BirdCLEF2025鸟类音频识别竞赛数据集-206种鸟类物种-28721条训练记录-172个预处理音频特征文件-生物声学分类深度学习

数据集简介

本数据集来源于BirdCLEF2025鸟类音频识别竞赛,是全球生物声学领域权威的鸟类物种识别数据集之一。数据集包含28,721条训练记录,涵盖206种不同鸟类物种的音频特征数据,结合来自多个BirdCLEF竞赛年份(2020-2025)的高质量鸟鸣录音资源。数据集提供了完整的物种标签、次要标签、录音编号、数据源标识和排名信息,为鸟类音频分类、生物多样性监测、生态声学研究和深度学习模型训练提供了坚实的数据基础。

数据集的核心价值在于其整合了BirdCLEF竞赛多年积累的优质鸟类音频资源,特别是BC25(2025年)数据源贡献了28,552条记录(占比99.41%),确保了数据的时效性和代表性。15个物种文件夹中包含172个NPY格式的预处理音频特征文件,这些特征文件已经过梅尔频谱或其他声学特征提取处理,可直接用于深度神经网络模型训练,大幅降低了数据预处理的复杂度。数据集覆盖的物种范围广泛,从高频鸣叫的燕雀类到低频啼鸣的猛禽类,为构建鲁棒的鸟类识别系统提供了丰富的训练样本。

数据基本信息

字段描述

字段名	数据类型	含义说明	示例值	完整性
primary_label	string	主要鸟类物种代码,标识录音中的主要物种	grekis, compau, trokin	100%
secondary_labels	list/string	次要物种标签列表,标识录音中可能存在的其他物种	[''], ['chfmac1'], ['bubwre1']	100%
record_name	string	录音记录的唯一编号,通常来自Xeno-canto数据库	XC115515, XC112630, CSA36389	100%
source	string	数据源标识,指示录音来自哪一届BirdCLEF竞赛	bc25, bc00, bc21, bc24, bc23, bc20	100%
rank	float	物种内部的排名序号,用于标识同一物种的不同录音顺序	1.0, 2.0, 3.0, ...	100%

数据分布统计

记录数量分布:

• CSV训练记录总数: 28,721条
• 涵盖鸟类物种数量: 206种
• 预处理音频特征文件数: 172个
• 物种文件夹数量: 15个

数据源分布:

• bc25 (BirdCLEF 2025): 28,552条 (99.41%)
• bc00 (BirdCLEF 2000): 83条 (0.29%)
• bc21 (BirdCLEF 2021): 62条 (0.22%)
• bc24 (BirdCLEF 2024): 13条 (0.05%)
• bc23 (BirdCLEF 2023): 10条 (0.03%)
• bc20 (BirdCLEF 2020): 1条 (0.003%)

Top 20 鸟类物种记录分布:

物种代码	记录数	占比	累积占比
grekis	1,030	3.59%	3.59%
compau	808	2.81%	6.40%
trokin	787	2.74%	9.14%
roahaw	710	2.47%	11.61%
banana	610	2.12%	13.73%
whtdov	572	1.99%	15.72%
socfly1	544	1.89%	17.61%
yeofly1	525	1.83%	19.44%
bobfly1	512	1.78%	21.22%
wbwwre1	499	1.74%	22.96%
soulap1	487	1.70%	24.66%
sobtyr1	478	1.66%	26.32%
trsowl	470	1.64%	27.96%
laufal1	470	1.64%	29.60%
greegr	437	1.52%	31.12%
strcuc1	431	1.50%	32.62%
bbwduc	424	1.48%	34.10%
saffin	418	1.46%	35.56%
amekes	409	1.42%	36.98%
tropar	397	1.38%	38.36%

音频特征文件分布(NPY格式):

物种代码	文件数量	占比
grekis	86	50.00%
greegr	28	16.28%
strher	20	11.63%
linwoo1	12	6.98%
laufal1	6	3.49%
其他10个物种(每个2个文件)	20	11.63%

次要标签分析:

• 唯一次要标签数量: 145个
• 大部分记录(约70%)仅包含单一主要物种,次要标签为空['']
• 部分记录包含多物种混合鸣叫,如主要标签ywcpar同时标注次要标签chfmac1或bubwre1

