编辑推荐：
在野生动物研究中，传统 GPS 研究难以深入洞察野生动物日常活动。为解决这一问题，研究人员开展了狼行为分类模型的研究。他们利用三轴加速度数据训练随机森林（RF）模型，成功区分圈养狼的多种行为。这为狼行为研究及保护管理提供了有力支持。
在野生动物研究的广袤领域中，诸多难题如同层层迷雾，阻碍着科研人员深入探索动物们的神秘生活。野生的动物们总是行踪隐秘，想要获取它们的生理和行为数据，就如同大海捞针一般困难。传统的 GPS 追踪技术，虽然在一定程度上帮助我们了解动物的活动，但它的局限性也十分明显，只能提供有限的信息，无法细致地展现动物们日常的一举一动。比如，狼作为生态系统中的重要一环，它们的行为对于生态平衡有着深远的影响。然而，现有的研究手段却难以精准地识别狼的各种行为，这无疑成为了野生动物研究道路上的 “拦路虎”。
为了突破这些困境，来自挪威内陆大学（University of Inland Norway）等机构的研究人员勇敢地踏上了探索之旅，开展了一项极具意义的研究。他们致力于开发一种专门针对灰狼（Canis lupus）的行为分类模型，期望能为野生动物研究开辟新的道路。最终，他们成功开发出两个行为识别模型，在圈养狼数据测试中，对常见行为分类效果良好。这一成果意义非凡，为预测野生狼行为提供了有力工具，也为野生动物行为研究和保护管理工作注入了新的活力。该研究成果发表在《Animal Biotelemetry》杂志上。
研究人员在这项研究中运用了多种关键技术方法。首先是数据收集，他们在明尼苏达州的野生动物科学中心，对 9 只圈养狼进行研究，为狼佩戴装有三轴加速度计的 GPS 项圈，收集 32Hz 的连续加速度（“精细尺度” 数据）和 5 分钟间隔的平均加速度（“活动” 数据） ，同时利用红外摄像机进行同步视频观察。其次是数据处理与分析，研究人员设计了特定的行为谱，对视频中的狼行为进行标注，并从原始加速度数据中提取有生物学意义的变量。最后，使用 R 语言中的 h2o 包构建随机森林（RF）多类分类算法模型，并通过留一法交叉验证评估模型性能。
下面来看具体的研究结果：
- 行为特征：在选定分类的 12 种行为中，静止和躺卧这两种行为占 32Hz 加速度数据点的 87.7%，其他行为占比较少，部分行为在个体间的表现存在差异，且由于技术原因，部分个体对整体数据集贡献较少。
- 精细尺度模型（32Hz）：12 种行为的主模型平均召回率为 0.88，交叉验证结果显示平均召回率为 0.42。常见行为的召回率较高，如躺卧、静止和小跑等；稀有行为召回率低，如挖掘、跳跃等。模型中重要的预测变量包括平均俯仰角、x、总体动态身体加速度（ODBA）等。
- 活动模型（300s）：在对活动数据分类训练时，比较了多种行为分组的模型。最简单的 3 类模型（静态、运动和杂项，模型 B）性能最佳，其各类召回率分别为 0.92、0.77 和 0.44（交叉验证中为 0.92、0.73 和 0.39） 。模型 B 中重要变量包括平均活动、加速度幅值（AMAG）等。尝试丰富模型 B 得到的 5 类混合模型（模型 C），在咀嚼行为的分类上略有改进。
在研究结论与讨论部分，研究人员开发的两个狼行为识别模型，在圈养数据测试中对常见行为分类效果不错，可用于预测野生狼行为，但要注意行为混淆和预测可靠性的变化。研究存在一定局限性，数据来自圈养环境，模型在野外应用时性能可能下降。未来研究可以增加训练样本，利用其他传感器数据，系统地进行交叉验证，以提升模型性能。同时，可结合无监督聚类模型等算法，更好地识别野生环境中狼的行为。这项研究为野生动物行为研究和保护管理提供了重要的方法和思路，为后续相关研究奠定了坚实基础，开启了利用先进技术深入探索野生动物行为奥秘的新篇章。
