基于深度学习的海洋声景预测：一种异常检测与趋势分析的新方法

时间：2025年5月15日

来源：Ecological Informatics

编辑推荐：

本研究针对海洋声景监测中异常事件识别和趋势预测的难题，创新性地将iForest异常检测算法与NeuralProphet、NHiTS、TiDE三种深度学习模型相结合，首次实现了对台湾海峡10-500 Hz（船舶噪声）、500-3000 Hz（鱼类声学活动）和3000-24,000 Hz（虾类声学活动）三个频段声压级（SPL）的7天预测（MAE最低达0.4-1），发现NHiTS模型在中高频段预测性能最优（R>0.9），为海洋生态系统保护提供了动态监测新范式。

海洋环境正面临气候变化和人类活动的双重威胁，而声景监测作为评估海洋生态健康的重要手段，却长期面临两大技术瓶颈：一是台风、寒潮等极端事件导致的声景异常难以捕捉，二是声景的复杂时空模式使传统预测方法效果不佳。台湾海峡作为重要航运通道和生物栖息地，其声景同时受船舶噪声（10-500 Hz）、鱼类（500-3000 Hz）和虾类（3000-24,000 Hz）生物声学活动的多重影响，亟需建立智能化的预测体系。

研究人员创新性地构建了"检测-分析-预测"三级研究框架。首先采用无监督学习的孤立森林（iForest）算法识别异常事件，发现低频段（10-500 Hz）75%的异常由台风和寒潮引发，而中高频段异常多源于生物声学行为突变。进而将异常信息输入NeuralProphet模型，成功捕捉到声压级（SPL）的年际趋势变化（与SSA分析相关性R=0.72-0.89），揭示秋季（9-11月）是鱼类声学活动的关键转折期。最后对比三种深度学习模型发现，神经分层插值（NHiTS）在7天预测中表现最优，中频段平均绝对误差（MAE）仅0.4-1，显著优于时间序列密集编码器（TiDE）和NeuralProphet。

关键技术包括：1）SM3M水听器阵列的连续被动声学监测（PAM）；2）MATLAB的PAMGuide工具箱处理1秒汉宁窗声压级；3）Optuna自动优化深度学习超参数；4）24小时滑动平均去噪。

【异常检测】iForest算法在低频段实现80%的F1值，精准定位17次台风事件导致的SPL突增，但中高频段因生物声学行为复杂性出现50%假阳性。

【趋势分析】NeuralProphet模型成功量化季节更替对生物声学的影响，显示鱼类声学活动在6月达峰（SPL~110 dB），而虾类活动在9月出现断崖式下降（ΔSPL>8 dB）。

【预测性能】NHiTS凭借多速率采样机制，在500-3000 Hz频段实现R>0.97的预测精度，但10-500 Hz频段因人类活动随机性导致MAE高达4-8。

该研究开创了深度学习在海洋声景预测的先河，其重要意义在于：1）构建的异常检测-趋势预测联动框架可预警台风等极端事件对海洋生物的影响；2）证实NHiTS模型对周期性生物声学活动的预测优势；3）为建立声景驱动的海洋生态健康评估体系提供算法支撑。未来需在复杂声景（如多物种声学重叠区）验证模型泛化能力，并开发融合环境因子的混合预测模型。