数据优势

优势类型	具体表现	应用价值
物种覆盖广泛	包含206种鸟类物种,从常见燕雀类到稀有猛禽类,涵盖多种生态环境和地理区域	可构建泛化能力强的鸟类识别模型,支持全球多地区生物多样性监测研究
数据规模充足	28,721条训练记录,平均每个物种约139条样本,头部物种(如grekis)达1,030条记录	为深度学习模型提供足够的训练样本,避免过拟合,提升模型泛化性能
预处理特征就绪	提供172个NPY格式预处理音频特征文件,已完成梅尔频谱或其他声学特征提取	大幅降低数据预处理复杂度,研究者可直接加载特征进行模型训练,加速实验迭代
多源数据融合	整合BirdCLEF 2020-2025六届竞赛数据,主要来源BC25占99.41%,确保数据时效性	利用历史数据增强样本多样性,同时保持数据的时间一致性,适合最新算法验证
标签质量高	数据完整性100%,无缺失值,所有记录包含主要标签、录音编号和数据源信息	确保模型训练的标签准确性,避免噪声标签干扰,提高分类模型的可靠性
多标签支持	145个次要标签提供多物种混合场景信息,支持多标签分类任务	适合真实环境下的鸟类音频识别,如野外录音中同时出现多种鸟类鸣叫的场景
竞赛验证基准	来自BirdCLEF国际权威竞赛,数据经过专业鸟类学家和声学专家审核验证	可作为算法性能的标准化基准测试集,便于与国际研究成果进行对比评估

数据样本展示

以下展示20条代表性数据样本,涵盖Top 10物种的典型录音记录:

样本 1:

• 主要标签: grekis
• 次要标签: ['']
• 记录名: XC113044
• 数据源: bc25
• 排名: 1.0

样本 2:

• 主要标签: grekis
• 次要标签: ['']
• 记录名: XC115369
• 数据源: bc25
• 排名: 2.0

样本 3:

• 主要标签: compau
• 次要标签: ['']
• 记录名: XC112630
• 数据源: bc25
• 排名: 1.0

样本 4:

• 主要标签: compau
• 次要标签: ['']
• 记录名: XC112631
• 数据源: bc25
• 排名: 2.0

样本 5:

• 主要标签: trokin
• 次要标签: ['']
• 记录名: XC115603
• 数据源: bc25
• 排名: 1.0

样本 6:

• 主要标签: trokin
• 次要标签: ['']
• 记录名: XC118990
• 数据源: bc25
• 排名: 2.0

样本 7:

• 主要标签: roahaw
• 次要标签: ['']
• 记录名: XC112987
• 数据源: bc25
• 排名: 1.0

样本 8:

• 主要标签: roahaw
• 次要标签: ['']
• 记录名: XC112988
• 数据源: bc25
• 排名: 2.0

样本 9:

• 主要标签: banana
• 次要标签: ['']
• 记录名: XC112602
• 数据源: bc25
• 排名: 1.0

样本 10:

• 主要标签: banana
• 次要标签: ['']
• 记录名: XC113782
• 数据源: bc25
• 排名: 2.0

样本 11:

• 主要标签: whtdov
• 次要标签: ['']
• 记录名: XC112747
• 数据源: bc25
• 排名: 1.0

样本 12:

• 主要标签: whtdov
• 次要标签: ['']
• 记录名: XC112958
• 数据源: bc25
• 排名: 2.0

样本 13:

• 主要标签: socfly1
• 次要标签: ['']
• 记录名: XC10557
• 数据源: bc25
• 排名: 1.0

样本 14:

• 主要标签: socfly1
• 次要标签: ['']
• 记录名: XC115314
• 数据源: bc25
• 排名: 2.0

样本 15:

• 主要标签: yeofly1
• 次要标签: ['']
• 记录名: XC114463
• 数据源: bc25
• 排名: 1.0

样本 16:

• 主要标签: yeofly1
• 次要标签: ['']
• 记录名: XC115302
• 数据源: bc25
• 排名: 2.0

样本 17:

• 主要标签: bobfly1
• 次要标签: ['']
• 记录名: XC113720
• 数据源: bc25
• 排名: 1.0

样本 18:

• 主要标签: bobfly1
• 次要标签: ['']
• 记录名: XC115299
• 数据源: bc25
• 排名: 2.0

样本 19:

• 主要标签: wbwwre1
• 次要标签: ['']
• 记录名: XC10552
• 数据源: bc25
• 排名: 1.0

样本 20:

• 主要标签: wbwwre1
• 次要标签: ['']
• 记录名: XC10572
• 数据源: bc25
• 排名: 2.0

注:本数据集的NPY格式音频特征文件已经过预处理,包含梅尔频谱或其他声学特征提取结果,可直接用于深度学习模型训练。原始音频文件存储在Xeno-canto等公开数据库中,可通过record_name字段进行检索获取。

应用场景

场景一:基于深度学习的鸟类物种自动识别系统开发

在生态保护和生物多样性监测领域,传统的鸟类物种识别依赖于专业鸟类学家的人工听辨,效率低下且成本高昂。利用本数据集,研究者可以训练卷积神经网络(CNN)、循环神经网络(LSTM)或Transformer架构的深度学习模型,实现鸟类鸣叫的自动识别。数据集提供的172个NPY格式预处理特征文件已经过梅尔频谱提取,可直接输入到ResNet、EfficientNet或ViT等图像分类网络中,将音频分类问题转化为二维频谱图像分类任务。28,721条训练记录涵盖206种物种,为模型提供了充足的样本量,特别是头部物种grekis(1,030条记录)和compau(808条记录)可确保模型在常见物种上的识别精度。通过数据增强技术(如时间拉伸、频率平移、噪声注入)可进一步扩充样本,提升模型对环境噪声和录音质量变化的鲁棒性。模型训练完成后,可部署在边缘设备(如树莓派、嵌入式录音设备)上,实现野外环境的实时鸟类监测,为生态保护区管理、候鸟迁徙研究和濒危物种保护提供技术支持。

场景二:生物声学特征提取与声纹分析研究

鸟类鸣叫声包含丰富的生物学信息,如物种身份、个体差异、行为状态(求偶、警戒、领地宣示)等。本数据集的次要标签字段(145个唯一标签)提供了多物种混合场景的标注信息,适合研究多目标声源分离和声纹特征提取算法。研究者可以基于梅尔频率倒谱系数(MFCC)、线性预测倒谱系数(LPCC)、短时傅里叶变换(STFT)等传统声学特征,或利用深度嵌入学习(如Triplet Loss、ArcFace)提取更高层次的声纹特征向量。数据集中15个物种文件夹包含不同数量的音频特征文件,如grekis拥有86个文件而部分物种仅有2个文件,这种不平衡分布反映了真实世界中物种录音数量的差异,可用于研究小样本学习(Few-shot Learning)和类别不平衡问题的解决方案。通过对比不同物种在频率域、时间域和时频域的特征差异,可以识别出物种特异性的声学标志物,如特定频率范围的谐波结构、鸣叫节奏模式和音节持续时间等。这些研究成果可应用于鸟类分类学研究、进化生物学分析和动物行为学研究,揭示鸟类鸣叫行为的生物学意义和进化机制。

场景三:生态环境监测与生物多样性评估

生物多样性是评估生态系统健康状况的关键指标,鸟类作为环境敏感型生物,其物种组成和数量变化可以反映生态环境的变化趋势。本数据集整合了BirdCLEF 2020-2025六届竞赛的数据,其中BC25数据源占比99.41%,确保了数据的时效性,适合用于长期生态监测项目的算法验证。研究者可以利用数据集训练物种分类模型,然后应用于野外录音设备采集的连续音频流,自动识别并统计特定区域内的鸟类物种种类和数量。通过分析物种多样性指数(Shannon指数、Simpson指数)和物种丰富度(Species Richness),可以量化评估生态系统的健康水平。数据集涵盖206种鸟类物种,包括多种生态环境中的代表性物种,从森林栖息的啄木鸟到湿地环境的水鸟,再到城市环境的麻雀和鸽子,为构建跨生态环境的监测系统提供了数据支撑。此外,多标签分类能力(次要标签字段)使模型能够识别复杂生态场景中的多物种共存现象,这对于评估物种间相互作用和生态位分化具有重要意义。实际应用中,可以在国家公园、自然保护区、城市绿地等不同环境中部署声学监测网络,实时采集音频数据并自动识别鸟类物种,为环境管理部门提供科学决策依据,及时发现生态退化或外来物种入侵等问题。

