運用聲音指數探討長期聲景監測的取樣方法

全文

(1)國立臺灣師範大學理學院生命科學系碩士論文 Department of Life Science College of Science National Taiwan Normal University Master Thesis. 運用聲音指數探討長期聲景監測的取樣方法 Temporal Sampling Schemes of Long-term Soundscape Monitoring with Acoustic Indices. 張博翔 Po-Hsiang Chang 指導教授：李佩珍博士 Advisor： Dr. Pei-Jen Lee Shaner 端木茂甯博士 Dr. Mao-Ning Tuanmu. 中華民國 109 年 1 月 January 2020.

(2) 誌謝本論文的完成首先要感謝兩位指導老師，李佩珍老師與端木老師，在我論文研究期間給予大量的建議與鼓勵，同時指導我參與許多研討會，並提供許多研究資源，讓我學習到豐富的知識，在此致上最誠摯的謝意。再者感謝口試委員陳一菁老師與丁宗蘇老師，在口試期間給予我許多具體的建議，使此論文更趨完整。其次，感謝鈴惠與懿洲時常與我出差，以及關渡公園家荷多次的協助，使資料可以順利的收集。感謝師大 A315 研究室的冠勛、家绣、家豪、玉靜，給予我許多研究上的回饋；也感謝中研院生多中心 C208 研究室的俊嘉、佩妤、冠伃、亞融、佳紜、明淵、Tuan、Ian、緯毅、寧芝、謝嘉、賈媛、陳友，給予此研究許多的想法與出差上的支援，陪我度過許多風風雨雨，也豐富了我的研究所生活。最後，感謝所有曾經幫助過我的人，感謝老師的指導，感謝家人的支持。. I.

(3) 摘要聲景生態學在最近的十年蓬勃發展，關注在地景上聲音的組成，用以討論人為聲音的干擾和生物聲音多樣性隨時間改變等議題，提供另一種在生物群集尺度監測多樣性改變、自然擾動與人為影響的可能。由於近幾年錄音工具的快速發展，促使長期且大量收集聲景錄音的研究漸漸增加，也陸續證明聲景在生物群集的層級上能有效反映生物多樣性的變化。然而，長期監測的聲景研究間，並未有一致的錄音方法，且愈來愈大量的錄音資料在儲存與分析所需的軟、硬體資源上皆造成負擔。因此，本研究希望藉由臺灣北部聲景一整年的監測資料來找出最具有成本效益的錄音取樣方法，並探討錄音頻度與錄音覆蓋率對錄音取樣代表性的影響。我選定關渡濕地、陽明山天然林與東眼山人工林三種棲地樣點，架設 SM4 自動錄音機，自 2018 年 7 月到 2019 年 6 月每 3 分鐘取樣錄音 1 分鐘收集整年聲景監測資料，同時從 2019 年 4 月到 8 月收集每個月各十天的每日完整的聲景錄音。此研究以六種聲音指數數值在每日尺度下的五個百分位數（第 5、25、50、75 和 95 百分位數）量化每日聲景特徵，再分別比較利用 19 種錄音取樣與利用最密集錄音所量化得到的聲景特徵間的差異，評估各錄音取樣方法的代表性。我先計算每分鐘錄音檔的六種聲音指數，並在不同錄音取樣方法下計算各指數的各百分位數，再藉由 bootstrapped resampling 的方法，以單一指數的單一百分位數在各取樣與最密集錄音間的差異為重取單位，以一千次重取平均值的九十五信賴區間與 0 重疊與否，判斷各錄音方法和最密集錄音之間的聲景特徵量化結果是否一致。最後以 30 個指數百分位數（6 個指數 x 5 個百分位數）中結果一致的數量，作為錄音取樣方法代表性的測量值，再分析取樣代表性隨錄音覆蓋率與錄音頻度的變化情形。除了整體的聲景比較外，我也分別針對單一棲地、季節，以及聲音群集的聲景進行相同的分析。整體聲景的研究結果顯示，隨錄音覆蓋率的降低， II.

(4) 錄音取樣的代表性愈低，每小時錄音 1 次的錄音頻度相對較佳。在特定棲地、季節或聲音群集的聲景分析中，錄音覆蓋率愈高則取樣代表性有愈高的趨勢，而錄音頻度在各特定聲景間沒有一致的影響。各取樣方法的代表性在單一季節中較跨季節要高；在單一聲音群集的聲景，則不比跨群集分析擁有較高的代表性；單一棲地則與跨棲地相似。雖然很多因素可能影響長期聲景監測之錄音取樣方法代表性，本研究建議應避免過低的錄音覆蓋率，愈高的錄音覆蓋率原則上愈具聲景代表性，但為有效利用資源，可考量對監測目標之聲景進行前測，並在短期前測中考量季節的影響，避免單一季節的前測低估長期、跨季節監測下的最佳覆蓋率，在聲景資料收集、儲存、分析、研究或管理目標取捨下，找出符合一個地區的最佳錄音覆蓋率與錄音頻度。本研究透過長期且系統性的資料收集，發展具代表性錄音取樣的測試方法，找出長期聲景監測錄音取樣方法的代表性、提供特定聲景監測下的取樣建議，將有利於未來長期且自動排程錄音的聲景監測工作。. 關鍵字：聲音指數、長期監測、錄音取樣方法、錄音覆蓋率、排程錄音. III.

(5) Abstract Soundscape ecology, which studies the composition of sound at landscape scale, has flourished in the last decade. Soundscape research focuses on potential impacts of anthropogenic noise as well as temporal change of biological sound. At the community scale, soundscape provides another dimension of biodiversity and is useful in tracking biodiversity changes due to natural disturbances and human influences. With the rapid development of recording tools in recent years, it is becoming easier to conduct long-term soundscape projects, which generate big data. Such data has allowed researchers to demonstrate that soundscape metrics can be effective in monitoring biodiversity changes. At the same time, it also poses two challenges: 1) recording methods often vary among projects, making comparasion or synthesis difficult; and 2) the increasing amount of data demands more funds and manpower for storage and analysis. This study aims to find the most cost-effective temporal sampling schemes based on a full-year soundscape data set in northern Taiwan. The cost-effectiveness is evaluated by the ability of a given recording frequency and/or recording coverage (i.e. temporal sampling scheme) to represent the soundscape characterized with the full-year data set. I included three habitat types in this study: a wetland (Guandu), a natural deciduous forest (Yangmingshan National Park) and a tree plantation (Dongyanshan Forest Recreation Area). I collected the full-year data by recording 1 minute for every 3-minute interval from July 2018 to June 2019. In addition, I also collected near-complete coverage data for 10 days each month from April to August 2019. Daily soundscape was characterized using six acoustic indices, each with their five percentiles (5th, 25th, 50th, 75th, and 95th IV.

(6) percentiles). A total of 19 temporal sampling schemes were evaluated. Each acoustic index was calculated based on 1-minute recording, which gives many index values for a given day. For each day,. the five percentiles of each index were then calculated. from those 1-minute values. Therefore, a total of 30 index percentiles (6 indexes x 5 percentiles) can be generated daily for each of the 19 temporal sampling schemes, as well as for the full-year and near-complete data sets. The difference in each index percentile between a given temporal sampling scheme and the full-year (or near-complete coverage) data was calculated for each day. The daily differences for a given index percentile were bootstrapped to estimate its 95% confidence interval. If the 95% confidence interval includes zero, the index percentile is treated as being significantly different between a temporal sampling scheme and the full-year (or near-complete coverage) data. The percentage of the 30 index percentiles that are not significantly different from the full-year (or near-complete coverage) data is used as a measure of the representativeness. In addition to the pooled data (pooled across all habitats, seasons and acoustic communities), I also performed the same analysis on specific soundscapes of a single habitat, season, and acoustic community. The results suggest that soundscape representativeness decreased with reduced recording coverage of a given temporal sampling scheme, and the once per hour recording frequency yielded high representativeness. For the analyses on specific soundscapes, the representativeness also decreased with reduced recording coverage, but recording frequency did not have a consistent effect on the representativeness. The representativeness was generally higher in single-season analyses than in pooled-season analysis across all sampling schemes. On the other hand, for the analyses of a single acoustic community or a single habitat, the representativeness across all sampling schemes was similar to that of pooled-data (pooled across all acoustics communities or all habitats) analyses. V. The findings of this study suggests.

(7) that low recording coverage should generally be avoided. Furthermore, it is recommended that a pre-testing protocol be implemented prior to a long-term soundscape monitoring project, particularly for correcting potential underestimation of recording coverage that was determined based on a single-season data. The most cost-effective temporal sampling scheme (i.e. recording coverage and recording frequency) for any given study will ultimately be a balance between research/management goals and logistic constrains. This study demonstrated how a pre-testing can be done to find the most representative sampling scheme for long-term soundscape monitoring, and where the same acoustic indices as I used here are involved, the representativeness of the temporal sampling schemes evaluated in this study might be highly applicable.. Keywords: acoustic index, long-term monitoring, temporal sampling schemes, recording coverage, programmable recording. VI.

