鸟网

如果我们更多地倾听大自然，我们可以从大自然中学到很多东西——世界各地的科学家都在努力做到这一点。从山峰到海洋深处，生物学家越来越多地安装录音机，以不引人注意地窃听鲸鱼、大象、蝙蝠，尤其是鸟类的呻吟、尖叫、哨声和歌声。例如，今年夏天，超过 2,000 只电子耳朵将记录加利福尼亚内华达山脉的音景，产生近一百万小时的音频。为了避免花费多个人的生命来解码它，研究人员正在依赖人工智能。此类记录可以创建动物群落的宝贵快照，并帮助保护主义者生动详细地了解政策和管理实践如何影响整个种群。收集关于一个地区物种和个体数量的数据仅仅是个开始。内华达山脉音景包含有关去年历史性野火如何影响该地区不同栖息地和生态条件的鸟类的重要信息。这些录音可以揭示各种动物种群如何度过这场灾难，以及哪些保护措施可以帮助物种更有效地反弹。此类录音还可以捕获有关更大群体中个人之间互动的详细信息。例如，配偶如何在纷繁复杂的配偶中找到彼此？科学家还可以使用声音来跟踪迁徙时间或人口范围的变化。大量音频数据也从其他地方的研究中涌入：基于声音的项目正在进行中，以计算昆虫数量、研究光和噪音污染对鸟类群落的影响、追踪濒危物种，并在录音机检测到非法偷猎产生的噪音时触发警报或记录活动。 “音频数据是一个真正的宝库，因为它包含大量信息，”康奈尔大学博士后研究员、内华达山脉项目负责人生态学家康纳伍德说。 “我们只需要创造性地思考如何共享和访问 [该信息]。”这是一个迫在眉睫的问题，因为人类需要很长时间才能从录音中提取有用的见解。幸运的是，最新一代的机器学习人工智能系统——可以从它们的叫声中识别动物物种——可以在不到一天的时间内处理数千小时的数据。 “机器学习对我们来说是一个巨大的游戏规则改变者，”康奈尔鸟类学实验室生物声学保护中心助理主任劳雷尔赛​​姆斯说。她研究动物的声学交流，包括蟋蟀、青蛙、蝙蝠和鸟类，并在巴拿马中部的雨林中积累了数月的蚱蜢（著名的长角蚱蜢，是食物网的重要组成部分）的录音。繁殖活动和季节性种群变化的模式隐藏在这个音频中，但分析它非常耗时：Symes 和她的三个同事花了 600 个小时的工作，从 10 个小时的录音中对各种 katydid 物种进行分类。但她的团队正在开发一种名为 KatydID 的机器学习算法，在其人类创造者“出去喝啤酒”时执行了相同的任务，Symes 说。像 KatydID 这样的机器学习设置是使用神经网络的自学习系统——“一个非常非常粗略的人脑近似，”康奈尔生物声学保护中心和开姆尼茨理工大学的机器学习专家 Stefan Kahl 解释说在德国。他构建了 BirdNET，这是当今最流行的鸟类声音识别系统之一。伍德的团队将依靠 BirdNET 来分析内华达山脉的录音，其他研究人员正在使用它来记录光和噪音污染对法国布里埃尔地区自然公园黎明合唱团的影响。这样的系统首先分析许多输入——例如，数百个记录的鸟类叫声，每个都用其相应的物种“标记”。然后神经网络自学哪些特征可用于将输入（在这种情况下，鸟的叫声）与标签（鸟的身份）相关联。由于经常涉及数百万个极其细微的特征，人类甚至无法知道其中大部分是什么。

旧版本的检测软件是半自动的。他们扫描了频谱图（音频信号的视觉描述），以确定频率范围和持续时间等已建立的特征，以通过其鸣叫来识别鸟类。这对某些物种很有效。例如，北方红衣主教的歌曲始终以几个音调升高的长音符开始，然后是音调明显下降的快速短音符。它可以很容易地从频谱图中识别出来，就像可以从乐谱中识别出一首创作的歌曲一样。但其他鸟类的叫声更加复杂和多样，可能会混淆旧系统。 “你需要的不仅仅是签名来识别物种，”卡尔说。许多鸟类有不止一种歌声，而且和其他动物一样，它们也经常有地区性的“方言”。华盛顿州的白冠麻雀听起来与其加利福尼亚的表亲大不相同。机器学习系统可以识别这些细微差别。 “假设今天发行了一首尚未发行的披头士歌曲。您以前从未听过旋律或歌词，但您知道这是披头士乐队的歌曲，因为它们听起来就是这样，”Kahl 解释道。 “这也是这些程序学会做的事情。”事实上，这些系统受益于人类语音和音乐识别技术的最新进展。纽约大学音乐与音频研究实验室的专家与康奈尔鸟类学实验室的 Andrew Farnsworth 合作，利用他们的音乐经验构建了一个名为 BirdVox 的鸟鸣识别系统。它检测并识别夜间迁徙的鸟类，并将鸟鸣与背景噪音区分开来，包括青蛙和昆虫的叫声、人类地面和空中运输，以及风和雨等来源——所有这些都可能出奇的响亮和多变。每个系统的学习效果在很大程度上取决于可用的预标记录音的数量。对于普通鸟类，已经存在大量此类数据。 Kahl 估计，在线提供 10,000 个物种的大约 420 万条记录。但是，BirdNET 可以识别的 3,000 多种物种中的大多数都在欧洲和北美发现，而 BirdVox 将其重点进一步缩小到美国鸟类的歌声。 “在其他地方，对于稀有物种或没有良好分类数据的物种，[BirdNET] 效果不佳，”印度生态学家 VV Robin 说。他在 Jerdon's courser 的踪迹上很热，这是一种极度濒危的夜行动物，大约十年没有被正式发现。罗宾和他的合作者在印度南部的一个野生动物保护区放置了录音机，试图捕捉到它的叫声。自 2009 年以来，他还一直在印度南部的全球生物多样性热点西高止山脉的山丘上记录鸟类。这些录音经过精心注释，以训练当地开发的机器学习算法。公民科学家还可以帮助填补鸟鸣资料库中的空白。 BirdNET 为一款在业余观鸟者中大受欢迎的智能手机应用程序提供支持。他们记录音频片段并将它们提交给应用程序，应用程序会告诉他们歌手的物种，并将录音添加到研究人员的数据库中。 Kahl 说，每天有超过 300,000 条录音进入。这些机器学习算法仍有改进的空间。尽管它们分析音频的速度比人类快得多，但它们在筛选重叠的声音以锁定感兴趣的信号方面仍然落后。一些研究人员认为这是人工智能要解决的下一个问题。然而，即使是目前不完美的版本，也能实现对人类来说过于耗时的大规模项目。 “作为生态学家，”伍德说，“像 BirdNET 这样的工具可以让我们梦想成真。”