场景四:多标签分类与弱监督学习算法验证

传统的单标签分类任务假设每个样本仅属于一个类别,但真实世界的鸟类录音往往包含多个物种的鸣叫声,特别是在生物多样性丰富的热带雨林或湿地环境中。本数据集的次要标签字段提供了145个唯一次要标签,标注了录音中可能存在的其他物种,支持多标签分类任务的研究。研究者可以基于数据集开发多标签学习算法,如二元相关(Binary Relevance)、分类器链(Classifier Chains)、标签幂集(Label Powerset)等传统方法,或采用深度学习中的多任务学习(Multi-task Learning)和注意力机制(Attention Mechanism)来捕捉标签间的相关性。数据集中约70%的记录仅包含单一主要物种(次要标签为空[''])而30%的记录包含多物种混合,这种混合标注的特性适合研究弱监督学习(Weakly Supervised Learning)和半监督学习(Semi-supervised Learning)算法。例如,可以利用仅标注主要物种的样本作为弱标签训练初步模型,然后通过伪标签生成(Pseudo-labeling)或自训练(Self-training)方法挖掘次要物种的信息,逐步提升模型对多物种场景的识别能力。此外,数据集的rank字段提供了同一物种内部的排名信息,可用于研究样本难度评估和课程学习(Curriculum Learning)策略,优先学习简单样本(高rank值)再逐步引入困难样本,提高模型训练效率和最终性能。这些研究成果不仅适用于鸟类音频识别,还可推广到其他多标签分类场景,如医学影像诊断(一张X光片可能包含多种病变)、视频标注(一段视频包含多个动作类别)和文本分类(一篇文章可能属于多个主题)。

场景五:迁移学习与领域自适应技术研究

深度学习模型的性能高度依赖于训练数据与实际应用场景的一致性,但在鸟类音频识别领域,不同地理区域、季节时间和录音设备会导致数据分布的显著差异。本数据集整合了来自BirdCLEF 2020-2025六届竞赛的数据,其中BC25占99.41%,BC00、BC21、BC24、BC23、BC20等历史数据源提供了跨时间域的样本,适合研究迁移学习(Transfer Learning)和领域自适应(Domain Adaptation)技术。研究者可以在BC25数据上预训练模型,然后通过微调(Fine-tuning)、领域对抗训练(Domain Adversarial Training)或特征对齐(Feature Alignment)等方法,将模型适配到其他年份或地区的数据上。数据集的206种物种覆盖了全球多个生态区系,从北美到欧洲、从热带到温带,为跨地域迁移学习提供了多样化的源域和目标域数据。此外,172个NPY格式预处理特征文件已经过标准化的声学特征提取,可作为预训练模型的输入,研究者可以基于这些特征训练通用的鸟类声纹嵌入网络,然后应用于新物种的小样本学习(Few-shot Learning)或零样本学习(Zero-shot Learning)任务。例如,对于数据集中样本量较少的物种(如仅有2个音频文件的10个物种),可以利用元学习(Meta-learning)框架如MAML(Model-Agnostic Meta-Learning)或Prototypical Networks,从样本充足的物种(如grekis的86个文件)中学习泛化的特征提取能力,然后快速适配到新物种上。这种迁移学习能力对于应对生态环境变化、新物种发现和濒危物种保护具有重要实际价值,可以大幅降低新场景下的数据采集和标注成本,加速模型部署周期。

场景六:音频数据增强与合成技术开发

数据增强是提升深度学习模型泛化能力的重要手段,在音频领域,常见的增强技术包括时间拉伸、频率平移、噪声注入、音量调节等。本数据集的28,721条记录提供了丰富的基准样本,可用于评估不同数据增强策略对模型性能的影响。研究者可以基于NPY格式的预处理特征文件,设计针对梅尔频谱图的增强算法,如SpecAugment(随机遮蔽时间或频率维度)、Mixup(混合不同样本的特征)、CutMix(剪切并粘贴不同样本的区域)等。数据集中物种分布不均衡(头部物种grekis占3.59%,而部分物种仅占0.01%),这为研究类别不平衡问题的增强策略提供了真实场景,如对少数类样本进行过采样(Over-sampling)或合成少数类过采样技术(SMOTE)。此外,数据集的次要标签字段提供了多物种混合场景的标注,可用于开发音频混合合成(Audio Mixing)技术,将不同物种的录音按照一定比例混合,生成更真实的多物种场景数据,提升模型在复杂环境下的识别能力。在音频生成领域,研究者可以利用生成对抗网络(GAN)或变分自编码器(VAE)学习鸟类鸣叫的潜在特征分布,生成逼真的合成鸟鸣音频,用于数据扩充或艺术创作。数据集的206种物种为生成模型提供了丰富的训练样本,可以学习不同物种的鸣叫模式和声学特征,生成符合生物学规律的合成音频。这些技术不仅可以提升鸟类识别模型的性能,还可以应用于语音合成、音乐生成和声音设计等领域,推动音频AI技术的发展。