(8) 目錄誌謝................................................................................................................................ I 摘要............................................................................................................................... II Abstract ........................................................................................................................IV 目錄............................................................................................................................ VII 表目錄..........................................................................................................................IX 圖目錄..........................................................................................................................IX 第壹章緒論.................................................................................................................. 1 第貳章研究材料與方法.............................................................................................. 8 第一節、研究地點.............................................................................................. 8 第二節、聲景資料收集.................................................................................... 11 (一)、錄音設備、設定與儲存 ................................................................. 11 (二)、聲景監測 ......................................................................................... 12 第三節、聲音指數............................................................................................ 12 (一)、聲音複雜度指數 (Acoustic complexity index, ACI) .................... 13 (二)、生物聲音指數 (Bioacoustic index, BI) ......................................... 14 (三)、聲音多樣性指數 (Acoustic diversity index, ADI) ........................ 14 (四)、聲音均勻度指數 (Acoustic evenness index, AEI) ........................ 15 (五)、標準化聲景指數 (Normalized Difference Soundscape Index, NDSI) ....................................................................................................... 15 (六)、聲音熵值 (Acoustic entropy index, H) .......................................... 16 (七)、聲音指數計算的參數設定 ............................................................. 17 第四節、資料分析............................................................................................ 20 (一)、資料分析流程 ................................................................................. 20 (二)、定義整體聲景 ................................................................................. 22 (三)、長期聲景監測的錄音取樣方式 ..................................................... 22 (四)、每日百分位數值 ............................................................................. 23 (五)、指數百分位數差值之機率分佈 ..................................................... 23 (六)、取樣代表性 ..................................................................................... 24 (七)、錄音頻度與覆蓋率對錄音取樣方式代表性的影響 ..................... 24 (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 ..... 25 第參章研究結果........................................................................................................ 27 第一節、錄音檔錄製狀況................................................................................ 27 第二節、錄音取樣方式的代表性.................................................................... 28 (一)、錄音覆蓋率的影響 ......................................................................... 28 (二)、錄音頻度的影響 ............................................................................. 31 (三)、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 ..... 31 VII.

(9) 第肆章討論................................................................................................................ 35 第一節、錄音覆蓋率........................................................................................ 35 第二節、錄音頻度............................................................................................ 36 第三節、特定聲景............................................................................................ 36 第四節、聲音指數............................................................................................ 39 第五節、成本效益............................................................................................ 41 第六節、研究限制與未來研究方向................................................................ 42 第七節、長期聲景監測之建議........................................................................ 44 第伍章結論................................................................................................................ 45 參考文獻...................................................................................................................... 46 附錄.............................................................................................................................. 59. VIII.

(10) 表目錄表 1、文獻回顧-被動式聲音監測的錄音取樣方法。 .......................................................... 5 表 2、研究樣點基本資訊。 ................................................................................................. 10 表 3、各指數首次提出與近 10 年運用於聲音調查與監測之文獻回顧。 ....................... 18 表 4、不同錄音取樣方式與對應的錄音覆蓋率與錄音頻度。 ......................................... 23 表 5、此研究完成收集的長期聲景監測檔案總數。 ......................................................... 27 表 6、各聲景的錄音覆蓋率與錄音取樣代表性 (使用整年間隔錄音資料)。 ................. 29 表 7、各聲景的錄音覆蓋率與錄音取樣代表性 (使用每日完整錄音資料)。 ................. 30 附錄表 8、聲音指數在此研究計算時的參數設定。 ....................................................... 59 附錄表 9、不同百分位數組合在各錄音覆蓋率的取樣代表性。 ................................... 60 附錄表 10、不同聲音指數在各錄音覆蓋率的取樣代表性。 ......................................... 60. 圖目錄圖 1、過去二十年聲音監測與聲景相關文章總數。........................................................................... 5 圖 2、研究樣點分布位置圖。 ............................................................................................................ 10 圖 3、統計分析流程圖。 .................................................................................................................... 21 圖 4、聲音群集在每日時間尺度上的分布圖。 ................................................................................ 26 圖 5、整體聲景的錄音頻度與錄音覆蓋率對錄音取樣代表性之影響 (使用每日完整錄音資料)。 ...................................................................................................................................................... 28 圖 6、整體聲景的錄音覆蓋率對錄音取樣代表性之影響 (使用整年間隔錄音資料)。 ................ 29 圖 7、各聲景的錄音覆蓋率對錄音取樣代表性之影響 (使用整年間隔錄音資料)。 .................... 32 圖 8、各聲景的錄音頻度與錄音覆蓋率對錄音取樣代表性之影響 (使用每日完整錄音資料)。 33 附錄圖 9、6 種聲音指數在各棲地、季節與聲音群集的盒狀圖。 ................................................ 62 附錄圖 10、6 種聲音指數在各棲地下各季節每小時的時間模式。 .............................................. 65 附錄圖 11、6 種聲音指數在各棲地每日的每日百分位數之時間模式。 ...................................... 68 附錄圖 12、6 種聲音指數在各特定聲景的 5 種每日百分位數盒狀圖。 ...................................... 70. IX.

(11) 第壹章緒論自二十世紀以來，生物多樣性正逐漸喪失 (Dornelas et al., 2014)，惟有透過長期的生物監測，才能夠了解生物多樣性時空的動態變化，以及造成此變化的驅動力 (Lindenmayer et al., 2015)，也才能給予保育政策制定與相關工作執行上重要的參考依據 (Honrado, Pereira, & Guisan, 2016)。生物監測的方法有很多種，包含直接觀察法、穿越線調查法、陷阱捕捉法、聲音調查法、自動相機法、植群調查法、設置氣味站 (哺乳類)與數巢法 (鳥類)等，其中藉由錄音調查的聲音監測，可以長時間部署且同時針對多個生物類群進行取樣，除了是一種非侵入性的調查方法外，同時也能夠有效率地調查一些不易觀察或捕捉，但時常發出聲音的生物類群 (sound-producing taxa)，因此能夠藉由長期的聲音資料反映生物多樣性長期的變化 (Gage & Axel, 2014)。聲音依人耳可以聽見的頻率範圍 (20Hz-20kHz)，分成聽得見的可聽域聲音 (audible)和聽不見的超低音波 (infrasound，也稱次聲波)與超音波 (ultrasound)，都可以用來進行聲音監測。鳥類、兩生類與昆蟲發出的聲音主要是在人耳可以聽見的頻率範圍，所以往往可以運用可聽域聲音進行監測 (Boelman, Asner, Hart, & Martin, 2007; Pieretti, Farina, & Morri, 2011)。對於發出人耳無法直接聽見的聲音的其他生物類群，例如會利用喉部振動發出頻率介於 10-20Hz 超低音波進行溝通的大象，或是會利用超音波回聲定位的海豚與蝙蝠，聲音監測同樣具有多樣的應用 (Hughes et al., 2010; Jones et al., 2013; Parijs, Smith, & Corkeron, 2002; Williams-Guillén & Perfecto, 2011; Wrege, Rowland, Keen, & Shiu, 2017)。聲音監測能用於評估生物的族群量 (Marques et al., 2013)，例如在小頭鼠海豚 (Phocoena sinus)長達四年的聲音監測中，估算的族群量每年減少 34%，也使政府做出對應的漁業政策 (Browning et al., 2017)。多數食蟲性蝙蝠的回聲定位叫聲具有種間獨特性，因此在聲音監測中更能獲得物種豐富度與族群豐度的資訊 (Barlow et al., 2015; Russo, Ancillotto, & Jones, 2017)。因此，在發聲物種中的聲音監測，於行為研究 (Greif, Zsebők, Schmieder, & Siemens, 2017)、動態分布 (Hagens, Rendall, & Whisson, 2018)、棲地利用 (Rayment, Webster, Brough, Jowett, & Dawson, 2018)、生物多樣性調查 (Pieretti, Martire, Farina, & Danovaro, 2017)、保育研究 (Meyer et al., 2010; Tigre et al., 2017)等領域皆能提供重要的資料。然而在一個自然環境中，聲音的組成不僅僅只有生物所產生的聲音，還包含著許多不同來源的聲音。Krause (1987)將所有環境中的聲音分類成生物聲音 (Biophony)、地理環境聲音 (Geophony)與人造聲音 (Anthrophony)三大來源，而他們共同在地景中形塑的時空動態則被稱為聲景 (Soundscape) (Pijanowski, Farina, Gage, Dumyahn, & Krause, 2011)。不同的地景擁有不同的生物組成、人 1.

