编辑推荐：
本文系统性对比了24兆像素高分辨率相机光陷阱（CLT）与传统漏斗光陷阱（FLT）在夜行性蛾类监测中的表现，指出CLT凭借非致死、高时空分辨率等优势，能更高效地获取数据，尤其在处理静止型蛾类（如尺蛾科）时表现更佳，而漏斗陷阱则在捕捉活跃型蛾类（如天蛾科）方面略有优势。该研究为自动化昆虫监测技术的开发与应用提供了重要数据支撑，并展望了人工智能（AI）在图像数据分析中的广阔前景。
INTRODUCTION
昆虫对陆地生态系统至关重要，它们是传粉者、捕食者、分解者和食物网的基础。然而，全球范围内许多昆虫种群正急剧衰退，亟需高效可靠的监测方法来获取大规模、连续且精确到物种水平的数据。传统的昆虫采集方法通常耗时耗力，导致数据的时空和分类分辨率低下。蛾类因其物种丰富、可利用光或紫外线有效诱集，且多数可通过宏观形态特征（如翅斑）进行相对可靠的鉴定，成为自动化监测的理想目标类群。本文旨在比较两种主要诱集方法：一种新型的、非致死性的自动化相机光陷阱（Camera light traps, CLTs）和传统的漏斗光陷阱（Funnel light traps, FLTs）。
研究者基于野外观察提出了假设：相机光陷阱可能更擅长记录那些在趋光后能迅速安静停留的蛾类类群（如尺蛾科Geometridae），而在捕捉那些持续保持高度活跃性的类群（如天蛾科Sphingidae）时可能表现较差。为验证这些假设，研究者在德国西北部比勒费尔德附近的一个林区开展了为期196晚的连续监测。
MATERIALS AND METHODS
本研究在德国北莱茵-威斯特法伦州的一片森林与开阔地混合的自然保护区进行。研究使用了两个相机光陷阱，每个配备索尼alpha 7II全画幅相机（24兆像素传感器）和定焦镜头，拍摄分辨率约为420 dpi，以确保绝大多数大鳞翅类昆虫能够被清晰识别。相机在夜间每2分钟自动拍摄一次屏幕上的昆虫。作为对照，研究还同时使用了传统的漏斗光陷阱进行采样，两种陷阱均使用相同的紫外灯作为光源。
采样期从2023年3月持续到10月，相机光陷阱连续运行196晚，而漏斗光陷阱则在12个无月的夜晚同步运行。所有照片中可识别的大鳞翅类昆虫均被手动鉴定和计数，并与漏斗光陷阱捕获的样本进行直接比较。数据分析使用了R语言及相关生态学统计包，评估了物种多样性、群落组成差异，并计算了各物种在屏幕上的停留时长。
RESULTS
图像质量与物种鉴定：高分辨率（420 dpi）的图像使得绝大多数大鳞翅类昆虫能够被可靠地鉴定到物种水平，仅少数因技术问题或物种鉴定本身的复杂性（如某些近缘种复合体）而无法确定。
物种多样性比较：在12个同步采样的夜晚，两种方法记录的物种总数（140种）相近，但互有侧重。相机光陷阱记录了39个特有物种，漏斗光陷阱记录了48个特有物种，两者共同记录了53个物种。在整个196晚的采样季中，相机光陷阱累计记录了225个蛾类物种，远高于两种方法在12晚内记录的物种数。
群落组成与指示物种：非度量多维尺度分析显示，两种方法捕获的蛾类群落组成高度重叠，未发现显著差异。然而，指示物种分析揭示了方法偏好性：有六个物种（全部属于尺蛾科）被确定为相机光陷阱的指示物种，而一种天蛾（Sphinx pinastri）被确定为漏斗光陷阱的指示物种。这表明相机光陷阱在记录尺蛾科等较安静的类群时可能更有效，而在捕捉像天蛾科这样高度活跃的类群时效率较低。
停留时间分析：不同科的蛾类在相机光陷阱屏幕上的停留时间存在显著差异。例如，舟蛾科（Notodontidae）的个体停留时间中位数最长，而枯叶蛾科（Lasiocampidae）的停留时间则非常短暂。这种停留行为的差异部分解释了为何活跃类群在相机光陷阱中容易被低估。
DISCUSSION
General performance of 24 megapixel CLTs
24兆像素相机光陷阱总体上表现优异，其高分辨率允许对包括许多小型物种在内的大鳞翅类进行可靠鉴定，这是早期使用低分辨率网络摄像头的研究难以实现的。相机光陷阱能够提供极其精细的物候学数据，例如，本研究成功记录了舞毒蛾（Lymantria dispar）在该地区高度活跃的详细时间动态。
Performance of CLTs versus FLTs
研究证实了最初的假设：相机光陷阱与漏斗光陷阱获取的数据相似但存在系统偏差。相机光陷阱在记录尺蛾科等“安静”类群方面可能更具优势，而漏斗光陷阱在捕捉天蛾科等“活跃”类群时效果更好。在伦理考量方面，相机光陷阱作为一种非致死性监测方法，减少了对昆虫个体的伤害，更具优势。同时，相机光陷阱自动化程度高，可连续运行，能产生高时空分辨率的数据，这是需要每日收样的漏斗光陷阱难以比拟的。
Technical aspects and future perspectives of CLTs
尽管本研究所用的相机光陷阱性能良好，但仍存在一些技术挑战，如低温环境下的设备稳定性、闪光灯故障以及部分图像因昆虫运动而模糊等。未来改进方向包括使用更坚固耐用的工业相机、集成树莓派（Raspberry Pi）进行智能化控制（如根据光照自动开关），以及设计更完善的防水外壳。一个名为LEPMON ARNI（夜间昆虫自动记录仪）的改进项目正在进行中，旨在德国部署超过100台这样的设备。
Perspectives on AI for automated image data analysis
人工手动分析海量图像数据工作量巨大，因此结合人工智能（AI）进行自动识别是必然趋势。深度学习技术特别适用于对形态相似的蛾类物种进行精细图像分类。目前，多个研究团队和项目（如AMMOD项目、InsectAI COST行动等）正在开发相关AI模型，旨在实现从图像中自动检测、分割和识别昆虫物种，这将极大推动自动化昆虫监测的大规模应用。
CONCLUSION AND PROSPECTS
本研究首次系统地比较了高分辨率相机光陷阱与传统漏斗光陷阱在蛾类监测中的表现，证实了相机光陷阱作为一种高效、非致死性监测工具的整体可行性。虽然两种方法因目标类群行为差异而存在数据偏差，但相机光陷阱在提供高分辨率时空数据方面具有无可比拟的优势。随着技术的进一步成熟，特别是与人工智能分析的结合，相机光陷阱有望在全球昆虫多样性监测与保护中发挥关键作用，帮助我们更好地理解和应对昆虫种群衰退的危机。
