基于机器学习的被动声学监测，智能识别贝类捕食行为

这类捕食行为难研究，不光因为发生地点偏僻，捕食过程本身也转瞬即逝。白斑魟等活动能力极强的捕食者常在潮下带水域觅食，人工实地观测很难开展。

好在捕食碎壳的过程会发出独特声响，每种贝壳碎裂的声音都带有专属声学特征，能通过水下设备收录。被动声学监测搭配水下自动记录仪，能实时收录野外捕食动静，难点在于如何从海量混杂着海洋噪音的录音里，精准筛选出贝壳破碎声。

白斑魟在自然海域捕食带壳软体动物，其进食时发出独特的贝壳碎裂声响。佛罗里达大西洋大学研究人员以此为基础，研发人工智能工具，用于监测海面之下的捕食与被捕食生态关系。图片来源：Cat Nickell

佛罗里达大西洋大学的研究团队搭建了一套机器学习分析框架，用来识别、区分录音里的贝壳碎裂声。研究人员在可控养殖水池投喂白斑魟（Aetobatus narinari，擅长咬碎硬壳的大型魟鱼），依托实测的摄食声音数据完成模型训练，提升算法在复杂海洋噪声中的识别准确率。

整套系统采用分步处理思路：先用匹配滤波筛选全部音频，根据声音特征圈出疑似碎壳信号；再通过机器学习二次筛查，剔除环境杂音带来的误判，分清真实捕食声响和无效噪声。

完成校验后，系统还能借助随机森林、LSTM 长短期记忆网络、CNN 卷积神经网络等传统算法与深度学习模型，从细微的声音差异里分辨出被捕食的贝类种类，相关成果发表于Ecological Informatics。

研究得出一项结论：想要实现不错的识别效果，不一定非要搭建结构复杂的高端 AI 模型。依托伽马通倒谱系数（GTCC）搭建的简易算法，识别效果和大型深度学习模型相差无几，还能大幅节省运算资源。这意味着该轻量化方案成本更低，更适合长期、大范围投放至近海开展实地监测。

论文通讯作者、佛罗里达大西洋大学港湾海洋研究所研究员 Laurent Chérubin 博士表示：“贝壳破碎的声音里，藏着大量有关捕食关系和觅食习性的生态信息。这项研究证明，被动声学监测不光能捕捉捕食事件，还能帮我们摸清偏远海域中，海洋捕食生物和周边环境的相处模式。”

依靠识别不同猎物对应的碎壳声，科研人员有望不靠现场观测，就能测算野外环境中贝类的被捕食速率。

论文资深作者、渔业生态与保护实验室负责人 Matt Ajemian 博士谈道：“从生态研究角度来说，这项技术突破了以往的局限。我们以往只能零星实地统计捕食影响，如今可以依托声学监测，在整个生态系统范围内量化天敌给贝类种群带来的捕食压力，对海岸生态保护和资源管理有着重要意义。”

这套算法不仅在水池模拟实验中表现稳定，在野外实测里同样表现亮眼：研究分别采用魟鱼随身声学标签、水下定点记录仪两种设备开展实地测试。即便模型只用水池录制的数据训练，放到自然海域后，依旧可以精准锁定捕食行为、判别猎物种类。

Ajemian 补充：“除了判断有没有捕食、吃了哪种猎物，声音数据还能反映捕食细节。不同的声响既能区分猎物品类，也能体现魟鱼啃咬方式、处理猎物耗时，未来或许还能依靠声音，分辨个体捕食习惯、判断被捕食贝类的个头大小。”

眼下贝类水产养殖、海岸生态修复项目不断增多，摸清捕食者和贝类的相互关系，已经成为资源管护的刚需。实验选用的猎物既有埋在泥沙里的滤食性蛤蜊，也有活动性更强的海螺，因此这套监测方法可以适配多种海岸环境，大范围统计各类栖息地的贝类损耗情况。

论文第一作者、佛罗里达大西洋大学电子与计算机工程学院讲师 Ali Ibrahim 博士说道：“我们的研究为海洋生态常态化实时监测提供了可行思路。基于 GTCC 的算法算力消耗小，特别适合供电、运算能力有限的水下自动监测设备，方便在偏远海域长期布放，弥补高性能设备难以大范围布设的短板。”