(12) 為擾動與非生物因子等，造就聲景在時空分布上的多樣性。雖然「聲景」一詞早在 1969 年就由 Southworth 提出 (Southworth, 1969)，但當時主要是描述建築施工時的噪音如何影響民眾的活動；一直到 Pijanowski 在 2011 年才提出 soundscape ecology (Pijanowski, Villanueva-Rivera et al., 2011)，將聲景與生態學結合，同時整理了過去 40 年相關研究結果，提出整合性的聲景生態學組織架構和相關研究主題，使這個領域的定義、研究目標與未來發展更加完整。聲景生態學目前關注的是環境中所有聲音在一個地景中時空組成的變化，包含人為噪音對生物的影響、聲景間聲音來源比例的變化、從長期聲音中分離或提取重要的生物與環境資訊等等，是一個整合生物聲學、空間生態、地景生態與聲音生態學的研究領域 (Burivalova, Game, & Butler, 2019; Farina & Pieretti, 2012; Pijanowski et al., 2011; Slabbekoorn, 2018)。在最近的二十年，隨著聲景研究方法的快速進展，聲景相關的研究逐漸興起，其中以監測為主題的研究，能提供聲景長期的規律與動態資訊，與傳統聲音監測最大的不同是，聲景監測並不關注單一物種或類群的生物聲音，而是整個聲音檔案中頻率和響度的多樣性，以生物群聚的尺度了解生物多樣性在不同時空的變化 (Pijanowski et al., 2011)。以「acoustic monitoring」和「soundscape」為關鍵字用 Google scholar 搜尋文章標題的結果顯示，不僅聲音監測相關的文章在最近的二十年有明顯增加的趨勢，以聲景為標題的文章也在最近有明顯上升 (圖 1)。其他研究在 Google 與 Scopus 資料庫整理聲景相關的關鍵字或文章標題，也同樣發現文章發表逐年增加 (Aletta & Xiao, 2018; Lindseth & Lobel, 2018)。目前聲景監測的研究應用非常廣泛，像是監測森林大火造成的煙霧汙染對生物群聚的衝擊與回復 (Lee, Davies, & Struebig, 2017)、在美國境內 472 個保護區評估受人為噪音汙染的空間分布 (Tigre et al., 2017)、在城鄉梯度的多個樣點中了解聲音組成與地景之間的關係 (Joo, Gage, & Kasten, 2011; Kuehne, Padgham, & Olden, 2013)，或是分析長期聲景時空變異和鳥聲時空分布的研究 (Burivalova et al., 2019; Ross et al., 2018)，說明大量聲音資料的可能應用。隨著錄音工具軟、硬體的發展，聲景研究也逐漸朝向多樣點與長時間的方向發展，世界上目前陸續出現許多以聲景長期監測為主的計畫，像是日本沖繩 OKEON (Okinawa Environmental Observation Network)計畫中自 2017 年開始的長期聲音監測，已有 20 個包含各種棲地類型的樣點 (Ross et al., 2018)；美國普渡大學教授 Bryan C. Pijanowski 所主持的世界聲景中心 (Center for Global Soundscapes)則是大量長期聲景研究的計畫中心，主要計畫包含消失聲景計畫、美國中西部聲景倡議 (AMSI)、公民科學計畫 Record the Earth 等，以保存地球聲景的自然遺產為使命，已在多個棲地樣點進行長期聲景監測 (Pijanowski et al., 2019)。. 2.

(13) 聲音指數 (acoustic index、ecoacoustic index、soundscape index)是一種量化聲景不同面向特徵的常用方法 (Sugai, Silva, Ribeiro, & Llusia, 2019)。隨著聲景的研究愈來愈多，各種聲音指數陸續被發表 (Sueur, Farina, Gasc, Pieretti, & Pavoine, 2014)用來量化人為噪音與生物聲音的能量比例 (Fuller, Axel, Tucker, & Gage, 2015; Izaguirre, Ramírez-alán, & Castro, 2018; Kasten, Gage, Fox, & Joo, 2012)、量化在特定頻率區間的能量 (Boelman et al.; Gasc et al., 2018)，或是量化頻率間的多樣性 (Fairbrass, Rennett, Williams, Titheridge, & Jones, 2017; Moreno-Gómez et al., 2019)。近期許多研究也開始使用多個聲音指數來綜合表達聲景的組成與動態變化 (Ferreira et al., 2018; Rajan et al., 2019; Ross et al., 2018)。此外，許多聲音指數也能有效反映物種的多樣性，特別是運用在青蛙與鳥類的研究上，所計算出來的聲音指數與藉由人耳實際聽到後，計算得到的物種豐度、豐富度，呈現高度相關性 (Izaguirre, Ramírez-alán, & Castro, 2018; Mammides, Goodale, Dayananda, Kang, & Chen, 2017; Moreno-gómez et al., 2019; Pieretti et al., 2011)。甚至在研究氣候變遷的影響上，聲音指數也有潛在的應用性 (Krause & Farina, 2016)，例如在一個長達 14 年的研究中，作者發現氣候變遷造成的長期乾旱降低了水流環境聲與鳥類聲音的複雜度 (Sueur, Krause, & Farina, 2019)。然而，隨著聲景的研究與聲音指數的發展逐漸增加，雖然錄音方式標準化的重要性多次被提出 ( Brown, 2012; Sugai, Silva, Ribeiro, & Llusia, 2019)，但在回顧近 10 年 56 篇聲音監測的研究中，發現各研究間錄音取樣方法仍相當多樣 (表 1)，共包含 23 種取樣方法，錄音覆蓋率從 1.3%到 100%都有研究使用。在最近一個回顧 38 篇期刊論文的研究中，同樣發現錄音方式嚴重不一致的情形， 31%的研究使用大於 6 小時的連續錄音，47%的研究使用固定間隔的錄音方法，剩下 21%的研究則使用其他方法，包含同時採用連續與間隔錄音，或使用較短的連續錄音 (Phillips, 2018)。而採用間隔錄音的研究中，取樣方法也不盡相同，18 篇中有 5 篇使用每 10 分鐘錄音 1 分鐘最為常見，其次是每 30 分鐘錄音 1 分鐘。此外，也有研究選擇在每日尺度的錄音中包含連續與間隔錄音，例如在黎明、黃昏與日中連續錄音 1 小時以上，其餘時間每 15 分鐘錄音 3 分鐘 (Ehnes, Dech, & Foote, 2018; Eldridge, Casey, Moscoso, & Peck, 2016)，或選擇兩種固定間隔的錄音方法 (Buxton, Agnihotri, Robin, Goel, & Balakrishnan, 2018; Gómez, Isaza, & Daza, 2018)。. 3.

(14) 間隔錄音的方法相較連續錄音的機器可部署更長的時間。然而，間隔錄音方法中每次取樣錄音的長度將會影響指數值的計算，曾有研究以生物聲音在整段錄音中的比例探討錄音長度與指數計算的關係，利用固定長度的生物聲音搭配不同長度的背景噪音合成的錄音檔，發現計算出的指數數值有顯著的不同，建議指數的計算要有統一的音檔長度外，較短的取樣時間更能偵測聲音上的變異 (Gasc, Pavoine, Lellouch, Grandcolas, & Sueur, 2015)。但也有研究比較以 10、30 和 60 分鐘長度錄音檔所計算的指數數值，並利用指數值的頻度分布推論，以 10 分鐘的錄音檔計算指數足夠代表以 60 分鐘錄音檔所計算的數值 (Lee et al., 2017)。但目前僅有少數研究探討連續錄音與間隔錄音所得結果的一致性。在一個熱帶森林的例子中，在三個樣點的雨季和乾季各錄音六日，使用聲音複雜度指數量化聲景資訊，發現以每 5 分鐘取樣錄音 1 分鐘最符合連續錄音的資料 (Pieretti et al., 2015)；在溫帶的森林與草原中，在春季與夏季各錄音兩日，使用三種聲音指數，一樣發現以每 5 分鐘取樣錄音 1 分鐘最符合 (Eiseman, Vonhof, & Gill, 2018)；而在溫帶珊瑚礁的例子，只用一個連續錄音檔案搭配三種聲音指數進行分析，則是每 10 分鐘取樣錄音 2 分鐘或每 4 分鐘取樣錄音 0.5 分鐘與連續錄音的結果顯著相關 (Lindseth, 2019)。這些研究僅涵蓋很短的時間，所使用的連續錄音資料皆不滿 12 日，且使用少量的聲音指數與統計值進行分析。然而，不同的聲景所具有的不同特徵可能影響取樣方法的代表性。不同的棲地類型往往有不同的聲景特徵，例如在印度南方的研究顯示三種不同棲地有不同的聲景多樣性與各自的獨特性 (Rajan et al., 2019)。而相同類型的棲地也可能因為所在位置，例如與交通噪音源的距離 (Munro, Williamson, & Fuller, 2018)，或是都市化程度的不同 (Kuehne et al., 2013)而有顯著不同的聲景特徵。即使相同地點，在不同季節的聲景也可能具有不同的特徵，例如鳥類在繁殖季時，會相對非繁殖季發出更豐富的聲音 (Rajan et al., 2019)，在繁殖季的不同時間，季前、季中、季後，聲景每千赫茲頻率帶的複雜度也具有動態變化 (Farina, Pieretti, & Piccioli, 2011)；無尾類的青蛙也有類似的現象，其聲音的豐富度會因月份與季節而有變異 (Bolzan, Garey, Hartmann, & Hartmann, 2019)；在熱帶地區的研究發現雨季會相對乾季擁有較豐富的聲景 (Pieretti et al., 2015)。另一方面，每日聲景動態也會隨著時間區段具有變異 (Gage, Wimmer, Tarrant, & Grace, 2017; Izaguirre et al., 2018; Ross et al., 2018; Ferreira et al., 2018; Gasc et al., 2018; Gottesman et al., 2018; Kuehne et al., 2013; Rodriguez et al., 2014)。許多聲景監測的研究因應聲景特徵的時空變異而採取不同的錄音方式，例如由於在繁殖季黎明的鳥類合唱具有相對其他時間多樣的聲音，所以選擇在此時間區間中進行連續或較密集的錄音取樣 (Ehnes et al., 2018; Eldridge et al., 2016; Leach, Burwell, Ashton, Jones, & Kitching, 2016)。因此探討錄音方法的代表性時，需要考量不同棲地、季節，以及時間區段的影響。 4.

