本研究由马士胜（江苏省环境监测中心、南京农业大学）、李双（江苏省环境监测中心）、任诗超（江苏省生态环境监测监控有限公司）和高晓冬（曲阜师范大学）共同完成，相关研究成果以《声学监测与样线法在森林鸟类监测中的应用比较》为题，在《野生动物学报》网络首发，发布日期为2026年1月8日。

该研究属于生物多样性监测与动物生态学领域。鸟类作为环境变化的关键指示类群，其系统监测对于评估生态系统健康和制定保护策略至关重要。传统上，样线法（transect method）因其操作灵活高效，在森林鸟类调查中被广泛应用。然而，该方法受限于调查者经验、天气条件和时间窗口，在时空覆盖度和客观性上存在不足。近年来，随着人工智能和声学技术的发展，基于鸟鸣声识别的声学监测技术为野生动物监测带来了新的可能，它能够实现全天候、自动化数据采集，极大拓展了监测维度。然而，声学监测的独立应用效能及其与传统方法的互补关系尚需在实际监测场景中进行系统评估与验证。因此，本研究旨在通过为期一年的并行对比监测，系统评估声学监测技术在森林鸟类多样性调查中的实际应用效果，明确其相对于传统样线法的优势与局限，探究两者协同应用的潜力，从而为优化鸟类监测方案、构建更全面的生物多样性综合监测体系提供科学依据。

研究在江苏省盱眙铁山寺国家森林公园展开，为期一年（2024年3月至2025年2月）。研究工作流程主要分为四个部分：研究区域与样线设置、传统样线调查实施、声学监测技术流程、以及数据分析与对比。
第一，研究区域与样线设置。研究区位于北亚热带与暖温带过渡地带，森林覆盖率高达93.3%，生境复杂多样。研究人员根据植被分布和生境类型，在研究区内布设了6条固定样线，每条长度1.5至2.0公里。这6条样线是后续两种监测方法同步开展的基础平台。
第二，传统样线调查。采用经典的样线法进行人工调查。在每个季节（春、夏、秋、冬）进行2次调查，相邻调查间隔至少30天，调查时间选择在鸟类活动高峰期（上午06:30-09:00和下午15:00-18:30）。调查人员沿固定样线行走，使用双筒望远镜和长焦相机进行观察和记录，对所有观测到的鸟类依据权威鸟类志进行辨识与分类。为了进行方法对比，在每条样线的相应位置同步布设了声学监测设备。
第三，声学监测技术流程。这是一个包含六个步骤的系统工程：（1）样本库构建：整合江苏省鸟类名录及研究地潜在鸟种，从Xeno-Canto等公共数据库获取对应鸣声，构建了一个包含485种鸟类及10类环境噪声的本地化鸣声识别样本库。（2）鸣声采集：在每条样线上布设一台型号为JSEP-MQ-N2000A的声学监测设备，以触发式录音模式进行全天候自动采集，采集半径约100米，音频数据通过4G模块实时传输至服务器。（3）特征提取：对原始音频，首先采用基于注意力机制的单通道时域分离模型进行声纹分离，提取目标鸟类的纯净鸣声片段。随后，对分离后的鸣声进行梅尔倒谱系数特征提取，生成描述声学特征的特征向量序列。（4）AI识别：将特征向量输入预训练的卷积神经网络模型进行物种识别。模型采用交叉熵损失函数和Adam优化器进行训练，并应用数据增强策略提升鲁棒性。模型输出各鸟种的置信度得分，本研究设定70%为置信度阈值（此阈值下识别准确率约90%）以筛选初判有效数据。（5）数据确认：所有AI初识别结果（置信度≥70%）均交由具备专业鸟类学背景的研究人员进行人工复核与最终确认，确保物种鉴定的准确性。（6）统计分析：除了物种名录，研究还利用声学监测持续产生的时间序列数据，选取了6种杜鹃科和2种鸱鸮科的典型夏候鸟，通过统计每小时、每半月的有效鸣声记录数量，深入分析了这些鸟类的日活动节律和月活动规律。
第四，数据分析与对比。对两种方法获得的数据进行统一分析：计算物种多样性指数；根据记录数量划分优势种、常见种和偶见种；计算Jaccard相似性指数和Sørensen相似性指数以量化两种方法物种检出的异同；并分别绘制了两种方法的物种累积曲线，以评估监测效率。

