《方法生态与进化》（Methods in Ecology and Evolution）期刊于2025年发表了一项开创性研究，题为《使用生成对抗网络的动物声学识别、去噪和源分离》。这项研究由中国科学技术大学王梅、法国INRAE的Kevin F. A. Darras、中科院合肥物质科学研究院薛仁杰及刘方林领衔的跨学科团队完成，论文以开放获取形式发布，遵循CC-BY-NC许可协议。

学术背景

研究聚焦于生态声学（Bioacoustics）领域的核心挑战：如何从复杂自然声景中精准分离目标生物声源。被动声学监测技术虽能获取海量声学数据，但传统卷积神经网络（CNN）在物种分类中存在明显局限——难以量化声学空间特征，且易受背景噪声干扰。研究团队创新性地引入生成对抗网络（GAN）技术框架，旨在解决三大关键问题：
1. 声源分离：从混合声景中提取特定物种或群落的声学信号
2. 精细化量化：实现时-频-振幅三维度的声学特征解析
3. 方法论突破：建立首个基于频谱图到频谱图翻译的生态声学分析范式

研究方法与技术路线

研究采用多阶段实验设计，核心流程如下：

1. 数据采集与预处理

• 研究地点：中国安徽亚鲁平国家级自然保护区（YNNR），选取5个海拔梯度监测点
  
• 设备配置：Wildlife Acoustics SM4+录音设备，24 kHz采样率，2019-2020年持续采集
  
• 数据标注：
  
  • 物种级模型：人工标注8种鸟类（如丛林夜鹰、欧亚鸫等）的5秒音频片段频谱图，共4150对图像（像素级RGB编码）
    
  • 群落级模型：区分鸟类/昆虫/人为声源，1200对图像
    
• 创新标注技术：结合Adobe Photoshop手动擦除非目标区域，利用scikit-maad库进行强度阈值优化，单张图像平均标注耗时2分钟
  

2. GAN模型架构

采用改进的Pix2Pix框架，包含两大核心组件：
- 生成器：U-Net结构编码器-解码器，通过跳跃连接保留时频细节
- 判别器：PatchGAN设计，专注局部频谱结构判别
- 训练参数：
- 学习率0.0002，批量大小1
- 对抗损失与L1损失比率1:100
- 在NVIDIA GeForce GTX 4060 GPU上训练200轮次

3. 评估体系

• 生成质量：结构相似性指数（SSIM）与感知图像块相似度（LPIPS）
  
• 像素级分类：RGB颜色阈值法（±15强度容差）计算F1分数
  
• 对比实验：
  
  • 与传统CNN（ResNet50/VGG16）比较分类性能
    
  • 与谱减法、维纳滤波对比去噪效果
    
  • 与非负矩阵分解（NMF）比较源分离能力
    

关键发现与结果

1. 模型性能

• 物种级模型：平均F1分数0.76（哈特叶柳莺最高达0.85，小杜鹃最低0.69）
  
• 群落级模型：F1分数0.79，昆虫声源识别最佳（0.94）
  
• 分类对比：GAN模型与ResNet50（0.95）、VGG16（0.98）性能相当
  
• 去噪效果：均方误差（MSE）显著低于传统方法（P<0.01）
  

2. 生态学发现

通过重建的纯净频谱图，首次量化了：
- 频率生态位分化：东方角鸮频带最窄（0.7-1.5 kHz），哈特叶柳莺最宽（1.9-9.8 kHz）
- 时间占用差异：丛林夜鹰活动时长占比最高，阿尔斯特姆柳莺最短
- 群落结构：昆虫占据最大声学空间（42.7%），人类声源频段最低（ kHz）

3. 技术突破

• 像素级映射：实现声学信号的时频精确定位（分辨率0.5秒×23 Hz）
  
• 动态训练策略：第18轮次（物种模型）和第22轮次（群落模型）达到最优平衡
  

科学价值与应用前景

该研究建立了生态声学分析的新范式：
1. 方法论创新：首次将图像翻译技术应用于声景解析，突破传统分类模型局限
2. 保护生物学应用：为生物多样性自动监测提供高分辨率工具，特别适用于濒危物种（如东方角鸮）的声学普查
3. 群落生态学价值：通过声学空间占用量化，揭示种间竞争与生态位分配机制

研究亮点

• 跨学科融合：将计算机视觉领域的GAN技术引入生态声学
  
• 精细化分析：实现亚秒级时间分辨率与10 Hz级频率精度的声源量化
  
• 开源数据：所有数据集通过Dryad平台公开（doi:10.5061/dryad.vhhmgqp6k）
  

局限与展望

作者指出当前模型在重叠声源处理（如鸟鸣与蝉噪同时段）存在局限，建议未来结合伪彩色技术改进。研究团队正开发自动化标注工具以降低人工成本，并计划将模型扩展至两栖类与哺乳动物声学监测。这项技术为构建全球声景监测网络奠定了算法基础。