(15) 本研究旨在探討每小時的錄音次數與錄音總長度對錄音取樣方法代表性的影響，並藉此針對聲景長期監測的錄音取樣方法上提出建議。為了讓研究的結果能適用多樣棲地類型與不同時間，本研究針對10種特定聲景（3種棲地、4種季節與3種每日的錄音區間），分別探討各自適合的錄音取樣方法。本研究成果可提供整體聲景與特定聲景下最適於作為長期聲景監測的錄音規劃，有助於未來應用聲音指數進行長期聲景監測之方法的標準化。. 圖 1、過去二十年聲音監測與聲景相關文章總數。分別使用” allintitle:acoustic monitoring” 和” allintitle: Soundscape” 在Google scholar資料庫中搜尋標題具有聲音監測與聲景的文章在過去二十年中每一年的文章總數。. 表 1、文獻回顧-被動式聲音監測的錄音取樣方法。統整近 10 年 56 篇研究運用排程錄音的聲音監測之錄音覆蓋率、錄音取樣方法、錄音頻度、錄音長度與錄音日數。錄音覆蓋率指每小時錄音的比例、錄音取樣方法以「a/b」表示每 b 分鐘取樣 a 分鐘、錄音頻度指每小時錄音的次數、錄音長度指每次錄音的分鐘數、錄音日數表示研究中各棲地樣點的錄音日數。. 錄音. 錄音. 錄音. 覆蓋率. 取樣方法. 頻度. 長度. (次). (min). 1.3%. 3/240. 0.75. 0.75. 22. Joo et al., 2011. 1.7%. 1/60. 1. 1. 12. Rajan et al., 2019. 1/60. 1. 1. 12. Moreno-gómez et al., 2019. 1/60. 1. 1. 80. Gasc et al., 2013. 錄音. 錄音日數. 參考文獻. 5.

(16) 錄音. 錄音. 錄音. 取樣方法. 頻度. 長度. (次). (min). 1/30. 2. 1. 7. Ferreira et al., 2018. 1/30. 2. 1. 10. Mullet, Gage, Morton, & Huettmann, 2016. 1/30. 2. 1. 28. Fuller et al., 2015. 1/30. 2. 1. 34. Tucker, Gage, Williamson, & Fuller, 2014. 1/30. 2. 1. 495. Kasten et al., 2012. 1/30. 2. 1. 1460 Gage & Axel, 2014. 2/60. 1. 2. 4. Buxton et al., 2018. 5.0%. 1/20. 3. 3. 120. Gómez et al., 2018. 6.7%. 1/15. 4. 1. 15. Munro et al., 2018. 1/15. 4. 1. 25. Ulloa et al., 2016. 1/15. 4. 1. 43. Rodriguez et al., 2014. 1/15. 4. 1. 395. Ritts, Gage, Picard, Dundas, & Dundas, 2016. 0.17/2. 30. 0.17. 25. Lynch, Joyce, & Fristrup, 2011. 1/12. 5. 1. 56. Farina et al., 2011. 5/60. 1. 5. 2. Bertucci et al., 2016. 5/60. 1. 5. 130. 1/10. 6. 1. 7. Campos-Cerqueira & Aide, 2017. 1/10. 6. 1. 13. Aide et al., 2017. 1/10. 6. 1. 31. Deichmann et al., 2017. 1/10. 6. 1. 60. Gómez et al., 2018. 13.3%. 2/15. 4. 2. 3. Harris, Shears, & Radford, 2016. 16.7%. 1/6. 10. 1. 365. Farina, Gage, & Salutari, 2018. 2.5/15. 4. 2.5. 74. Depraetere et al., 2012. 5/30. 2. 5. 12. Buxton et al., 2018. 5/30. 2. 5. 730. Lehmann, Frommolt, Lehmann, & Riede, 2014. 10/60. 1. 10. 2. 10/60. 1. 10. 150. Gasc et al., 2018. 20.0%. 3/15. 4. 3. 14. Eldridge et al., 2016. 25.0%. 15/60. 1. 15. 7. Villanueva-Rivera et al., 2011. 33.3%. 5/15. 4. 5. 24. Ehnes et al., 2018. 10/30. 2. 10. 17. Ross et al., 2018. 10/30. 2. 10. 60. Resources, 2015. 50.0%. 30/60. 1. 30. 210. Heinicke, Kalan, Wagner, & Mundry, 2015. 75.0%. 15/20. 3. 15. 150. Machado, Aguiar, & Jones, 2017. 錄音覆蓋率 3.3%. 8.3%. 10.0%. 錄音參考文獻日數. Hagens, Rendall, & Whisson, 2018. Izaguirre et al., 2018. 6.

(17) 錄音. 錄音. 錄音. 取樣方法. 頻度. 長度. (次). (min). 96.7%. 29/30. 2. 29. 7. Fairbrass et al., 2018. 2. 29. 7. Fairbrass et al., 2017. 連續. 29/30 連續. <1. >60. 1. Zhang, Towsey, Xie, Zhang, & Roe, 2016. 連續. 1. Kuehne et al., 2013. 連續. 1. Boelman et al., 2007. 連續. 2. Sankupellay, Towsey, Truskinger, & Roe, 2015. 連續. 3. Bobryk et al., 2015. 連續. 3. Pieretti et al., 2011. 連續. 5. Sueur et al., 2008. 連續. 6. Pieretti et al., 2015. 連續. 10. Burivalova et al., 2018. 連續. 14. Eldridge et al., 2016. 連續. 15. Lamond, 2016. 連續. 53. Digby, Towsey, Bell, & Teal, 2013. 連續. 56. Leach et al., 2016. 連續. 60. Gage et al., 2017. 連續. 78. Lee et al., 2017. 連續. 130. Hagens et al., 2018. 連續. 210. Towsey, Zhang et al., 2014. 連續. 395. Phillips, Towsey, & Roe, 2018. 錄音覆蓋率. 錄音參考文獻日數. 7.

(18) 第貳章研究材料與方法第一節、研究地點為了取樣大尺度時空環境下的聲景，本研究在臺灣生物多樣性高的三種棲地類型進行長期監測，分別是濕地、天然林與人工林。位於太平洋西側的臺灣屬於亞熱帶氣候，我首先選擇濕地進行環境錄音，濕地除了是一個多樣性高的棲地外，也提供相當重要的生態系統服務 (Pereira & Cooper, 2006)，擁有多樣的鳥類群集，更因為豐富的昆蟲資源，也包含多樣的蛙類與蝙蝠。然而，多數的聲音與聲景研究選擇水域或陸域 (Lindseth & Lobel, 2018; Sugai et al., 2019)，但介於其中的濕地樣點，尚未有聲景的回顧研究與建議。另一方面，臺灣擁有豐富的森林棲地，約佔60.7%陸域面積 (約220 萬公頃) (邱, 黃與吳, 2015)，森林的生物種類雖不比熱帶多樣，相較溫帶森林卻已豐富許多，在各季節也擁有豐富的生物多樣性。在森林棲地中，除了天然森林外，有一種是人為種植的人工林 (tree plantation)，擁有單一樹種，樹木間寬度相似等特性，已是目前重要的商業化生產森林資源的方式，臺灣地區的人工林約佔森林20.9%的面積 (邱等, 2015)，雖然臺灣本身木材自給率不足1%，但人工林在熱帶、亞熱帶與溫帶皆有分布且日漸增加 (Payn et al., 2015; 詹與林, 2016)。本研究選擇的濕地樣點為關渡自然公園的發現心溼地，天然林樣點為陽明山國家公園的二子坪步道、人工林樣點為東眼山國家森林遊樂區的森林知性步道 (圖 2、表 2)。關渡自然公園位處淡水河及其支流基隆河的交會處，屬於半淡鹹水河口濕地。自1996年開始受到法律保護，目前由非政府組織台北市野鳥學會經營管理，提供環境教育、進行生物與環境長期監測，以及溼地維護活動 (在保育核心區域維持不同面積大小的多樣化水池環境，清除淤泥、藻類，避免濕地陸域化與優養化 (社團法人台北市野鳥學會, 2019b)。月均溫介於攝氏15至29度，年均溫22度，年平均雨量為2071公厘，地質為沉積岩與火成岩 (社團法人台灣環境資訊協會, 2011)。關渡自然公園是臺灣國家級淡水河流域重要濕地之子濕地，也是BirdLife International所認定的重要野鳥棲地 (IBA)。園區內共記錄109種水生植物、283種鳥類、9種青蛙、10種哺乳類、 20種爬蟲類與97種昆蟲 (社團法人台北市野鳥學會, 2018)。本研究樣點選擇的區域為發現心溼地，位於公園東北側，具有0.6公頃水田供民眾體驗耕作，除了上述活動，其他時間只開放假日下午各一次20人名額的導覽，屬於濕地中的低度干擾區 (社團法人台北市野鳥學會, 2019a)。 8.