研究取得了系统且富有洞见的结果。首先，在总体监测效能上，两种方法共记录到鸟类114种。其中，传统样线法记录98种，声学监测记录86种，两者共有种70种（重叠率61.40%）。样线法在物种总数上占优，共记录到3,476只个体，优势种为空缺，常见种包括白头鹎、暗绿绣眼鸟等29种。声学监测则记录了超过10万条鸣声，经AI初筛和人工审核后，确认有效记录100,263条，审核准确率为90.80%。鸣声数量最多的物种分别是大鹰鹃、大山雀、红角鸮等。
其次，在物种检出的互补性上，结果展现出鲜明的类群特异性。声学监测独有的16种鸟类主要为鸣声特征显著但行踪隐蔽的类群，特别是夜行性鸟类，如普通夜鹰、红角鸮、长耳鸮、日本鹰鸮等，这些物种在日间人工调查中极难被发现。相反，样线法独有的28种鸟类则以视觉识别为主、鸣叫不活跃或不甚鸣叫的物种为代表，尤其是多种鹰形目猛禽，如苍鹰、灰脸鵟鹰、普通鵟、凤头蜂鹰等，它们可能很少鸣叫或鸣声传播距离有限，因而逃逸了声学监测。
第三，在监测动态与节律揭示方面，声学监测展现了其独特价值。监测效能呈现明显季节性差异：在鸟类鸣叫活跃的春季，声学监测记录的物种数（81种）甚至超过了样线法（69种）；但在其他季节则低于或等于样线法。两种方法物种组成的相似性指数从春季到冬季逐季递减。更重要的是，声学监测数据清晰地揭示了典型夏候鸟的活动节律：在日尺度上，小杜鹃、大鹰鹃等呈现典型的晨昏双峰模式；夜行性的红角鸮和日本鹰鸮则主要在夜间活动；大杜鹃和噪鹃日间持续活跃。在月尺度上，不同物种的繁殖期鸣叫高峰在时间上形成连续序列，例如大鹰鹃高峰在4月下旬，而红翅凤头鹃迟至7月上旬。这些精细的时空活动模式是传统调查方法难以系统获取的。
第四，在监测效率方面，物种累积曲线分析显示，样线调查的物种数在约0-40次重复（即调查轮次）后趋于饱和；而声学监测则需要约150天的连续监测周期才能接近物种饱和状态。这表明声学监测需要更长的连续工作时间才能达到稳定的监测效果，但也凸显了其进行长期、无人值守监测的可行性。

基于以上结果，本研究得出明确结论：传统样线调查与声学监测技术在森林鸟类监测中具有显著且强烈的互补性，二者协同应用能够显著提升监测的准确性和全面性。传统样线法在直接观测、个体数量统计以及对视觉特征明显但鸣叫不活跃的物种（尤其是猛禽）监测方面仍然不可替代。而声学监测则凭借其自动化、全天候、大范围覆盖的优势，有效拓展了监测的时空维度，特别是在探测夜行性、隐蔽性物种以及揭示鸟类活动节律方面具有独到价值。单一方法均存在局限性，整合两种方法构建“人工调查+自动化监测”的综合监测体系，是未来鸟类多样性研究与保护监测的优化方向。

本研究的科学价值与应用价值在于：首先，通过严格的并行对比实验，实证评估了声学监测技术在中国典型森林生态系统中的实际应用效能，为其推广提供了本土化的数据支持和案例参考。其次，清晰界定了两种主流监测方法各自的优势、局限及最佳适用场景，为监测方案的设计者和执行者提供了科学的决策依据。第三，揭示了协同应用两种方法可以最大化物种检出率，并能获取传统方法难以得到的鸟类行为生态学数据（如活动节律），从而为生物多样性评估、保护地管理及气候变化生态学研究提供了更坚实、多维的数据支撑。最后，研究过程中构建的基于本省鸟类名录的AI识别模型和技术流程，为区域性声学监测网络的建立和数据分析提供了可复用的技术框架。

本研究的亮点主要体现在：第一，研究设计严谨，采用了为期一年的同步对比监测，时间跨度完整覆盖了鸟类的不同物候期，使得结果更具说服力和普适性。第二，不仅比较了物种名录，还深入挖掘了声学监测在揭示鸟类活动节律方面的独特能力，将监测方法比较提升到了行为生态学研究层面。第三，技术应用具有前沿性和本地化特色，研究团队自主构建了基于江苏省鸟类名录的AI识别模型和样本库，并详细阐述了从数据采集、特征提取到AI识别与人工复核的完整技术链条，具有重要的方法论参考价值。第四，结论明确且具有实践指导意义，明确指出“综合监测体系”是未来方向，而非简单地提倡用新技术完全取代传统方法。

此外，研究还坦诚地讨论了声学监测面临的技术挑战，如识别精度对训练数据库地域适用性的依赖、效鸣鸟类和鸣声相似近缘种带来的识别困难、环境噪声（如虫鸣）的干扰等，并指出了未来的改进方向，如积累本地化鸣声样本、开发更鲁棒的算法等，这些讨论体现了研究的客观性和前瞻性。附录中提供的完整鸟类名录，也为该区域的鸟类本底资料做出了贡献。