编辑推荐：
为解决野生马鹿行为难以观测及分类模型准确性问题，研究人员开展相关研究，发现判别分析模型表现最佳，有重要意义。
在广袤的大自然中，野生马鹿（Cervus elaphus）宛如灵动的精灵，穿梭于山林之间。然而，这些可爱的动物却给研究人员带来了不少难题。想要有效保护和管理马鹿，就必须深入了解它们的行为。可马鹿生性警觉、行动敏捷，常常栖息在树木繁茂的环境中，而且不少还是 “夜猫子”，活动范围广阔，人类的靠近很容易惊扰到它们，这使得直接观察它们的行为变得困难重重。传统的视觉观察方法在面对这些挑战时，往往力不从心。
为了突破困境，研究人员开始借助现代科技的力量，GPS collar（全球定位系统项圈）和其他遥测设备应运而生。这些设备能远程监测马鹿的行动轨迹，帮助研究人员了解它们的空间运动、资源选择和季节性迁徙等信息。但新的问题又出现了，仅仅依靠这些数据，很难判断马鹿具体在进行什么行为，比如是在安静进食，还是在快速奔跑。
为了填补这一空白，来自苏黎世应用科学大学野生动物管理部门、瑞士国家公园以及挪威内陆应用科学大学的研究人员 Benjamin Bar?Gera、Pia Anderwald、Alina L. Evans 等人开展了一项极具意义的研究。他们的研究成果发表在《Animal Biotelemetry》上。
研究人员采用了多种关键技术方法。首先，在瑞士国家公园及其周边地区，为野生马鹿佩戴上装有加速度计的 GPS collar。这些加速度计以 4Hz 的频率在每个轴上连续测量加速度，并将 5 分钟内的数据进行平均处理。研究人员还通过望远镜从 250 - 1200 米的距离对马鹿进行观察，同时利用 “Behayve” 应用程序记录马鹿的行为，为了确保记录准确，还对大部分行为进行了拍摄。在数据处理阶段，研究人员对加速度数据进行了预处理，包括检查错误、归一化、转换等操作，然后将数据分为训练集（75%）和测试集（25%）。最后，使用 16 种不同的机器学习（ML）算法和 9 种不同的输入变量组合，训练并测试了 144 个不同的模型。
研究结果主要体现在以下几个方面：
- 行为观察结果：研究人员在 57 天的野外工作中，有 35 天观察到了 4 只佩戴项圈的马鹿，获得了 160 小时的行为数据集。但观察到的行为频率和持续时间极不平衡，经常能看到马鹿躺卧或进食，而奔跑、行走和站立等行为则很少见，且有些行为持续时间很短。例如，马鹿平均每次躺卧时长为 34.77 分钟，而行走仅为 1.16 分钟。这种不平衡导致短时间行为的纯间隔数据极少，不过通过使用混合间隔数据，研究人员成功增加了这些行为的数据量，从而能够构建多分类模型。
- 模型性能结果：研究人员共生成了 144 个分类模型。其中，最准确的模型宏观平衡准确率（MBA）达到 81% ，该模型是使用线性判别分析训练的，公式为 behavior ～ xminmax+yminmax+ratio(x, y)minmax。不同输入变量和算法对模型性能有显著影响。使用xminmax+yminmax 或xminmax+yminmax+ratio(x, y)minmax作为输入变量通常能生成最准确的模型；判别分析和集成决策树算法训练出的模型表现最佳。此外，归一化方法也会影响模型性能，minmax 归一化的模型平均表现优于 scale 归一化和对数转换的模型。
研究结论和讨论部分指出，本研究成功训练出基于野生马鹿行为的分类模型，但也面临数据集较小的问题，尤其是对于罕见或短暂行为。使用混合间隔数据能有效解决这一问题，并且能更真实地反映模型的准确性。在评估行为分类模型的准确性时，除了正确分类率（CCR），还应使用其他指标，如 MBA。本研究生成的马鹿行为分类模型具有多种潜在应用，比如可以分析人类活动、季节变化、天气和气候变化对马鹿行为的影响。研究人员还希望未来能开发基于网络的用户界面，方便人们基于加速度数据生成行为序列。总之，该研究为野生马鹿行为研究以及相关模型构建提供了重要的参考和借鉴，推动了野生动物保护和管理领域的发展。