(19) 陽明山國家公園位於台北盆地北緣，自1985年開始由政府管理，以大屯火山為主體，地質以安山岩為主，具火山活動的景觀，海拔高度自200至1120 公尺，具有亞熱帶氣候區與暖溫帶氣候區，季風氣候明顯 (中華民國陽明山國家公園管理處, 2019)。月均溫介於攝氏10至23度，年均溫17度，年平均雨量約4800公厘 (中華民國交通部中央氣象局, 2011)。陽明山國家公園目前以發展生態旅遊、環境教育與科學研究為主，因園區內豐富的大眾運輸系統，擁有18個主要的步道系統，四季豐富的自然景觀與火山地質特色，平均每日有1.3萬人次參訪。因受國家公園法嚴格保護，維持完整的物種與棲地多樣性，擁有1359種維管束植物，123種鳥類、22種蛙類、34種哺乳類、 53種爬蟲類、昆蟲類662種等 (中華民國陽明山國家公園管理處, 2019)，發聲生物物種數相當豐富。我選擇二子坪步道做為樣點，此步道位於園區西側，屬亞熱帶天然林，樟科紅楠、大葉楠為優勢物種，為火山凹地易起霧，有多種蜜源、食草植物，是遊客常使用的健行、賞蝶、賞鳥步道，步道所在的大屯步道系統整年約70萬遊客人次 (中華民國陽明山國家公園管理處, 2018)，步道開放時間為9:00-16:30。東眼山國家森林遊樂區位於雪山山脈尾端，是臺灣早期發展的重要林場，由行政院農委會林務局下的新竹林區管理處管理，屬大都會區邊緣型森林遊樂場所，同時是東眼山自然教育中心進行環境教育的場域。海拔高度介於650至1212公尺，溫度介於攝氏13至26度，年均溫22度，年雨量約2600公厘，雨量主要來自夏季颱風 (林, 2006)。屬大眾運輸不易到達的地區，遊客主要參訪伐木事業遺留的工具展示、自然資源與沉積岩中的生痕化石，或參與自然教育中心舉辦的研習與環境活動，2018年遊客總人次為17.5萬 (行政院農委會林務局, 2018)。初步調查顯示其擁有至少43種鳥類、8種哺乳類、16種蛙類等，由於自1991年政策禁伐的關係，保有完整的針葉人工林，以柳杉為主，也種植臺灣杉、紅檜等，共約三百公頃，整體發展以森林遊憩、國土保安為經營重點 (Lee & Hsu, 2010; 行政院農委會林務局, 2019)。本研究選擇森林知性步道為樣點，此步道位於園區北側，是遊客能造訪的步道，整體為坡度平緩人工造林地為主的區域，步道沿線展示林業文化及伐木器材，園區開放時間為7:00-17:00 (行政院農委會林務局, 2019)。. 9.

(20) 圖 2、研究樣點分布位置圖。 A圖為樣點在臺灣島的位置圖。B圖為A圖紅色方塊的局部放大圖，YM為陽明山樣點；GD為關渡濕地樣點；DYA為東眼山樣點。C、D、E圖為B圖中，黑色方塊的樣點區域放大圖，右方為實際照片。使用QGIS 3.8.0介接臺灣國土測繪中心WMS圖層，以國土利用調查資料為底圖繪製 (http://maps.nlsc.gov.tw/S_Maps/wms)，坐標系統為WGS84。. 表 2、研究樣點基本資訊。錄音地點. 關渡自然公園. 陽明山國家公園. 東眼山國家森林遊樂區. 錄音區域. 發現心濕地. 二子坪步道. 森林知性步道. 樣點代號. GD. YM. DYA. 棲地類型. 濕地. 天然林. 人工林. 海拔高度. 0m. 860 m. 982 m. 緯度. N 25.11888. N 25.18388. N 24.82321. 經度. E 121.47666. E 121.52111. E 121.40815. 主管機關. 台北市野鳥學會. 內政部營建署. 農委會林務局. 10.

(21) 第二節、聲景資料收集 (一)、錄音設備、設定與儲存本研究選擇全頻譜型 (full-spectrum)錄音機 Song Meter SM4(Wildlife Acoustics Inc, 2019)進行聲音檔案的錄製，此型錄音機能完整地保留錄音檔案中頻率與振幅的資訊，提供後續計算各聲音指數的充分條件。SM4 錄製聲景檔案時，主要包含兩個聲音訊號解析度的設定，包含錄音取樣頻率 (sampling rate)和錄音位元數 (bit depth)。錄音取樣頻率是錄音機記錄聲音訊號時每秒取樣的次數，決定了能錄到聲音訊號的最高頻率 (為取樣頻率的一半)，是一種頻率解析度的設定。人耳可聽域 (audible)聲音的定義主要由人耳是否聽得見決定，一般界定的頻率上限為 20 千赫茲 (kHz)，下限為 20 Hz。因此在本研究中，錄音取樣頻率設定為 44.1 kHz，收集人類可聽域的所有聲音，這也是多數聲景研究所採用的取樣頻率 (Depraetere et al., 2012; Gasc et al., 2018; Phillips, 2018; Rodriguez et al., 2014)。錄音檔位元數則是決定振幅的解析度，此錄音機位元數設定為固定的 16 位元，代表著每次取樣能有 216 (65536)個可能的整數值去記錄聲音的振幅，振幅的絕對值愈高也代表聲音的能量愈高，藉此將聲音的類比訊號轉換成數位訊號。SM4 錄音機的麥克風選擇錄音機內建的 (build-in)麥克風，以立體聲的方式錄製，麥克風的架設參考多數研究 (Campos-Cerqueira & Aide, 2017; Deichmann et al., 2017; Izaguirre et al., 2018; Mammides et al., 2017; Pieretti et al., 2015)，將麥克風的中心高度架設於距離地面約 1.5 公尺的胸部高度 (chest height)。並以 Microsoft WAVE (.wav)無壓縮的聲音檔案儲存格式，搭配兩張 SanDisk SDXC 256GB 記憶卡儲存資料。電源供應則使用 4 顆 1 號鹼性電池。. 11.

(22) (二)、聲景監測為了比較不同錄音方法所收集的資料反映聲景的能力，本研究在記憶卡容量與電池電量的限制下，選擇兩種最大化資料的錄音方式：每日完整錄音、整年間隔錄音，所得資料可視為量化一個聲景最有代表性的資料。以這兩組資料為基礎，評估以較低錄音覆蓋率、較低頻度錄音方式所得資料，是否降低此代表性。因為春夏季擁有相對豐富的生物聲音多樣性，每日完整錄音選定在 2019 年 4-8 月間進行，每月連續錄音十日，每 60 分鐘錄音 58 分鐘，保留 2 分鐘作為機器儲存檔案時間。整年間隔錄音則是自 2018 年 7 月開始至 2019 年 6 月為止，以每 3 分鐘錄音 1 分鐘的排程方式進行間隔錄音。在此錄音模式下，每 25 至 30 天更換一次電源供應裝置和記憶卡，同時檢視剩餘電源伏特、麥克風方位、錄音檔案損壞數量等軟、硬體的狀態以作為未來長期監測相關的參考資訊。為了固定每次錄音開始與結束的時間，使用原廠錄音機軟體-Song Meter SM4 Configurator 內排程錄音 (programmable schedule)的功能，確保錄音機能依照實驗設計的每個開始和停止的時間點正常運作。. 第三節、聲音指數我利用 R (version 3.5.0) (R Core Team, 2014)與 RStudio (version 1.1.442) (RStudio, 2014)的統計分析軟體及其配合的功能套件 (R package)計算聲音指數。回顧近 10 年以聲音指數量化聲音檔案資訊為分析方法，且運用於聲音調查與監測的研究後 (表 3)，發現各研究在聲音指數的選用沒有一致的標準與數量，但計算指數時的聲音檔案長度多數選擇為 1 分鐘。因此，我以每 1 分鐘錄音檔案長度為單位計算 6 種過去研究時常使用的聲音指數，包含聲音複雜度指數 (Acoustic complex index, ACI)、生物聲音指數 (Bioacoustic index, BI)、聲音多樣性指數 (Acoustic diversity index, ADI)、聲音均勻度指數 (Acoustic evenness index, AEI)、標準化聲景指數 (Normalized Difference Soundscape Index, NDSI)、聲音熵值 (Acoustic entropy index, H)，並把 6 種指數首次提出的文獻加入回顧，同時標記這些指數在過去研究中的使用情況 (表 3)。. 12.

