CoarseSoundNet：用于生态声景分析的可靠模型构建

声景由三类声音组成：生物声（由动物发出的声音）、地貌声（自然非生物声）和人类声（由人类发出的声音）。声景生态学领域的关键研究问题是，这些组成部分如何相互作用，特别是生物声如何响应地貌声和人类声。然而，目前并不缺少能够独立量化这些元素的分析工具。最近的机器学习（ML）方法旨在支持自动化分析，但常常依赖于特定任务或干净数据，限制了其对噪声被动声学监测（PAM）录音的泛化能力。本研究提出一种清晰且可重复的结构，用于构建粗糙声景分类的机器学习模型，并介绍CoarseSoundNet——一种在真实PAM条件下区分生物声、地貌声和人类声的深度学习模型。我们系统性地调查模型架构、额外训练类的影响、数据组成以及评估策略。我们的发现表明，随着额外PAM数据的增加，尤其是当数据与目标领域相似时，模型性能会提高；通过在训练时引入显式的静默类可以提升性能。特定的决策阈值和持续时间限制进一步提高了性能，尤其是针对人类声和地貌声。在错误分析中，人类声因掩蔽效应而面临挑战，静默声和昆虫声在地貌声和生物声方面存在混淆。最后，我们进行了一次生态案例研究，表明使用CoarseSoundNet预过滤录音可产生与真实过滤相似的声学指数趋势，支持其作为生态声学分析的有效预处理工具。