全球环境快速变化和生物多样性仍在不断丧失的背景下，要更好地理解和认知生态系统的动态变化，需要高分辨率的监测工具/体系。在生态系统的非生物组分监测方面，目前已经有一些实时的全自动监测的应用，但是要实现同等程度的对生物组分的监测，仍然面临较大挑战。新技术和新工具的陆续出现，有利于解决这一挑战。一方面，越来越多的高通量数据记录装备，不断问世，其价格也在可承受范围之内。另一方面，越来越多的基于人工智能的分析手段不断出现，这有利于帮助从大数据中提取有效的生态学知识。目前，利用这些新的工具/技术对生态群落进行自动监测也有一些应用，但是主要集中在较低的时空分辨率，并且只是在全自动监测框架的某些步骤有所应用。所以，如何推动完整的全自动的生态群落监测框架，还值得继续讨论。
在Ecology Letters的本篇综述中，作者对已有的数据记录与处理工具进行了回顾和整理。全自动监测的工作流程，主要包括数据的收集、存储、转化、加工和知识提取等步骤。目前已有的记录/监测工具和设备类型还是比较多样化的，但是总体可以分成三大类：声波记录类、化学记录类以及电磁波记录类。综述进而对各类的仪器设备及其优缺点（例如应用范围/场景等）进行了分析。基于此，提出了融合多种技术的新型工作框架，以期实现多目标的、全程的全自动监测（例如对多物种进行识别、追踪、分类和定量；记录物种的行为与形态性状等）。综述给出了两个比较容易实现的案例，一个是实验体系中原生生物群落的全自动监测，一个是野外环境中植物-传粉者互作的全自动监测。而受限于训练数据的缺乏和自然环境的高度复杂性，要真正实现“任意系统、任意群落”的全自动监测，目前还只能作为一个努力的目标（但是是值得努力的目标）。总而言之，基于快速发展的新技术，构建真正的全自动生态监测框架，有助于解决生态学面临的重大挑战之一：快速获取复杂生态背景下的大通量、多维度、标准化的数据。

图1. 种群与群落全自动监测的工作流程图，其包含了从数据收集到生态知识提取等多个步骤。

图2. 该图汇总了目前可用的非损伤远程监测工具，可见类型还是比较多样化的。主要包括三大类：声波记录类（比如声呐、地波探测器等）、化学记录类（比如依据eDNA等监测）、电磁波记录类（比如基于高光谱、雷达等的监测工具）。每个工具旁边的条图代表该工具的监测能力：1格表示仅适用于边角案例（即适用范围最小）；2格表示适用于特定环境下的特定生物类型或者特定的功能需求（适用范围居中）；3格表示适用于多数环境下的多数生物类型或者多个需求（适用范围最大）。

图3. 深度神经网络的原理及其在生态群落监测上的应用案例。

图4. 以实验体系中的多物种原生生物群落为例，构建的全自动监测工作框架，其可以帮助监测多维度的数据类型。

图5. 以自然条件下的植物-传粉者互作为例，构建的实时、全自动监测工作框架。

图6. 展望未来，全自动的野生生物监测项目的一些应用场景。图中主要展示了水下监测和地上监测两种。例如，给全自动、无线的水下行驶器装备上多种类型的高分相机以及水波探测器等，可以帮助监测珊瑚礁群落的若干特征数据，例如栖息地的复杂性、珊瑚物种的分布、鱼类的功能多样性等（a）。全自动的无人机与雷达和高光谱相机结合，可以帮助监测植物、树木的开花物候等（b）。