(23) 指數的計算使用的主要 R 套件包含 soundecology (version 1.3.3) (Villanueva-Rivera & Pijanowski, 2018)、tuneR (version 1.3.2) (Ligges, Krey, Mersmann, & Schnackenberg, 2018)、seewave (version 2.1.0) (Sueur, Aubin, & Simonis, 2008)，這些套件的使用也常是過去生物聲音與聲音生態學研究時所採用的方法，指數計算相關的重要設定皆參考原有作者開發指數時的設計，將於各指數介紹的段落詳細說明。. (一)、聲音複雜度指數 (Acoustic complexity index, ACI) 聲音複雜度指數主要是考慮頻率和能量在微細時間的變化，可以反映出聲景的複雜程度。首先將一個聲音檔案分成 m 個時間段，每個時間段 j 有固定的長度 (常被設定為 5 秒)，亦即 j 為每次計算的時間單位 (temporal step)。再將每個時間段 j 分成 n 個微細時間小段，每個時間小段 k 有固定的長度(以頻率解析度 FFT size 為 512 為例，在每個頻帶約為 86.13Hz ( = 44100/512)時，時間小段的長度為 0.02321 秒)。將聲音檔案的頻率分成 q 個頻率段 (frequency bins)，針對每一個頻率段 i，計算每一個時間段 j 中的每個時間小段 k 的聲音強度 IK，再將前後兩個時間小段間強度的變化量累加起來後，除以這個時間段中所有時間小段聲音強度的總和，以得到此單一頻率帶 i 下單一時間段 j 的 ACI 值，ACIj：. 累加單一頻率帶所有時間段的 ACIj，得到此單一頻率帶 i 的 ACI 值， ACIi：. 再將所有頻率段得到的變異量累加，得到。也就是多數研究中用來表示整體聲音頻率和能量複雜度的 ACI 數值：. 13.

(24) ACI 指數值沒有一定的範圍，愈大則代表此聲音檔案各頻率段能量隨時間的變化愈大。此指數最初是發展用來量化鳥類群集聲景複雜程度的指數 (Pieretti, Farina, & Morri, 2011)，然而，之後的研究發現 ACI 也可應用在其他類群，並可用來量化整體聲景在時空上的複雜程度 (Fuller et al., 2015; Izaguirre et al., 2018; Ross et al., 2018)。. (二)、生物聲音指數 (Bioacoustic index, BI) 生物聲音指數考慮鳥類聲音常使用的頻率範圍下能量的總和，可以反映出鳥類聲音整體能量的變化。生物聲音指數計算頻率範圍介於 2kHz 至 8kHz，涵蓋絕大部分鳥類叫聲的頻率，再以此頻率範圍為 x 軸，聲音能量 dB 為 y 軸繪製生物聲音頻譜 (bioacoustic spectra)，計算聲音檔案生物聲音頻譜曲線下的面積即是生物聲音指數 (Boelman, Asner, Hart, & Martin, 2007)。BI 指數值沒有一定的範圍，值愈大則代表此聲音檔案生物聲音的能量愈高。指數一開始的開發目的是用來量化鳥類群集所產生的聲音特徵，以反映鳥類的相對豐度與群集組成的差異。現在的應用已不僅限於量化鳥類群集的聲景，也有許多研究運用在聲景特徵的描述或是與發聲生物之間的連結 (Ferreira et al., 2018; Ross et al., 2018)。. (三)、聲音多樣性指數 (Acoustic diversity index, ADI) 聲音多樣性指數是借用物種多樣性指數中的香儂多樣性指數 (Shannon-Wiener diversity index)，來量化聲音的多樣性。其計算是將一段聲音中 0 至 10kHz 的頻率，每 1kHz 分為一個頻率帶 (frequency band)，並視為是一個聲音物種 (acoustic species)，而各頻率帶中音量大於-50dBFS1聲音所佔的能量比例則視為是聲音物種的相對數量以計算香儂多樣性指數 (Villanueva-Rivera, Pijanowski, Doucette, & Pekin, 2011)。. dBFS 為 decibel full digital scale 的縮寫，當錄音檔案從數位訊號轉換成類比訊號時，所能記錄編碼的最大電平量為 0 dBFS，也是最大未失真的聲音音量，其他音量的值皆為和 0 dBFS 相對的參考音量。 14 1.

(25) 算式中的 S 表示總頻率帶數量 (在聲音多樣性指數的計算中為 10)， Pi 表示第 i 個頻率帶中，聲音能量大於-50 dBFS 的比例，此比例介於 0 至 1 之間。指數值介於 0 到 ln S (也就是 2.3)之間，值越大代表聲音多樣性越高。聲音多樣性指數一開始是發展用來量化聲音頻率帶之間的多樣性，並可像香儂多樣性指數一樣，作為聲景樣點間比較多樣性時使用的數值 (Villanueva-Rivera et al., 2011)。. (四)、聲音均勻度指數 (Acoustic evenness index, AEI) 聲音均勻度指數和聲音多樣性指數類似，將頻率帶視為物種，相對能量視為相對豐度，以計算吉尼係數 (Gini coefficient) (Villanueva-Rivera et al., 2011)。吉尼係數的計算利用物種數累積百分比當 x 軸，物種個體數量 (abundance)累積百分比當 y 軸，劃出的曲線為 Lorenz curve，曲線下面積為 B，而曲線與 x-y 均等線之間的面積為 A，A 與 A+B 的比值就是吉尼係數。. 指數值介於 0 至 1，數值愈大代表聲音在不同頻率間的能量分布愈不均勻。此指數最早是發展用來量化聲音頻率帶之間的均勻性，提供一個固定範圍大小的數值，可作為比較的對象 (Villanueva-Rivera et al., 2011)。. (五)、標準化聲景指數 (Normalized Difference Soundscape Index, NDSI) 標準化聲景指數主要用來計算聲景中生物聲音和人造聲音相對的貢獻量。指數當初發展時，透過收集與分析來自多個地點的錄音檔案，證實 1kHz 至 2kHz 的頻率範圍中大部分為機械聲音，被稱為人造聲音 (anthropophony)，以表示其能量；生物聲音 (biophony)則為聲音檔案中 2kHz 至 8kHz 的聲音，以表示其能量。NDSI 的指數就是計算生物聲音能量減掉人造聲音能量 ( ，在全部頻率 (1kHz-8kHz)中能量所佔的比例 (Kasten, Gage, Fox, & Joo, 2012)。. 15.

(26) 指數值介於 -1 至 1 之間，當值為 1 時，表示聲音皆為生物聲音，沒有任何人造聲音；值為-1 時，則代表所有聲音來源皆是人造聲音。此指數最初發展是用來量化生物聲音與人造聲音之間的比例，有一個固定範圍作為比較的依據，可作為篩選特定聲音檔案的數值，例如找出以生物聲音為主的聲音 (Kasten et al., 2012)。. (六)、聲音熵值 (Acoustic entropy index, H) 聲音熵值整合聲音時間熵值 Ht 與頻譜熵值 Hf，試圖以一個指數量化聲音檔案中能量在時間與頻率兩個面向上的分散程度 (Sueur et al., 2008)。時間熵值 (Temporal entropy, Ht) 將一個聲音檔案分成 n 個長度為 t 的時間段，時間長度為 t 的計算單位為 x (t)，定義 i2 為-1，時間 x (t)的訊號經 Hilbert 轉換分析得出訊號能量. 振幅輪廓. ，最後加總得到. 振幅輪廓 (amplitude envelope)：. 的機率質量函數 A (t) (probability mass function)為：. 接著應用香儂多樣性指數，以時間單位當作物種的資訊，物種總數為 n，每一物種的數量比率則以 A (t)代表。香儂指數的最大值取決於類別的數量，也就是 n 此處 log 底數選擇 2 並不影響時間熵值香儂指數的計算。最後將整體變異量除讓指數值介於 0-1 之間 (Sueur, Pavoine, Hamerlynck, & Duvail, 2008)。. 當值愈接近 1，表示聲音檔案中的能量在時間上愈分散，各時間單位 n 具有愈相似的能量；當值愈接近 0 時，則代表聲音檔案中的能量在不同時間中愈不一致。. 16.

