天还未亮，霸王岭海南长臂猿的鸣声已经穿过树冠，传至数公里外，而动物本身仍隐在密林之中。长期以来，监测人员一直借这些鸣声判断它们的位置。中国国家林业和草原局在 2026 年 6 月通报，现存种群已增至 44 只，分属 7 个社会群体；一套结合人工巡护、声学录音机、红外相机与热成像设备的监测体系，持续支持着种群保护工作。[5]

2026 年 6 月 30 日发表的一篇论文进一步追问，模型能否从声音里提取更具体的信息：除了听出“有一只长臂猿在鸣叫”，还要辨明鸣叫来自哪个社会群体。论文报告，一个带时间层的卷积神经网络在接收由 10 个 1 秒叫声片段组成的有序序列时，对三个已知群体的识别达到 95.24% 的平均准确率。在另一项类别均衡的配对测试中，相似度模型用两个群体训练，而每一对样本里可以有一个来自第三个训练时未见的群体，最终准确率为 64.89%。[1]

两项分数所描述的运行条件不同，彼此没有冲突。第一项说明模型可以识别一个小型固定目录里的声音；第二项是在样本对已经构造完成之后，测试模型能否判断同群或异群，距离端到端的新群体预警仍有一段距离。合在一起看，这些结果支持研究已知种群内的辅助监测用途，也把 95.24% 的高分限定在封闭集识别范围内，无法延展成自动发现能力。公开数据的划分又带来另一项要求：进入部署之前，需要先完成一次划分清楚的重跑。

标签对应社会群体，与物种或个体识别分属不同层级

2026 年这项研究位于一条逐步推进的技术线上。早期工作先把第一道筛选自动化，从漫长的森林录音中找出海南长臂猿叫声。2021 年的一款分类器在测试中把一段 8 小时录音平均筛到 22 分钟，交给人工复核；在总计 72 小时的测试音频里，它没有漏掉任何完整的鸣叫回合。[3] 2024 年的一套系统随后利用雄性长臂猿的声音特征识别已知个体，并标出未知个体，显示被动声学监测可以追踪个体扩散与迁入。[4]

社会群体识别处在另一个层级。保护团队绘制领地、追踪个体扩散与新群体形成，以及记录成员或种群数量变化时，持续跟踪的单位正是群体。这个单位本身也在变化。年轻成年个体会离群扩散，出生和死亡会改变成员组成，而同一个群体标签可以延续得比实际参与合鸣的那一组动物更久。[1][5]

新基准使用了 98 段各长 8 小时的录音。录音采集于 2015 年 6 月 16 日至 2016 年 8 月 10 日，来自海南热带雨林国家公园霸王岭分局的 B 群、C 群和 D 群。人工标注员划出了 7,958 个叫声短语的起止位置，这些短语随后被切成 32,706 个互不重叠的 1 秒片段。[1]

地面真值的来源值得细看。研究人员把录音机安放在据已有观察只有一个群体鸣叫的地点，再将设备捕捉到的每一声叫声归给附近群体。这种从野外条件推导的标签有现实依据，但也把身份与领地及录音位置耦合起来。因此，这项基准检验的是群体声音特征能否跨越来自这些已知领地的不同录音文件而保持稳定。至于群体迁移、成员组成改变，或换一处地点使用新硬件录音之后，身份特征能否原样迁移，现有实验尚未证明。

有序叫声上下文越丰富，识别越准确

最清楚的技术结果来自有序上下文的增加。在封闭种群任务中，深度模型只接收一个 1 秒片段时，准确率为 79.54%。输入增加到 5 个有序片段后，准确率升至 92.87%；10 个片段则达到 95.24%，论文报告的 95% 置信区间为 91.50%–97.91%。如果分别分类 10 个 1 秒片段再按多数票决定结果，准确率为 92.72%；直接在序列上训练的 CNN-LSTM 表现更好。[1]

结果显示，增加有序的声音上下文确有帮助；基准实验还没有把增益的具体来源逐项分离。输入约定也比“10 秒森林录音”更窄：头部成绩对应一组按顺序排列的 10 个 1 秒片段，这些片段取自人工标出的长臂猿叫声短语。原始录音允许这 10 个片段彼此分散，输入条件只要求保留顺序。

作者还做了一项有用的混杂因素检查，用同类分类器训练各群体录音区域里的背景噪声片段。表现最好的深度模型按群体分类背景声时，准确率为 42.17%，远低于叫声任务的 95.24%，也更接近多数类随机基线 33.3%。这一对照支持声音特征贡献了大部分识别分数的解释，单靠森林环境声产生的影响较小。[1]

这项检查仍未覆盖全部站点泄漏风险。背景声的分类成绩依旧高于随机水平，录音机、微生境与领地也都来自同一片景观。更严格的迁移测试还应同时更换群体与录音条件：完整留出一个群体及其设备和较晚季节的数据，再在零重新校准条件下评估。

“开放种群”包含两种迥然不同的测试

论文还把识别重新表述为一个配对问题：两组序列是否来自同一社会群体？当全部三个群体都进入权重训练时，表现最好的 5 片段相似度模型达到 90.70% 的平均准确率。这种设计依据相似度作答，省去了从三个固定类别名称中选出一个的步骤，因此被称为开放种群架构。[1]

架构名称本身无法把证据范围扩展到开放世界。在一项单独测试中，研究人员用 B 群和 C 群训练权重，然后比较同群的 D–D 样本对与异群的 B–D、C–D 样本对。表现最好的 10 片段模型在熟悉群体的样本对上达到 94.46%，样本对包含 D 群时则为 64.89%；这项测试的匹配与不匹配样本数量均衡，随机基线为 50%。召回率保持得比精确率更好：不少被模型判为匹配的样本对，实际属于不同群体。[1]

