被动声学传感器和机器学习分类器为监测野生动物种群提供了一种可扩展的方法。这些分类器通常用于检测短时音频窗口内是否存在某一物种；然而，生态学家需要的是具有生态学意义的测度，例如站点层面的丰度指数。鸣声密度，即包含鸣声的时间窗口所占比例，是一种有用的丰度替代指标。要利用分类器估计鸣声密度，必须根据专家标注的数据对分类器输出进行校准。由于分类器的性能在不同站点间存在差异，采用单一的全局校准会导致站点层面的估计过度自信；然而，对每个站点单独进行校准又需要付出难以承受的标注成本。要在现代传感器网络的规模下估计站点层面的鸣声密度，就需要一种标签效率更高的替代方法。我们提出了普拉特缩放法（一种常用的校准方法）的贝叶斯分层扩展，可在站点层面校准分类器，同时利用不同站点间的信息。若能获得站点层面的协变量，高斯过程先验可使模型学得校准方式如何随协变量空间而变化。对某一站点录制的音频片段，其校准后的概率取平均值，即可得到鸣声密度的后验分布；我们还展示了如何将这一不确定性传递至后续关于鸣声密度与环境协变量关系的回归分析中。在模拟研究以及来自夏威夷和太平洋西北地区的两个完整标注野外数据集中，我们的模型在相同标注成本下，对鸣声密度估计实现了预期的可信区间覆盖率，且区间比独立的站点层面校准更窄，均方误差也更低。相比之下，除非模拟站点……真正同质。与站点级校准不同，我们的模型能够在没有任何标注数据的站点进行校准；当站点间异质性由协变量驱动时，纳入协变量进一步提高了精度。我们将该方法应用于宾夕法尼亚州一个包含283个站点的数据集，每个站点仅有两个经标注的音频片段，并成功恢复了数量正在下降的林鸫（Hylocichla mustelina）已知的栖息地关联。我们的方法为将生物声学分类器得分转化为站点级丰度指数提供了一条有原则且节省标注数据的途径，并能对不确定性进行充分量化，从而使在声学传感器网络当前部署的尺度上开展严谨的生态推断成为可能。
跨协变量的分类器校准：用于大规模声学监测的分层鸣声密度估计 | bioRxiv
跳至主要内容
首页
关于
投稿
提醒 / RSS
搜索此关键词
高级搜索
最新结果
跨协变量的分类器校准：用于大规模声学监测的分层鸣声密度估计
Louis
Freeland-Haynes
,
Matthew J
Weldy
,
Amanda K
Navine
,
Patrick J
Hart
,
Justin
Kitzes
,
Tom
Denton
doi:
https://doi.org/10.64898/2026.09.08.747031
Louis Freeland-Haynes
1
匹兹堡大学；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本站搜索此作者
通信联系：
lof19{at}pitt.edu
Matthew J Weldy
2
美国国家奥杜邦学会，美国纽约州纽约市；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本站搜索此作者
Amanda K Navine
3
夏威夷大学希洛分校，美国夏威夷州希洛市；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本站搜索此作者
Patrick J Hart
4
夏威夷大学，希洛；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本站搜索此作者
Justin Kitzes
1
匹兹堡大学；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本站搜索此作者
Tom Denton
5
Google DeepMind
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本站搜索此作者
摘要
信息/历史
指标
预览 PDF
摘要
被动声学传感器与机器学习分类器为野生动物种群监测提供了一种可扩展的方法。这些分类器通常检测某一物种是否出现在一个短时音频窗口中；然而，生态学家需要的是具有生态学意义的度量，例如样点尺度的丰度指数。鸣声密度，即
包含发声的时间窗口所占比例，是一种有效的丰度代理指标。利用分类器估计发声密度，需要依据专家标注数据对分类器输出进行校准。由于分类器性能因站点而异，采用单一的全局校准会导致站点层面的估计过于自信，而对每个站点独立进行校准又需要难以承受的标注工作量。因此，在现代传感器网络的规模下估计站点层面的发声密度，需要一种标注效率更高的替代方法。