(27) 頻譜熵值 (Spectral entropy, Hf) 將一個聲音檔案的頻率分成 E 個，藉由傅立葉轉換計算每一個單一頻率 i 具有的相對能量 Yi。將所有 Yi 接著運用在香儂熵值 (Shannon spectral entropy)，再除以香儂熵值理論的最大值使指數在 0-1 之間，當值愈接近 1，表示聲音檔案中的各個頻率擁有愈均等的相對能量；當值愈接近 0 時，則代表聲音檔案中不同頻率間的能量 Yi 愈不一致 (Sueur et al., 2008)。. 聲音熵值 (Acoustic entropy index, H) 聲音熵值即為時間熵值與頻譜熵值的乘積，指數值介於 0 至 1 之間，單一頻率且能量沒隨時間變化的聲音才有可能極接近 0 (Sueur et al., 2008)。值越高代表聲音能量在空間與時間軸上愈分散。. (七)、聲音指數計算的參數設定各指數頻率範圍除了 BI 與原作者一致不調整外，其他指數統一設定最低頻率為 300Hz，以避免環境與機器產生的低頻噪音 (Buxton et al., 2018; Ferreira et al., 2018; Sueur et al., 2008)；ADI、AEI 指數最高頻率設定不變，把 ACI、H、NDSI 最高頻率調整為與 ADI、AEI 相同的 10kHz，使聲音指數的計算上皆是使用聲音檔案中一致的頻率範圍來源(Fuller et al., 2015; Izaguirre et al., 2018; Phillips et al., 2018; Towsey et al., 2018)。其他參數，ACI 指數的 j、ADI、AEI 指數的頻帶寬度、聲音閥值 (dB)等都與原指數作者發表的研究一致 (附錄表 8)。. 17.

(28) 表 3、各指數首次提出與近 10 年運用於聲音調查與監測之文獻回顧。統整 28 篇研究使用之聲音指數、用於計算指數的錄音檔長度以及錄音取樣方式 12。. 1. 聲音指數. 取樣方式. 檔案長度 (分鐘). ACI. 連續. 120. +. 15/60. 15. 連續. 8. 1/30. 1. 連續. 15. 1/5. 1. +. Pieretti et al., 2015. 1/6. 1. +. AlmoFarina et al., 2018. 1/10. 1. +. 2/15. 1. +. 1/20. 1. +. +. +. +. 10/20. 1. +. +. +. 15/20. 1. +. +. 1/30. 1. +. 1/30. 1. 5/30. 5. ADI. AEI. BI. NDSI. 其他. H. 參考文獻 Pieretti et al., 2011 (首次提出 ACI). +. Villanueva-Rivera et al., 2011 (首次提出 ADI、AEI). +. Boelman et al., 2007 (首次提出 BI). +. Kasten et al., 2012 (首次提出 NDSI). + +. +. Sueur et al., 2008 (首次提出 H). +. +. Gómez et al., 2018. +. +. Harris et al., 2016. +. +. +. Gómez et al., 2018. +. +. +. Jorgea et al., 2018. +. +. +. +. Machado et al., 2017. +. +. +. +. +. Fuller et al., 2015. +. +. +. +. +. +. Ferreira et al., 2018. +. +. +. +. +. +. +. +. +. +. +. 錄音取樣方式以「a/b」表示每 b 分鐘取樣 a 分鐘。 18. Buxton et al., 2018.

(29) 聲音指數. 取樣方式. 檔案長度 (分鐘). ACI. ADI. AEI. BI. NDSI. 10/30. 10. +. +. +. +. +. Ross et al., 2018. 29/30. 1. +. +. +. +. Fairbrass et al., 2017. 1/60. 1. +. +. +. +. +. Rajan et al., 2019. 1/60. 1. +. +. +. +. 2/60. 2. +. +. +. +. 10/60. 1. +. +. +. +. 連續. 1. 連續. 其他. H. 參考文獻. +. +. Moreno-gómez et al., 2019. +. +. +. Buxton et al., 2018. +. +. +. Izaguirre et al., 2018. +. +. Zhang, Towsey, Zhang, & Roe, 2016. 1. +. +. Sankupellay et al., 2015. 連續. 1. +. 連續. 1. +. 連續. 8. +. +. 連續. 10. +. +. 連續. 15. +. +. +. + +. +. +. +. +. +. +. +. +. +. Gage et al., 2017. + +. +. Phillips et al., 2018. +. Lamond, 2016 Lee et al., 2017. +. +. 19. Mammides et al., 2017.

(30) 第四節、資料分析. (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。. 20.

(31) A-1 聲景資料 1：每日完整錄音. A-2 聲景資料 2：整年間隔錄音. 每 60 分鐘錄音 58 分鐘(58/60). 每 3 分鐘錄音 1 分鐘(1/3). B. 聲音指數計算：計算每分鐘聲音指數值(6 種聲音指數) C. 定義整體聲景：為 A-1、A-2 各自合併三個棲地的所有聲景資料 D-1. 錄音取樣方式：依 16 種錄音取樣方法篩選特定時間間隔的每分鐘聲音指數. D-2. 錄音取樣方式：依 6 種錄音取樣方法篩選特定時間間隔的每分鐘聲音指數. E-1. 每日百分位數值：計算 A-1 整體聲景在最密集錄音方法 (58/60)與各錄音取樣方法(D-1 共 16 種)的各指數之 5 種每日百分位數值. E-2. 每日百分位數值：計算 A-2 整體聲景在最密集錄音方法(1/3)與各錄音取樣方法(D-2 共 6 種)的各指數之 5 種每日百分位數值. F. 指數百分位數差值之機率分佈：將 E 中各錄音取樣方法的各指數百分位數(共 30 個，6 個聲音指數各 5 個百分位數)，皆與最密集錄音方法同一日的同一指數百分位數相減，得到每日指數百分位數差值。將這些指數百分位數差值做為重複取樣樣本，以 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 (代表此取樣方法在此指數百分位數與最密集取樣沒有差異，具取樣代表性)。. G.取樣代表性：計算聲景資料的各錄音取樣方法代表性(D-1 共 16 種、D-2 共 6 種)，亦即 F 過程中所檢定之 30 個指數百分位數差值等於零的比例，值愈高代表取樣愈有代表性。 H.錄音頻度與覆蓋率對錄音取樣方式代表性的影響：使用 A-1 資料在 D-1 不同取樣方法下，控制錄音頻度比較錄音覆蓋率對代表性的影響，或控制錄音覆蓋率比較錄音頻度對代表性的影響；使用 A-2 資料在 D-2 不同取樣方法下，比較不同錄音覆蓋率對代表性的影響 I-2. 特定聲景的分析：在 C 中篩選 A-2 下特定棲地(3 種)、季節(4 種)、聲音群集 (3 種)的聲景資料，重複步驟 D-H. I-1. 特定聲景的分析：在 C 中篩選 A-1 下特定棲地(3 種)、聲音群集 (3 種)的聲景資料，重複步驟 D-H 圖 3、統計分析流程圖。 21.

(32) (二)、定義整體聲景我把每日完整錄音資料與整年間隔錄音資料兩種資料來源各自三個錄音樣點的所有資料合併，兩種資料來源各自具有一個整體聲景的資料，皆為跨棲地、跨季節、跨聲音群集的綜合資料。由於是跨棲地、三樣點資料的組合，因此每一分鐘的聲景錄音皆有三份來自三種棲地的資料，以此代表整體聲景 (圖 3 C)。. (三)、長期聲景監測的錄音取樣方式我以錄音覆蓋率、錄音頻度與錄音長度定義錄音取樣方式。錄音覆蓋率是指每小時錄音的比例，每小時錄音 60 分鐘，覆蓋率是 100%，每小時錄音 10 分鐘，則覆蓋率為 16.7%；錄音頻度是指每小時錄音的次數；錄音長度則是指每次錄音的長度。錄音頻度與錄音長度會共同影響錄音覆蓋率，彼此搭配能產生多樣的錄音取樣方式。本研究以「a/b」代號表示錄音取樣方式，亦即每 b 分鐘取樣錄音 a 分鐘(圖 3 A-1,A-2)。例如每 3 分鐘錄音 1 分鐘的錄音取樣方式在此研究即表示成「1/3」，也就是錄音長度 1 分鐘、錄音頻度 20 次 ( = 60/3)、錄音覆蓋率 33.3% ( = 20/60 )；每 30 分鐘錄音 5 分鐘的錄音取樣方式則可表示成「5/30」，也就是錄音長度 5 分鐘、錄音頻度 2 次(= 60/30)、錄音覆蓋率 16.7% ( = 10/60 )。每日完整錄音資料的錄音取樣方式設計共有 6 種錄音覆蓋率與 16 種錄音取樣方式 (圖 3 D-1,D-2，表 4)，在此監測資料中，最密集的錄音為覆蓋率 96.7%的 58/60 錄音取樣方式。除了最低的錄音覆蓋率只有 1 種錄音取樣方式外，其他 5 種錄音覆蓋率皆包含 3 種錄音取樣方式，同樣的錄音覆蓋率有不同的錄音取樣方式也代表著在每小時一樣的錄音總長度下，每次錄音的長度與錄音頻度皆不同，與聲景監測中連續式與分散式的錄音取樣方式是相關連的概念。由於整年間隔錄音所錄製的錄音檔每段長度僅為 1 分鐘，因此在錄音取樣方式的評估上，無法改變錄音長度，僅能改變錄音頻度。因此在這部分資料的分析中，本研究評估了 6 種不同錄音取樣方式相較於最密集完整的錄音方法 (覆蓋率 33.3%的 1/3 錄音取樣方法)聲景特徵值的代表性 (表 4)。. 22.

