生物多样性监测是保护工作的关键环节，可提供物种分布、种群动态、群落构成及生态系统结构的重要信息。为加珍稀濒危物种的保护，被动声学监测技术（Passive Acoustic Monitoring，PAM）近年来不断发展，已成为野生动物监测的重要方式。随着人工智能时代的来临，结合人工智能与高效机器学习模型对海量声音数据的转化处理正在迅速推进。当前，被动声学监测面临的主要挑战是如何从海量的声音数据中快速、准确地找到目标物种的声音，以及开发的方法是否能够运用于其他物种。

  白头叶猴（Trachypithecus leucocephalus）是中国特有的极度濒危灵长类动物，仅栖息于广西崇左的喀斯特石山森林，目前全球种群数量约1400只。该地区山势陡峭、岩洞密布，森林呈斑块化分布，加之周边农业开发与频繁的人类活动，构成了复杂多变的地理环境。在此条件下，传统的样线调查与社区访查等方法难以实现持续而稳定的长期监测，因此构建低干扰、可持续的监测体系成为该物种保护工作的迫切需求。PAM作为一种非侵入式、适于长期部署的技术手段，为监测白头叶猴及其他灵长类物种提供了新的可能。然而，PAM设备每日产生大量录音数据，人工听辨与筛选极为耗时。同时，白头叶猴的叫声频率较低、信噪比差，易受风声、农机噪声、鸟鸣等多种环境声音干扰，在村落与农田交错的喀斯特生境中尤为显著，这进一步加大了自动识别的难度。此外，现有许多动物声学分析方法通常需将音频转换为声谱图，再借助图像分类模型进行识别。此类流程不仅增加计算开销，也可能损失关键声学信息，导致模型在复杂噪声环境中表现不佳。因此，亟须发展一种能够直接处理原始音频、在强噪声背景下仍保持高识别精度的智能声学系统，从而有效支撑对白头叶猴的长期保护与监测工作。正是在这一背景下，团队开展了基于深度学习的白头叶猴声音自动检测研究，旨在突破声学大数据自动识别的技术瓶颈，为珍稀濒危物种监测提供更可靠的技术基础。

 图1. 白头叶猴和黑叶猴长距离叫声语图

  2020年4月至2023年8月，研究团队对多群习惯化白头叶猴展开长期追踪，结合指向性话筒录音与喀斯特石山区域的太阳能自主录音设备，构建了一套双轨声学数据采集系统。该系统在准确获取正样本的同时，也采集到包含真实野外背景噪声的全天候环境声景，最终形成规模近500小时、覆盖多种环境情境的声学数据集。基于该数据集，首先开发出DeepADN的深度学习模型，用于白头叶猴叫声的自动识别。该模型在以Fbank声学特征作为输入时表现最佳，在混合训练集和野外实录数据测试中，召回率高达98.22%，F1-score达到88.81%，展现出优异的检测性能与复杂噪声环境下的稳健性。

图2. DeepADN的应用流程和DeepADN模型结构

  消融实验进一步证实，DeepADN在结构上较基础CNN10模型及无注意力机制版本均有显著提升。通过五重交叉验证，研究还系统评估了模型的泛化能力。结果显示，经过数据增强处理的数据集能有效缓解样本不平衡问题，提升模型在稀疏正样本条件下的稳定性。尤为突出的是，DeepADN展现出卓越的跨物种迁移潜力。将其应用于另一濒危物种黑叶猴的极不平衡数据集时，仍取得100%的召回率与良好的F1-score，表明其声学特征提取能力具备跨物种通用性。

图3. 五重交叉验证结果模型的召回率和F1分数

  总体而言，本研究通过大规模实地录音、直接音频特征建模与深度学习优化，成功实现了在复杂声景中对白头叶猴叫声的高效自动检测，并通过迁移学习在黑叶猴声音识别中得到验证。DeepADN模型不仅为长期、非侵入式监测白头叶猴种群动态与行为节律奠定了技术基础，其跨物种迁移能力更为构建“通用灵长类声学监测框架”提供了可能，为扩展智能生态监测系统及保护更多濒危物种开辟了可行路径。

  近日，该研究以题为Deep Audio Detection Networks from Passive Acoustic Monitoring of a Critically Endangered Primate发表在动物学研究领域知名期刊Integrative Zoology（IF = 3.7，中科院大一区top，JCR一区）上，广西师范大学范鹏来教授和广州大学曹忠副教授为论文通讯作者，广州大学硕士研究生洪子文、广西师范大学已毕业硕士谢映虹（2022级生态学）为共同第一作者。广州大学何恺教授、广西师范大学周岐海教授、广州大学硕士研究生缪雨峰、彭浩同学为本研究工作出了重要贡献。本研究得到国家自然科学基金（32170452; 32470497）、广西自然科学基金重点项目（粤桂联合重点）（2022GXNSFDA080004）、广东自然科学基金青年科学基金项目A类（2022B1515020033）的经费资助。论文详见https://onlinelibrary.wiley.com/doi/10.1111/1749-4877.70019。

 图4. 论文首页