绳地区的U. auropunctata至关重要。冲绳环境观测网络（OKEON）利用相机陷阱检测U. auropunctata，但其成功与否取决于布设位置是否精准。尽管OKEON还包括一个高分辨率声学监测项目，目前尚不存在针对U. auropunctata的音频分类模型。开发此类模型有望显著提升我们对该物种进行检测与管理的能力。 3. 基于从相机陷阱视频中收集到的稀少U. auropunctata发声数据，我们构建了一个由更复杂模型蒸馏而来的轻量级卷积神经网络，用于分类U. auropunctata的接触叫声和警戒叫声。我们的蒸馏模型在检测训练数据中的发声时，其表现与完整模型相近，但运行速度明显更快。 4. 我们将该蒸馏分类器应用于来自冲绳南部、跨越八年采集的约486小时音频数据，并在每一年的记录中都成功检测到少量U. auropunctata。尽管模型在测试数据上表现优异，但其在未见数据上的迁移效果不佳，这可能是由于U. auropunctata叫声稀少以及由此导致的训练数据集规模较小，从而限制了其在生态监测中的实用性。 5. 实际意义。利用来自相机陷阱视频的稀疏音频数据来训练声学分类器，对于从被动声学监测数据中检测很少发声的U. auropunctata，其效用有限。我们提出了若干建议，以提升分类器性能，从而为U. auropunctata的分布与扩散提供稳健且可操作的洞见，并为冲绳受威胁生物多样性的针对性保护工作提供支持。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚才执行的操作触发了该安全解决方案。可能触发此拦截的行为有多种，包括提交某些特定的词语或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您的访问被拦截。请在邮件中说明出现此页面时您正在进行的操作，并附上本页面底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.19.733324v1?rss=1

🏷️ 入侵物种监测 被动声学监测 小印度獴 卷积神经网络 模型蒸馏 稀疏数据学习