(一)、資料分析流程
本研究的資料分析流程如圖 3所示。首先針對每一個樣點每日完整
錄音與整年間隔錄音所錄製的每一分鐘聲音檔案，使用左聲道音檔計 算上述 6 種聲音指數 (圖 3 A-1,A-2,B，詳見本章第三節「聲音指數」)。
將整體聲景做為分析的對象，依不同錄音取樣方法對前步驟所得之每 分種聲音指數數值進行取樣 (圖 3 C,D-1,D-2)，此步驟所謂不同錄音取 樣方法，包括最密集完整的錄音方式以及降低頻度與覆蓋率的其他錄 音方式 (詳見本節第二段「長期聲景監測的錄音取樣方式」)。接下 來以每日為單位，針對每一個聲音指數，計算該日所有指數值之 5 個百分位數 (P5、P25、P50、P75、P95；圖 3 E-1,E-2) ，此步驟所得之 5 x 6 指數矩陣 (6 種聲音指數各 5 個百分位數)視為每日聲景特徵值。
過去多數研究採用中位數或平均數做為眾多聲音指數數值的單一代 表數值 (Fuller et al., 2015; Jorgea et al., 2018; Pieretti et al., 2015)。本 研究除中位數（P50）外，新增第 5（P5）、第 25（P25）、第 75（P75） 與第 95（P95）百分位數等 4 個百分位數，使聲景特徵值的面向更完 整。最後利用 bootstrapping 隨機抽取日期，比較各錄音取樣方式與最 密集完整之錄音方式間是否具有聲景特徵值的顯著差異 (詳見本節 第三段「指數百分位數差值之機率分佈」；圖 3 F)。得到各取樣方法 的取樣代表性後 (圖 3 G)，分析錄音頻度與覆蓋率對取樣代表性的影 響 (圖 3 H)。
整個分析流程重複適用在不同季節、棲地、聲音群集 (詳見本節第八 段「(八)、錄音覆蓋率與錄音頻度對取樣代表性在特定聲景下的影響」) 等特定資料組 (圖 3 I-1,I-2)，以得到不同特定聲景下最佳的長期聲景 錄音取樣方式。
21 bootstrapping 重複抽取 1000 次與錄音總日數相等之隨機日期，每次抽取後計算平均
值。檢定此 1000 筆差值平均值的 95%機率分佈是否等於零
22
23
每一次的 bootstrapping 都是比較單一聲音指數的單一百分位數在最 密集錄音資料與其他錄音取樣方法間是否具有顯著差異，為了使每一 次 bootstrapping 的取樣是在比較同一日的差異，因此在計算出每日指 數百分位數值 (P5、P25、P50、P75、P95)後，各錄音取樣方法直接與同 一日最密集錄音的指數百分位數相減，以此步驟控制是在同一天下得 到錄音取樣方法間指數百分位數的差值 (圖 3 F)。
24
在整年間隔錄音資料中，我運用整年 365 天的監測資料比較一整年下 錄音取樣方法間的差異，因此每一次進行重複取樣時，樣本數為 365 個指數百分位數差值；如果是運用每日完整錄音資料分析時，由於資 料總數日數為 50 天，因此每一次重複取樣樣本包括 50 個指數百分位 數差值 (圖 3 F)。
最後以 365 個或 50 個指數百分位數差值的平均值，做為該次重複取 樣樣本的統計值 (圖 3 F)。Bootstrapping 重複 1000 次後，獲得 1000 個指數百分位數的平均差值，形成差值機率分佈 (圖 3 F)。若一錄音 取樣方法與最密集完整錄音方法間沒有指數數值的差別，我預期該指 數百分位數平均差值為零，亦即前述差值機率分佈之 95%區間應包含 零。反之，若差值機率分佈之 95%區間低於或高於零，表示該錄音取 樣方法與最密集完整錄音方法間有指數數值的差別。
(六)、取樣代表性
重複上述 bootstrapping 步驟，完成 6 個聲音指數的 5 個百分位數，統 計各錄音取樣方式與最密集完整錄音方法沒有顯著差異的總數，在所 有聲音指數的所有百分位數皆沒有顯著差異時則達到最大值 30，將 此差異總數除 30 使數值介於 0-1 之間後，此數值即為「與最密集錄 音一致的比例」或「與最密集錄音方法沒有顯著差異總數的比例」，「一 致的比例」愈高就代表該錄音取樣方法越具有取樣代表性，此研究皆 以此判斷各聲景資料下，各取樣方法取樣代表性的高低 (圖 3 G)。
