基于加速度计的行为分类与置信度评估：提升濒危秃鹫保护管理的新策略

本研究开发了一种基于三轴加速度计（ACC）和随机森林（RF）算法的行为分类模型，用于精准识别濒危物种（如格里芬秃鹫）的摄食等关键行为。通过引入置信度评分系统验证预测可靠性，并结合GPS空间数据绘制摄食热点图，为预防中毒事件提供了高效监测工具。该方法显著提升了保护行动的精准性，并开源代码及训练数据集，可推广至其他濒危食腐动物保护。

　　

研究背景与意义

全球秃鹫种群正面临严重威胁，约70%的物种处于濒危状态，其中中毒是主要致死因素。传统GPS追踪技术虽能定位动物位置，但难以精确识别高风险行为（如摄食）。三轴加速度计（ACC）可通过记录动物运动加速度曲线来量化行为特征，结合机器学习算法实现行为分类，为保护管理提供新途径。本研究以以色列内盖夫沙漠的格里芬秃鹫（Gyps fulvus）为模型，开发了一套基于ACC的行为分类流程，重点解决摄食行为识别精度验证及实际应用问题。

研究方法设计

数据采集与行为标注

研究团队通过两种途径获取训练数据：

1. 1.
   圈养个体：在西班牙卡布里塞尼奥野生动物园对14只秃鹜进行定向行为记录，包括站立（Standing）、俯卧（Lying）、地面活动（Ground）和摄食（Feeding）等直接观察行为。
2. 2.
   野外个体：在以色列对17只佩戴追踪器的野生秃鹜进行观测，补充飞行行为数据（翱翔Soaring和扑翼Flapping）。所有ACC数据以5秒为一个批次（bout）记录，共收集5783个标注样本，其中摄食行为占比10.2%（587个样本）。

加速度计数据处理与模型构建

原始ACC数据（单位mV）通过设备特异性校准值转换为加速度单位（m/s²）。每个批次提取47项统计特征（如均值、方差、频域能量等），使用随机森林（RF）算法训练分类模型。模型将行为分为6类，其中间接推断的飞行行为（翱翔、扑翼）通过GPS速度（>4 m/s）及姿态数据验证。训练集与测试集按67%:33%划分，评估指标包括准确率（Accuracy）、精确率（Precision）和召回率（Recall）。

模型性能与验证创新

行为分类精度

最终模型整体准确率达0.96，摄食行为识别精确率为0.87，召回率为0.92。地面活动（Ground）分类效果较差（精确率0.57），因该类别包含行走、奔跑等多种异构动作。飞行行为分类极佳（翱翔精确率0.99，扑翼0.98）。

置信度评分系统的建立与应用

研究创新性地引入置信度评分（Confidence Score），即随机森林中所有决策树对预测结果的一致性比例。结果显示：

• •
  正确分类（True-positive）的置信度显著高于错误分类（False-positive），尤其对摄食行为（p < 0.001）。
• •
  通过GPS位置验证野生个体摄食预测：72%的“摄食”批次位于投喂站内（可能为真阳性），11%位于无食物的悬崖（可能为假阳性）。真阳性摄食的置信度（0.75±0.16）显著高于假阳性（0.56±0.19）。
• •
  设定置信度阈值0.5可有效过滤假阳性，提升实地管理效率。

保护实践案例：摄食热点图谱绘制

2022年11月，对51只野生秃鹜的ACC数据应用模型，识别出4595个摄食批次。经GPS匹配及空间过滤（剔除投喂站、栖息地、飞行点后），保留264个高置信度（>0.5）摄食位点。核密度估计（KDE）显示，约旦边境存在显著摄食热点，与同期巡护员报告的5处野外动物尸体位置高度吻合。相较仅用GPS数据（如低速移动点）生成的图谱，ACC行为分类将候选点减少86%，且精准识别出GPS方法遗漏的高风险区域。

技术普适性与局限性

设备部署与模型适应性

对比背戴式（Backpack）与腿环式（Leg-loop）追踪器数据，置信度无显著差异（p > 0.05），表明模型对安装方式不敏感。开源代码及训练数据集（Zenodo及GitHub平台）支持其他秃鹜物种（如Gyps属）或类似生态位动物的行为研究，但需注意种间行为差异可能影响分类效果。

挑战与优化方向

• •
  数据异质性：摄食行为包含啄食、争斗等子行为，增加分类方差；建议未来细分行为类别以提升精度。
• •
  能耗与成本：高频ACC采样可能缩短设备续航，需平衡分辨率与功耗。
• •
  个体差异：优势个体与从属个体的摄食策略不同，未来可引入个体特异性模型。

结论与展望

本研究证实ACC行为分类结合置信度评估可转化为高效的保护工具。通过精准识别摄食热点，能优先部署巡护资源、快速响应中毒事件。置信度评分系统为行为生态学提供了可推广的误判控制方法。该框架有望扩展至其他濒危物种（如非洲秃鹜、加州神鹰），推动智能监测技术在生物多样性保护中的深度融合。