基于鸣声的自动化个体识别方法实现多年被动声学监测重捕

研究提出一种自动化通用方法，利用个体特有的鸣声在被动声学录音中识别动物个体。作者用位置预测任务训练卷积神经网络从录音中提取显著特征，再对特征做降维和聚类完成基于鸣声的个体识别，对未参与训练的个体识别准确率为 96%。团队将该方法用于追踪 126 个地点的 405 只雄性 ovenbird（Seiurus aurocapilla），覆盖 4 年，并据此对丰度和表观存活率建模。作者提供开源代码，便于将该方法推广到其他物种，并指出在被动声学数据集上做自动化个体识别有助于研究种群动态、为生态系统管理提供依据。