前景与陷阱：使用 BirdNET 和 VicFrogNET 进行鸟类和蛙类的 AI 辅助被动声学监测的可变性能

有效的保护依赖于关于物种分布及其随时间变化的准确数据。低成本声学传感器和人工智能（AI）的最近进展将生态声学转变为一种可扩展的自动大规模野生动物监测工具。然而，目前 AI 模型面临的两个主要限制是：(1) 尽管对物种检测准确性变化驱动因素的理解有限，BirdNET 等工具仍被广泛使用；(2) 针对非鸟类类群（如两栖动物）的相应开放获取模型仍然基本缺失。我们通过呈现第一个开放源代码的多物种蛙分类器，解决了这两个空白，该分类器可用于来自澳大利亚东南部的 16 种本土物种（VicFrogNET）。为了评估其性能，我们使用了从 60 个淡水湿地收集的超过 1.5 TB 的真实世界被动声学数据，这些湿地跨越约 300 公里，并用 VicFrogNET 和默认的 BirdNET 鸟类分类器分析了这些录音。该数据集包含 820,740 次鸟类检测（172 个物种）和 2419 次蛙类检测（15 个物种），超过 17,000 次检测经过了手动验证。两个分类器均表现出双峰性能模式，物种往往以非常高（>90%）或非常低（<25%）的精度被检测到。错误分类受到叫声相似性、背景噪声和发声复杂性的影响。值得注意的是，尽管 VicFrogNET 在一个适度的数据集上进行训练，但在大多数物种中，其假阳性率始终保持较低。这表明，对于实现目标地区分类器的可靠性能，训练数据质量可能比数量更为重要，展示了数据高效模型在地方应用中的潜力。我们将我们的蛙类分类器、数据集和文档作为开放获取资源发布，以促进透明性、可重复性和采用。这些工具能够快速筛选大量音频，允许用户优先考虑目标物种检测并加速生物多样性评估。