1. 基於GPS追蹤數據對動物運動策略進行分類，對於理解空間利用、種群動態及保護規劃至關重要。然而，現有方法要麼需要對軌跡形態作出較強的參數化假設，要麼在機器學習中依賴大規模有標籤數據集（即由專家標註的數據），要麼缺乏正式的不確定性量化。這些侷限為研究新物種或樣本量有限的研究者設置了障礙。
2. 我們提出了一種基於剖面的分類框架，由三個步驟組成。首先，利用應用於淨平方位移（Net Squared Displacement, NSD）時間序列的斷點檢測對軌跡進行分段。隨後，從每個分段中提取運動度量，並通過將其與經驗推導的行為剖面進行比較來完成分類，其中採用Z分數距離並將其轉換為softmax概率。Bootstrap重採樣用於量化最終分類結果中的不確定性，該不確定性同時來源於訓練數據和測試數據。
我們通過模擬實驗驗證了該框架，並將其應用於兩個生態學特徵顯著不同物種的GPS追蹤數據：灰狼（Canis lupus；43個個體）和鳳頭麥雞（Vanellus vanellus；15個個體）。
3. 模擬結果表明，對於每種運動策略，5–10個訓練分段即可實現可靠分類；在定居、遊移和擴散策略上的總體準確率為91.1%。為了有把握地區分定居行為和遊移行為，需要30–60天的分段時長。對於灰狼，該框架能夠清晰地區分定居、遊移或擴散狀態（91.2%的分段以大於50%的概率被分類）。對於鳳頭麥雞，遷徙能夠以較高置信度被識別，而定居—遊移的區分則反映了經領域專家確認的真實生態學模糊性；bootstrap置信區間能夠透明地標示出不確定案例。
4. 該基於剖面的框架為參數化NSD擬合和機器學習方法提供了一種易於使用且可解釋的替代方案，在僅需適度訓練數據的同時，能夠給出概率性分類及可靠的不確定性估計。實現完整工作流程的R程序包（moveprofile）可免費取得。該框架適用於任何能夠依據專家知識識別出不同運動策略的被追蹤物種。
注意：要求提供您的電子電郵地址僅僅是為了將您識別為本文的發送者。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.13.724011v1?rss=1
🏷️ 動物追蹤 運動策略分類 GPS軌跡分析 斷點檢測 淨平方位移 生態建模