我们提出了常用校准方法 Platt 缩放的贝叶斯层次扩展，该方法在站点层面对分类器进行校准，同时借用跨站点的信息。当站点层面的协变量可用时，高斯过程先验使模型能够学习校准关系如何随协变量空间变化。对某一站点所有录音片段经校准的概率取平均，可得到发声密度的后验分布；我们还展示了如何将这种不确定性传递至以环境协变量解释发声密度的下游回归分析中。
在模拟实验以及来自夏威夷和太平洋西北地区的两个完全标注的野外数据集中，我们的模型在达到发声密度估计可信区间预期覆盖率的同时，相较于标注工作量相同的独立站点级校准，获得了更窄的区间和更低的均方误差。相比之下，除非模拟站点确实具有同质性，否则全局校准无法达到预期覆盖率。与站点级校准不同，我们的模型能够对完全没有标注数据的站点进行校准；当站点异质性由协变量驱动时，纳入协变量可进一步提高估计精度。将该模型应用于宾夕法尼亚州一个包含 283 个站点、每个站点仅有两个标注片段的数据集时，我们重现了已知的生境
种群数量下降的林鸫（Hylocichla mustelina）的关联关系。
我们的方法提供了一条具有严谨理论依据且标注需求较低的途径，可将生物声学分类器的评分转化为调查点尺度的丰度指数，并对不确定性进行充分量化，从而能够在当前声学传感器网络的部署规模上开展严谨的生态学推断。
利益冲突声明
作者声明不存在利益冲突。
版权
本预印本的版权持有人为作者／资助方，其已授予 bioRxiv 永久展示本预印本的许可。
本预印本依据
CC-BY 4.0 国际许可协议
提供。
返回顶部
上一篇
下一篇
发布于2026年9月12日。
下载 PDF
电子邮件
感谢您有意帮助传播 bioRxiv 的相关内容。
注意：索取您的电子邮件地址仅用于确认您是本文的发送者。
您的电子邮件地址
*
您的姓名
*
收件人
*
请输入多个电子邮件地址，每行一个，或以逗号分隔。
您将通过电子邮件发送以下内容
跨协变量的分类器校准：面向大规模声学监测的分层鸣声密度估计
邮件主题
（您的姓名）从 bioRxiv 向您转发了一个页面
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于验证您是否为真人访问者，并防止自动提交垃圾信息。
分享
跨协变量的分类器校准：面向大规模声学监测的分层鸣声密度估计
Louis Freeland-Haynes，
Matthew J Weldy，
Amanda K Navine，
Patrick J Hart，
Justin Kitzes，
Tom Denton
bioRxiv
2026.09.08.747031；
doi：
https://doi.org/10.64898/2026.09.08.747031
分享本文：
复制
引用工具
跨协变量的分类器校准：
大规模声学监测的分层鸣声密度估计
Louis
Freeland-Haynes
，
Matthew J
Weldy
，
Amanda K
Navine
，
Patrick J
Hart
，
Justin
Kitzes
，
Tom
Denton
bioRxiv
2026.09.08.747031；
doi：
https://doi.org/10.64898/2026.09.08.747031
引文管理器格式
BibTeX
Bookends
EasyBib
EndNote（标签格式）
EndNote 8（xml）
Medlars
Mendeley
Papers
RefWorks Tagged
Ref Manager
RIS
Zotero
推文组件
Facebook 点赞
Google Plus +1
学科领域
生态学
学科领域
所有文章
动物行为与认知
（7981）
生物化学
（18684）
生物工程
（14803）
生物信息学
（44268）
生物物理学
（22526）
癌症生物学
（19650）
细胞生物学
（26809）
临床试验
（138）
发育生物学
（13915）
生态学
（20939）
流行病学
（2067）
进化生物学
（25397）
遗传学
（16127）
基因组学
（23440）
免疫学
（18638）
微生物学
（42346）
分子生物学
（17989）
神经科学
（93130）
古生物学
（695）
病理学
（2974）
药理学与毒理学
（5074）
生理学
（8083）
植物生物学
（15943）
科学传播与教育
（2094）
合成生物学
（4546）
系统生物学
（10199）
动物学
（2378）
关键词：被动声学监测 · 分类器校准 · 分层贝叶斯模型 · 鸣声密度估计 · 野生动物丰度指数 · 生态推断
原文链接：https://www.biorxiv.org/content/10.64898/2026.09.08.747031v1?rss=1