基于机器学习从成年雌性运动特征识别灰熊与北极熊幼崽存在与否的研究

本研究针对灰熊(Ursus arctos)和北极熊(U. maritimus)繁殖监测难题，创新性地应用支持向量机(SVM)算法分析成年雌性个体离开巢穴后的运动数据，成功实现了对幼崽存在与否的高精度识别（准确率达87-93%）。该研究为难以直接观察的穴居动物繁殖监测提供了新方法，对种群动态评估和幼崽存活率研究具有重要意义。

　　

在野生动物保护领域，准确监测繁殖成功率对理解种群动态至关重要。然而对于灰熊和北极熊这类穴居动物，直接观察幼崽存在与否存在巨大挑战：不仅巢穴访问存在安全隐患，且目视观察往往滞后数周，可能错过关键存活数据。传统方法依赖春季目视确认，但偏远栖息地和母熊保护行为使得样本量受限，而全窝幼崽死亡事件更易被漏记。这种监测缺口严重制约了评估气候变化等环境压力对顶级捕食者种群影响的研究。

美国鱼类与野生动物管理局等机构的研究团队在《Movement Ecology》发表创新性解决方案。研究提出：成年雌性个体在离巢后的运动模式可能携带幼崽存在与否的生物标记。灰熊带崽母熊倾向于保持高海拔区域活动且移动受限，以降低幼崽遭遇成年雄熊捕食的风险；北极熊带崽母熊则表现出更缓慢的移动速率，这种差异在离巢初期尤为明显。研究团队假设这些运动特征差异可通过机器学习进行模式识别。

研究采用两大关键技术：1) 通过连续时间相关随机游走模型(CRAWL)处理不同精度和采样频率的追踪数据，生成标准化位置估计；2) 构建支持向量机分类器，输入6个运动特征变量（包括累积净位移、最大净平方位移和方向性强度等），采用留二交叉验证评估模型性能。数据来源于2000-2022年黄石生态系统和北大陆分水岭的灰熊GPS项圈数据，以及1985-2016年阿拉斯加北极熊卫星项圈数据。

【研究结果】

1. 运动特征差异
   灰熊带崽母熊在所有时期的日均净位移显著低于无崽个体（补充表S1）。北极熊带崽母熊在前20天移动较慢，但后期差异缩小。方向性特征呈现物种特异性：北极熊带崽个体始终表现出更强方向性，而灰熊仅在离巢初期10天内方向性较弱。

1. 分类准确率
   使用5天数据即达87%（灰熊）和86%（北极熊）的准确率。灰熊模型在20天数据时达到峰值92%准确率，北极熊模型则在50天时达93%。值得注意的是，增加6小时精度位置数据并未提升分类性能，24小时标准化数据已能捕捉关键运动差异。

2. 样本量与周期长度影响
   灰熊数据显示：训练样本量从10增至30时，准确率从76%提升至90%；但超过30样本后收益递减。保持样本量不变时，延长分析周期（5-60天）对准确率影响有限，表明离巢初期运动特征最具鉴别力。

3. 特殊案例验证
   7头异常早离巢（1月）的北极熊全部被模型判定为"无存活幼崽"，这与生物学认知（过早离巢幼崽难存活）高度一致，证实模型能识别繁殖失败事件。

【结论与意义】
该研究首次证明机器学习可从运动特征远程推断穴居熊类的繁殖状态，突破性地解决了三个关键问题：(1)实现近乎实时的繁殖监测，将观察窗口从传统方法的数周缩短至5天；(2)为历史低分辨率数据提供再分析工具，利于长期气候变化影响研究；(3)建立跨物种适用框架，尽管灰熊与北极熊存在栖息地和移动尺度差异，但相似的运动特征差异机制使统一分析方法成为可能。该方法可整合入现有监测体系，通过提高繁殖事件检出率，显著增强对种群压力因素的早期预警能力。未来可扩展应用于其他穴居物种，并探索识别幼崽丢失时间点的应用潜力。

研究同时揭示了机器学习在运动生态学中的独特优势：支持向量机(SVM)对自相关数据和非参数分布的适应性，使其特别适合处理野生动物追踪数据的复杂性。该方法避免了对单一诊断指标的依赖，通过多特征协同分析实现稳健分类，为野生动物保护中的"非侵入式监测"树立了新范式。