待验证50% 置信事实精确时间
BirdNET 是由康奈尔大学鸟类学实验室和 Chemnitz 工业大学联合开发的声音分类深度学习模型，训练数据包含数千种鸟类录音，可输出带时间戳的物种识别及置信度日志，但野外环境易受背景噪声干扰产生误报。
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证自动声学监测通过在野外部署录音设备结合机器学习模型对鸟鸣进行自动识别，可实现全天候、大范围的被动式种群探测76% 相似待验证开发者指出户外实时 AI 识别鸟鸣的痛点包括：盯着屏幕会错过鸟类活动、持续麦克风监听和屏幕点亮快速消耗电量、声音分类模型在野外误判率高（风声和汽车鸣笛可能被识别为稀有鸟种）。68% 相似待验证在声学识别场景中，假阳性指分类器把并非目标鸟种的声源（如车辆鸣笛、风声、其他动物叫声或人声）判定为某种鸟，会影响后续数据分析和物种分布判断。68% 相似待验证点云去噪的主流方法包括基于统计滤波（如DSOR去噪）、基于深度学习的逐点分类（如WeatherNet）以及基于时序一致性的运动滤波64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1007077API
curl https://kongchang.com/api/v1/knowledge/claims/1007077MCP
get_claim(id=1007077)