这是一项配对匹配的域泛化测试，与端到端发现试验仍有距离。系统接收的是预先标注并按 50:50 配平的样本对；连续音频中搜寻罕见叫声、估计未知群体数量，以及适应未知群体在自然条件下的实际出现比例，都在此次测试范围之外。

这种错误分布会直接影响实际监测。一次错误匹配会把真正的新群体归入已有群体，恰好遮住系统原本要揭示的种群变化。64.89% 仍然表明，有一部分可学习的信号能够泛化到训练时未见的群体。现有成绩还不足以充当安全的自动闸门，直接判定远隔两地的叫声属于同一个家庭单位。

限制既来自算法，也来自数据条件。只有三个群体积累了大规模声学数据，以两个群体作为群体差异的训练样本，相似度网络很难充分学习“另一个海南长臂猿群体”会呈现哪些声音形态。社会成员更替还会造成漂移：雄性离群扩散或成员被替换后，声音会改变，野外团队沿用的群体名称却保持不变。[1] 小种群让监测更为迫切，也限制了传统基准能够达到的规模。

开放数据暴露出文件划分问题

项目公开了代码、样例数据和完整声学数据集，提高了结果的可核查性。论文的数据可用性声明链接到软件归档；Zenodo 数据集则提供原始录音、短语级和片段级标注、预定义划分，以及用于封闭种群和开放种群实验的数据包。[1][2] 与只有一张结果表、底层音频保持私有的研究相比，这一成绩更便于检查。

第一处差异体现在数量上。论文报告共有 98 个文件归属记录，分布为 B=35、C=24、D=39。2026 年 6 月 24 日发布的 Zenodo v2 公开说明则列出 97 段原始录音，分布为 B=36、C=24、D=37。[1][2]

进一步检查公开的片段标注 CSV，可以看到影响更大的问题。一条 D 群录音 ID 同时出现在训练集和测试集，另一条则同时出现在训练集和验证集。三个文件分别包含 56、20 和 22 个唯一录音 ID，合并后的并集却只有 96 个。因此，公开划分存在录音交叉；论文描述的方法则把完整音频文件分配到训练、验证和测试中的单一分区。[1][2]

报告模型运行与这批后来归档文件之间缺少哈希绑定，因此，现有证据无法判断该次运行是否使用了公开 CSV。公开数据包本身也无法独立把 95.24% 确立为一次干净的留出基准结果。在把这个数字视为已复现证据之前，研究者需要核准文件清单，并重新运行实验，确保每一段源录音只进入一个分区。[1][2]

数据年代同样重要。录音采集于 2015–2016 年，而官方统计到 2026 年时，海南长臂猿已经增至 7 个社会群体。[1][5] 这 10 年间发生的出生、死亡、扩散、栖息地治理和设备变化，需要进入声音身份系统的主要评测范围，并构成下一个评估域。

部署目标是专家复核队列

论文提出的部署方案以人为中心，与证据范围相称。在封闭集任务中，将接受阈值提高到 0.99 后，系统保留了 90.5% 的预测，准确率达到 98.1%，其余结果转交人工核验。[1] 在基准覆盖的已知群体条件下，这项结果有望减少工作量。对未见群体或当代野外音频，同一置信度是否仍有良好校准，实验尚未覆盖。

因此，野外试验需要衡量完整的监测流程，评测范围要超出序列准确率：

1. 更新群体目录。 使用多台设备，在多个季节和位置录下当前全部 7 个群体，并由野外观察确认群体身份。
2. 完整留出目标事件。 训练时排除一个完整群体，同时报告错误匹配、漏掉的新群体预警与校准结果，让评测范围超出均衡样本对准确率这一项指标。
3. 测试时间漂移。 用较早月份的数据训练，再以较晚发生的出生、死亡或扩散事件测试，保持真实系统面对的时间顺序。
4. 评估人工交接。 测量系统筛去多少小时的音频、专家需要复核多少个候选匹配，并核查是否遗漏任何已经确认的群体事件。

模型的价值可以来自一体化流程。较早的叫声检测器先缩小原始音频的人工复核范围，群体模型再对匹配候选排序，把不确定或新出现的叫声交给熟悉当地地形的监测人员。[1][3] 官方监测体系已经把声学识别作为其中一层，与相机、热成像设备和长期野外观察配合使用。[5] 如果结果能够经受住一次录音文件完全互斥的重跑，它最合适的角色也与这套体系一致：先对熟悉群体作初步辨认，同时把疑似新群体的样本保留在专家队列中。

来源

1. Emmanuel Kabuga 等，《Passive Acoustic Identification of Social Groups in the Hainan Gibbon》，Remote Sensing in Ecology and Conservation（2026 年 6 月 30 日首次发表；方法、结果与部署边界）。
2. Emmanuel Kabuga 等，《Acoustic recordings of three Hainan gibbon social groups for machine learning and deep learning analyses》，Zenodo，版本 2（2026 年 6 月 24 日；原始音频、标注与实验划分）。
3. Emmanuel Dufourq 等，《Automated detection of Hainan gibbon calls for passive acoustic monitoring》，UCL Discovery / Remote Sensing in Ecology and Conservation（2021 年；叫声检测基线与人工复核流程）。
4. Zi-di Wang 等，《In the songs of Hainan gibbons: Automated individual dynamic monitoring from acoustic recordings》，Biological Conservation 294（2024 年 6 月），110634。
5. 国家林业和草原局，《海南长臂猿种群增至7群44只》（2026 年 6 月 8 日；当前群体数量与野外监测流程）。
6. 中国新闻网，《镜头下的珍稀面孔：海南长臂猿的“空中”生活》（2025 年 8 月 15 日；李文永拍摄的霸王岭分局照片）。