(七)、錄音頻度與覆蓋率對錄音取樣方式代表性的影響
分析錄音頻度與錄音覆蓋率對錄音取樣方式代表性的影響。在同樣的 錄音覆蓋率下，錄音頻度與錄音長度 (每次錄音的長度)是兩個相互 影響的因子 (表 4)，因此本研究統一以錄音頻度簡稱此兩因子共同對 錄音取樣方式代表性的影響 (圖 3 H)。
25
1. 錄音覆蓋率的影響
每日完整錄音資料與整年間隔錄音資料皆擁有 6 種錄音覆蓋率。在 每日完整錄音資料中將 16 種錄音取樣方法依錄音頻度分成三組 (表 4)，頻度分別是 1 次、2 次與 3 次以上，控制同樣的錄音頻度，
用「取樣代表性」 (圖 3 G) 的高或低判斷不同錄音覆蓋率對取樣 代表性的影響。在整年間隔錄音中，6 種錄音取樣方法分別具有 6 種錄音頻度與 6 種錄音覆蓋率，因此，無法控制其中一項固定比較 另一項因子的影響，因此我僅評估錄音覆蓋率對取樣代表性的影 響。
2. 錄音頻度的影響
每日完整錄音資料的 16 種錄音取樣方法中，共有 5 種錄音覆蓋率，
各擁有 3 種錄音頻度。我控制同樣的錄音覆蓋率，以不同的錄音頻 度之錄音取樣方法所具有的「取樣代表性」的高或低，判斷錄音頻 度對取樣代表性的影響。
(八)、錄音覆蓋率與錄音頻度對取樣代表性在特定聲景下的影響
除了針對整體聲景的分析外，我也依照棲地、季節與聲音群集分別定 義 3、4 和 3 個特定聲景，並針對各特定聲景進行與整體聲景相同的 分析 (圖 3 D-H)。
特定棲地聲景依錄音的樣點做分類，分為濕地、天然林、人工林三種 棲地聲景，各單一棲地的聲景皆會包含跨季節與跨聲音群集的資料，
每日完整錄音資料與整年間隔錄音資料皆會進行此分析。
特定季節聲景是以臺灣地區月均溫作為分類依據，將最冷月 1 月作為 冬季的中間月份，劃分為 12、1、2 月為冬季，3、4、5 月為春季，6、
7、8 月為夏季，9、10、11 月為秋季，各單一季節的聲景皆會包含跨 棲地與跨聲音群集的資料，由於每日完整錄音資料只收集 5 個月，因 此只有整年間隔錄音資料會進行此分析。另一方面，由於每一季節總 數約為 90 天，因此 bootstrapping 重複取樣的樣本數會調整每一次取 樣為 90 天的單一指數百分位數的差值。
26
特定聲音群集聲景是指聲景在每日時間尺度中的不同時段，因為不同 時段具有不同發聲物種群聚，影響該時段聲景特徵，此定義乃參考 Farina 的分類 (Farina & James, 2016)，以 R 套件 suncalc (version 0.5.0) (Thieurmel & Elmarhraoui, 2019)與 GPS 座標資訊得到日出日落時間 點，設定黎明與黃昏的時間分別為日出與日落前後 1.5 小時 (Eldridge et al., 2016; Leach et al., 2016)，定義為暮光群集，白天時段則為日光 群集，夜晚時段則為暗夜群集，各個時間段彼此錯開不重疊，但會因 每日日出與日落時間不同而使每日暗夜群集與日光群集每日時間的 總長度不同，而暮光群集每日都是固定為 6 小時。各單一聲音群集的 聲景皆會包含跨棲地與跨季節的資料，每日完整錄音資料與整年間隔 錄音資料皆會進行此分析。
圖 4、聲音群集在每日時間尺度上的分布圖。
將聲音群集依黎明與黃昏分成三大時間段，分別是暗夜群集 (nocturnal community)、暮光群集 (twilight community)與日光群集 (full light community) 三種。
27 年 8 月，每月收集 10 日，分別自 4/19、5/10、6/10、7/11、8/10 的 00:00:00 開始，在三個樣點資料收集比例皆為 100%，共錄製 720 個錄音檔，每一