声学监测的背景噪声和识别阈值，论文怎样报告？

没识别出声音有两种解释

被动声学监测用录音器长期记录环境，再由人工或算法识别目标物种的叫声。某段录音没有检出，可能是动物没有发声，也可能是雨、风、虫鸣或车辆声盖住了叫声。投稿若只报告“某地检出次数较少”，却不说明有效录音时长和背景噪声，读者无法判断是生态差异还是探测能力差异。方法段应写设备、麦克风、采样率、安装位置、录音时段和设备故障造成的缺口。

噪声要按时地展示

雨季、道路附近与林内的声景不同，同一阈值在各点的误报和漏报可能不同。可按站点和时间段汇总噪声水平、被排除的录音比例，以及极端噪声时是否暂停识别。若先做降噪，写明算法、参数和是否可能同时削弱目标叫声。原始声学监测研究表明背景噪声会影响指数和检测模型，因此“所有音频统一处理”并不等于所有地点的可探测性相同。

阈值调高，漏报也可能增加

分类器可能给每个候选声音一个分数，超过阈值才算检出。阈值提高通常会减少误报，却可能漏掉较远或较弱的叫声。稿件要说明阈值从哪里来，是训练集、独立验证集还是人工经验；不能用最终研究区的结论反复调阈值，再把结果称作独立检验。按物种分别设阈值时，列出规则和验证样本量，别让稀有物种的门槛隐藏在软件默认值里。若训练录音来自安静地点而目标地点多风，还应说明验证数据是否覆盖这种环境变化。

人工复核怎样抽样

可从高分、临界分和低分片段中抽取样本，由熟悉物种声音的人复核，报告误报和漏报。只复核模型判为阳性的录音，无法估计被漏掉的叫声；抽样检查一部分阴性录音才更完整。多名复核者意见不一致时说明裁决规则。对于无法人工确定的复杂噪声片段，不宜强行标成某物种或绝对阴性，应保留“不确定”类别及其数量。

结果按有效努力解释

报告每站有效录音小时数、候选片段数、最终确认数和阈值敏感性分析。若某站长期噪声很高，低检出率不一定代表低活动；可以在可比的安静时段重算，或明确结论只适用于当前声学条件。保存原始音频、检测版本和复核记录，让读者能区分生物信号与算法判断。声学监测的价值在于扩大时间覆盖，但稿件仍要让“听不到”与“没有”保持不同含义。

参考信息：被动声学监测原始方法研究、噪声影响研究与NOAA声学推断资料。