场景七:边缘计算与实时音频分类系统部署

随着物联网(IoT)和边缘计算技术的发展,将鸟类识别模型部署在边缘设备(如树莓派、嵌入式录音器、智能手机)上,实现实时音频分类,成为生态监测和智能导览系统的重要应用方向。本数据集提供的172个NPY格式预处理特征文件,已经过梅尔频谱提取,可以作为模型输入的标准格式,便于在边缘设备上实现高效的特征提取和推理。研究者可以基于轻量化神经网络架构(如MobileNet、SqueezeNet、EfficientNet-Lite)训练鸟类分类模型,通过模型压缩技术(如剪枝、量化、知识蒸馏)进一步减小模型尺寸和计算复杂度,使其能够在资源受限的边缘设备上实时运行。数据集的28,721条记录涵盖206种物种,为训练泛化能力强的轻量化模型提供了足够的样本量。实际部署中,边缘设备可以持续采集环境音频,提取梅尔频谱特征,输入到预训练的分类模型中,实时识别鸟类物种并记录检测时间和置信度。这种实时监测能力可应用于智慧公园导览系统,游客通过手机APP录制鸟鸣,系统即时识别物种并提供科普信息;也可用于农业害鸟预警系统,监测农田周边的鸟类活动,及时发现并驱赶对农作物有害的鸟类;还可应用于城市噪声监测,区分鸟类鸣叫与其他环境噪声,评估城市生态环境质量。此外,边缘设备的低功耗特性使其适合长期野外部署,结合太阳能供电和低功耗通信技术(如LoRa、NB-IoT),可构建覆盖大范围生态保护区的鸟类监测网络,为生物多样性研究和生态保护提供持续的数据支持。

场景八:跨模态学习与多传感器融合研究

鸟类识别不仅可以基于音频信息,还可以结合视觉、地理位置、时间和气象等多模态数据,提升识别准确性和鲁棒性。本数据集的record_name字段提供了录音在Xeno-canto数据库中的唯一编号,可通过该编号检索获取对应的元数据,如录音地点(经纬度)、录音时间(日期、时刻)、录音者信息、录音设备参数等。研究者可以利用这些元数据,构建跨模态学习模型,将音频特征与地理位置特征、时间特征融合,提升物种识别的准确性。例如,某些鸟类物种具有明显的地理分布特征(如特定区域的特有种),或者在特定季节和时间段活跃(如候鸟的迁徙时间、晨间鸣叫高峰),这些先验知识可以作为辅助特征输入到多模态融合模型中。数据集的source字段标识了数据来源(BC25、BC21等),不同年份的竞赛可能涵盖不同的地理区域和物种组成,研究者可以利用这些信息研究物种时空分布模式,构建基于时空约束的物种预测模型。此外,多传感器融合技术可以结合麦克风阵列、相机、GPS和环境传感器(温度、湿度、光照)的数据,实现更全面的鸟类监测。例如,麦克风阵列可以实现声源定位,确定鸟类的空间位置;相机可以捕捉鸟类的外观特征,与音频识别结果进行交叉验证;GPS和时间戳可以构建鸟类活动的时空轨迹,分析其迁徙路线和栖息地选择。这些跨模态和多传感器融合技术不仅可以提升鸟类识别的准确性,还可以挖掘更深层次的生态学规律,为鸟类行为学研究、迁徙模式分析和栖息地保护提供科学依据。