(33) 表 4、不同錄音取樣方式與對應的錄音覆蓋率與錄音頻度。錄音取樣方法以「a/b」的代號表示每 b 分鐘取樣 a 分鐘，錄音頻度指每小時錄音的次數。. 每日完整錄音. 整年間隔錄音. 2019/04-2019/08. 2018/07-2019/06. 每小時錄音頻度錄音覆蓋率. 1次. 2次. >3次. 錄音覆蓋率. 錄音方法. 50.0 %. 30/60. 15/30. 1/2. 16.7 %. 1/6. 33.3 %. 20/60. 10/30. 1/3. 11.1%. 1/9. 16.7 %. 10/60. 5/30. 1/6. 8.33%. 1/12. 10.0 %. 6/60. 3/30. 1/10. 6.67%. 1/15. 6.67 %. 4/60. 2/30. 1/15. 3.33%. 1/30. 1.67%. 1/60. 1.67%. 1/60. (四)、每日百分位數值兩種整體聲景皆以每日為單位分析，針對每一個聲音指數，計算該日所有指數值的 5 個百分位數 (P5、P25、P50、P75、P95；圖 3 E-1,E-2)，依序計算每一日的每日百分位數值。接著將最密集錄音方法依各錄音取樣方法 (圖 3 D-1,D-2，表 4)篩選特定間隔的聲景錄音後，一樣計算各取樣方法下每日的百分位數值 (圖 3 E-1,E-2)。聲景特徵除了聲音指數單一數值的量化特徵外，百分位數值的應用將使聲景特徵值的面向更完整。. (五)、指數百分位數差值之機率分佈每一次的 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)。. 23.

(34) 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)。. 24.

(35) 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。. 25.

(36) 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。. 26.

(37) 第參章研究結果第一節、錄音檔錄製狀況整年錄音資料自 2018 年 7 月 1 日持續收集自 2019 年 6 月 30 日，共錄製 511,627 個 1 分鐘的錄音檔，資料收集比例在關渡 98.53%為最高，東眼山人工林 94.98%最低，每一個 1 分鐘檔案約為 10MB，共 5.2 TB。除了更換記憶卡與電池的過程中無法錄音 4-7 個檔案外，關渡樣點缺失的原因為機器故障，主要日期在 1/2-1/8；陽明山樣點缺失的原因為電力不足，造成錄音檔案長度不完整或無法啟動錄音，因此每月缺失日期與時間點不固定，為每月更換電池的前兩天至當天，缺失檔案數不等；東眼山樣點自 7/3 中午才開始錄音，缺失 2.5 天的資料，其他缺失的原因為電力不足，較長的缺失日期為 4/30-5/6；每日完整錄音資料收集自 2019 年 4 月至 2019 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，每一個 58 分鐘的錄音檔約為 595MB，共 430 GB (表 5)。. 表 5、此研究完成收集的長期聲景監測檔案總數。關渡濕地. 整年間隔錄音. 陽明山天然林東眼山人工林. GD. YM. DYA. 資料收集比例. 98.53%. 98.52%. 94.98%. 錄音檔案數. 172,629. 172,604. 166,394. 資料收集比例. 100%. 100%. 100%. 錄音檔案數. 1200. 1200. 1200. 每 3 分鐘錄 1 分鐘共 12 個月. 每日完整錄音每 60 分鐘錄 58 分鐘共 50 日. 27.

(38) 第二節、錄音取樣方式的代表性 (一)、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整體聲景的分析結果顯示 (圖 5、表 7)，錄音覆蓋率 6.7%以上，代表性在同樣錄音頻度下沒有明顯差異或明顯的趨勢，不同的錄音頻度雖具有不同的最佳錄音覆蓋率，但以錄音覆蓋率 6.7% 為例，都普遍能具有相當高的代表性 (0.87 以上)，而在錄音覆蓋率 1.7%，最不具代表性。利用整年間隔錄音資料的分析中 (圖 6、表 6)，由於最密集錄音方法為 1/3 的限制，在此無法控制錄音頻度的影響。結果顯示，隨錄音覆蓋率降低，取樣代表性亦會降低，且代表性從錄音覆蓋率 16.7%的 0.8 降至錄音覆蓋率 1.7%的 0.27，代表錄音覆蓋率影響著錄音取樣的代表性。然而，錄音覆蓋率 6.7%以上的取樣代表性，彼此間都相差不多，約介於 0.57-0.8 之間。綜合兩種資料分析結果發現，錄音覆蓋率較低時，覆蓋率與代表性成正相關，但在 6.7%的覆蓋率以上，代表性就沒有太大變化。. 圖 5、整體聲景的錄音頻度與錄音覆蓋率對錄音取樣代表性之影響 (使用每日完整錄音資料)。錄音取樣代表性的計算是以各錄音取樣方法與最密集錄音「58/60」比較 6 個聲音指數的 5 個每日百分位數在 95%信賴區間一致的比例。錄音頻度指每小時錄音的次數，分為 1 次、 2 次和大於 3 次，錄音覆蓋率則是指每小時錄音的比率。. 28.

(39) 圖 6、整體聲景的錄音覆蓋率對錄音取樣代表性之影響 (使用整年間隔錄音資料)。錄音取樣代表性為分析各錄音取樣方法與最密集錄音方法「1/3」比較 6 個聲音指數的 5 個每日百分位數在 95%信賴區間一致的比例。錄音覆蓋率則是指每小時錄音的比率。. 表 6、各聲景的錄音覆蓋率與錄音取樣代表性 (使用整年間隔錄音資料)。錄音取樣代表性的計算是各錄音方法與最密集錄音「1/3」比較 6 個聲音指數的 5 個每日百分位數在 95%信賴區間一致的比例。錄音覆蓋率則是指每小時錄音的比率。. 錄音取樣方法與錄音覆蓋率 1/6. 1/9. 1 /12. 1 /15. 1 /30. 1 /60. 聲景. 16.7%. 11.1%. 8.3%. 6.7%. 3.3%. 1.7%. 整體. 0.80. 0.70. 0.57. 0.67. 0.40. 0.27. GD. 0.83. 0.67. 0.57. 0.57. 0.27. 0.23. YM. 0.83. 0.73. 0.70. 0.50. 0.33. 0.37. DYA. 0.73. 0.60. 0.53. 0.57. 0.43. 0.27. 春. 0.90. 0.87. 0.87. 0.93. 0.87. 0.73. 夏. 0.93. 0.77. 0.83. 0.77. 0.73. 0.60. 秋. 0.83. 0.97. 0.83. 0.87. 0.53. 0.60. 冬. 0.90. 0.80. 0.73. 0.83. 0.60. 0.47. 日光群集. 0.90. 0.57. 0.57. 0.57. 0.47. 0.27. 暗夜群集. 0.60. 0.50. 0.43. 0.40. 0.30. 0.23. 暮光群集. 0.53. 0.47. 0.53. 0.40. 0.20. 0.13. 29.

(40) 表 7、各聲景的錄音覆蓋率與錄音取樣代表性 (使用每日完整錄音資料)。錄音取樣代表性的計算是各錄音方法與最密集錄音「58/60」比較 6 個聲音指數的 5 個每日百分位數在 95%信賴區間一致的比例。錄音頻度是指每小時錄音的次數，色塊由左至右的錄音頻度依序是 1 次(灰色)、2 次(白色)和大於 3 次(灰色)，錄音覆蓋率指每小時錄音的比率。. 錄音取樣方法錄音覆蓋率(%). 50.0. 33.3. 16.7. 10.0. 6.7. 1.70. 50.0. 33.3. 16.7. 10.0. 6.7. 50.0. 33.3. 16.7. 10.0. 6.7. 錄音頻度. 1. 1. 1. 1. 1. 1. 2. 2. 2. 2. 2. 30. 20. 10. 6. 4. 整體. 0.97. 1.00. 0.90. 0.97. 0.93. 0.67. 0.87. 0.83. 0.87. 0.93. 0.87. 0.87. 0.93. 0.80. 0.73. 0.93. GD. 0.93. 0.90. 0.97. 0.83. 0.63. 0.43. 0.90. 0.90. 0.87. 0.80. 0.80. 0.57. 0.97. 0.83. 0.67. 0.90. YM. 0.8. 0.77. 0.77. 0.77. 0.73. 0.47. 0.90. 0.87. 0.87. 0.90. 0.73. 0.97. 0.87. 0.93. 0.87. 0.70. DYA 日光群集. 0.97. 1.00. 0.97. 0.97. 0.9. 0.67. 0.93. 0.9. 0.87. 0.77. 0.77. 0.90. 0.90. 0.80. 0.90. 0.93. 0.93. 0.87. 0.90. 0.83. 0.73. 0.53. 0.87. 0.77. 0.83. 0.90. 0.87. 1.00. 0.93. 1.00. 0.60. 0.93. 暗夜群集. 0.97. 0.97. 0.83. 0.77. 0.73. 0.53. 0.83. 0.93. 0.90. 0.73. 0.83. 0.77. 0.97. 0.87. 0.87. 0.87. 暮光群集. 0.67. 0.60. 0.60. 0.63. 0.60. 0.40. 0.73. 0.87. 0.93. 0.83. 0.67. 0.73. 0.90. 0.90. 0.67. 0.60. 30.