1. 基于GPS追踪数据对动物运动策略进行分类，对于理解空间利用、种群动态及保护规划至关重要。然而，现有方法要么需要对轨迹形态作出较强的参数化假设，要么在机器学习中依赖大规模有标签数据集（即由专家标注的数据），要么缺乏正式的不确定性量化。这些局限为研究新物种或样本量有限的研究者设置了障碍。
2. 我们提出了一种基于剖面的分类框架，由三个步骤组成。首先，利用应用于净平方位移（Net Squared Displacement, NSD）时间序列的断点检测对轨迹进行分段。随后，从每个分段中提取运动度量，并通过将其与经验推导的行为剖面进行比较来完成分类，其中采用Z分数距离并将其转换为softmax概率。Bootstrap重采样用于量化最终分类结果中的不确定性，该不确定性同时来源于训练数据和测试数据。
我们通过模拟实验验证了该框架，并将其应用于两个生态学特征显著不同物种的GPS追踪数据：灰狼（Canis lupus；43个个体）和凤头麦鸡（Vanellus vanellus；15个个体）。
3. 模拟结果表明，对于每种运动策略，5–10个训练分段即可实现可靠分类；在定居、游移和扩散策略上的总体准确率为91.1%。为了有把握地区分定居行为和游移行为，需要30–60天的分段时长。对于灰狼，该框架能够清晰地区分定居、游移或扩散状态（91.2%的分段以大于50%的概率被分类）。对于凤头麦鸡，迁徙能够以较高置信度被识别，而定居—游移的区分则反映了经领域专家确认的真实生态学模糊性；bootstrap置信区间能够透明地标示出不确定案例。
4. 该基于剖面的框架为参数化NSD拟合和机器学习方法提供了一种易于使用且可解释的替代方案，在仅需适度训练数据的同时，能够给出概率性分类及可靠的不确定性估计。实现完整工作流程的R程序包（moveprofile）可免费获取。该框架适用于任何能够依据专家知识识别出不同运动策略的被追踪物种。
注意：要求提供您的电子邮箱地址仅仅是为了将您识别为本文的发送者。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.13.724011v1?rss=1
🏷️ 动物追踪 运动策略分类 GPS轨迹分析 断点检测 净平方位移 生态建模