场景九:教育培训与科普推广应用

鸟类是自然教育和生态科普的重要载体,利用本数据集开发的交互式鸟类识别应用,可以为学生、自然爱好者和公众提供有趣且实用的学习工具。数据集涵盖206种鸟类物种,包括常见的城市鸟类(如麻雀、鸽子、燕子)和珍稀的保护物种(如猛禽、水鸟),为科普教育提供了丰富的素材。研究者可以基于数据集训练鸟类识别模型,开发移动应用或网页工具,用户通过录音或上传音频文件,即可获得鸟类物种的识别结果和详细介绍,包括物种名称、外观特征、生活习性、分布区域和保护状态等。数据集的次要标签字段(145个唯一标签)提供了多物种混合场景的信息,可以设计挑战性的识别任务,如"从一段录音中识别出所有存在的鸟类物种",提升用户的学习兴趣和参与度。此外,数据集的预处理特征文件(NPY格式)可以用于可视化展示,将梅尔频谱图呈现给用户,帮助他们理解鸟类鸣叫的声学特征,如不同物种在频率、节奏和音节结构上的差异。在中小学自然科学课程中,教师可以利用该应用引导学生开展校园鸟类调查,记录和识别校园内的鸟类物种,培养学生的观察能力和生态保护意识。在博物馆和自然保护区的科普活动中,可以设置互动展台,让参观者体验鸟类音频识别技术,了解生物多样性保护的意义。这些教育培训和科普推广应用,不仅可以提升公众的生态环保意识,还可以为鸟类保护事业培养潜在的志愿者和支持者,推动全社会形成关爱自然、保护生物多样性的良好氛围。

场景十:竞赛算法开发与基准测试

BirdCLEF竞赛是生物声学和机器学习领域的权威国际赛事,吸引了全球顶尖研究团队和算法工程师参与。本数据集作为BirdCLEF2025竞赛的训练数据,为算法开发者提供了标准化的基准测试平台。研究者可以基于数据集开发和验证各类音频分类算法,包括传统机器学习方法(如支持向量机、随机森林、梯度提升树)和深度学习方法(如CNN、RNN、Transformer、图神经网络),比较不同算法在鸟类识别任务上的性能差异。数据集的28,721条记录和206种物种提供了充足的样本量和类别数,适合评估模型的泛化能力和类别区分能力。数据集的物种分布不均衡(头部物种占比3.59%,尾部物种占比<0.1%)反映了真实世界的长尾分布特性,为研究长尾学习(Long-tail Learning)和类别不平衡问题提供了理想的测试场景。研究者可以设计针对性的算法策略,如重采样(Re-sampling)、重加权(Re-weighting)、Focal Loss、类别均衡损失(Class-Balanced Loss)等,提升模型在尾部类别上的识别性能。此外,数据集的多源融合特性(BC25占99.41%,其他年份占0.59%)可用于评估模型对数据分布偏移(Distribution Shift)的鲁棒性,测试模型在跨域场景下的泛化能力。竞赛评估指标通常采用宏平均F1分数(Macro F1-score)或平均精度均值(mAP),这些指标不仅关注整体准确率,还考虑各类别的平衡性能,鼓励开发者设计公平且高效的算法。通过参与竞赛或基于数据集进行独立研究,算法开发者可以将自己的方法与国际最新成果进行对比,发现算法的优势和不足,推动鸟类音频识别技术的持续进步。这些研究成果不仅适用于鸟类识别,还可以迁移到其他音频分类任务,如环境声音分类、音乐流派识别、语音情感识别等,具有广泛的应用价值和学术影响力。

数据集总结

BirdCLEF2025鸟类音频识别竞赛数据集,以其28,721条训练记录、206种鸟类物种覆盖、172个预处理音频特征文件和100%数据完整性,成为生物声学、深度学习和生态保护研究的重要数据资源。数据集整合了BirdCLEF 2020-2025六届竞赛的优质录音资源,特别是BC25数据源的99.41%占比确保了数据的时效性和代表性。NPY格式的预处理特征文件大幅降低了数据预处理复杂度,使研究者能够快速开展模型训练和算法验证。数据集支持多标签分类、小样本学习、长尾分布学习、迁移学习等多种研究方向,为鸟类自动识别、生物多样性监测、生态环境评估、边缘计算部署、跨模态融合和科普教育等广泛应用场景提供了坚实的数据基础。无论是学术研究、算法竞赛还是实际工程应用,本数据集都是不可或缺的高质量资源,将持续推动鸟类音频识别技术的发展和生态保护事业的进步。