区分近缘入侵大鼠物种足迹的机器学习模型在生物安全监测中的应用

本研究开发了基于线性判别分析（LDA）与极限梯度提升（XGBoost）的足迹识别模型，成功区分新西兰两种近缘入侵鼠种——太平洋大鼠（Rattus exulans）和船鼠（Rattus rattus）。通过提取足迹几何特征（如足垫面积、趾间距），模型对前足与后足的分类准确率分别达99%和94%，显著降低传统目视鉴定的误判率。该技术为入侵物种监测提供高性价比工具，可优化生物安全策略（如靶向毒素应用），尤其适用于岛屿生态系统的种群动态评估与再入侵预警。

　　

背景

准确鉴定隐存物种对入侵物种监测至关重要。足迹调查作为间接监测手段常因近缘种形态相似导致误判。机器学习技术通过训练已知足迹的统计模型分类未知样本，可显著降低观测误差。本研究聚焦新西兰两种生态重叠的入侵鼠种——体型较小的太平洋大鼠与船鼠，开发足迹识别模型以提升生物安全管理效率。

材料与方法

数据收集

• 足迹来源：太平洋大鼠足迹取自新西兰离岛单一物种区域（如德维尔岛、母鸡岛）；船鼠足迹结合离岛样本与南岛活体捕获个体（通过连接巢箱的追踪隧道获取）。

• 预处理：足迹经扫描（600^dpi）后筛选完整足印（前足含1个中央趾垫、2个副趾垫及4个趾垫；后足含2个中央趾垫、2个副趾垫及5个趾垫），通过Photoshop?增强对比度并移除杂质（图2）。

几何特征提取

开发Python程序（基于OpenCV/NumPy库）自动化测量：

1. 拟合椭圆标记趾垫与趾间垫区域。

2. Delaunay三角网定位中央趾垫，识别附属结构。

3. 提取15（前足）或17（后足）项变量，包括趾垫面积、趾间三角区（interdigital triangle）周长/面积、中央趾垫至各垫质心距离（图3）。

4. 左右足镜像对称化处理以统一方向。

建模与验证

• 物种模型：采用LDA与XGBoost分别构建前/后足分类器，75%数据训练+25%测试，十折交叉验证优化。

• 种群模型：分析同种不同地理种群（如太平洋大鼠的4个岛屿种群）的足迹差异。

• 实际应用：在无太平洋大鼠记录区域（如佩洛鲁斯桥）收集未知足迹进行盲测。

结果

1. 物种模型性能

• 准确率：前足模型（LDA/XGBoost均99%）>后足模型（94%）（表2）。

• 关键变量：

  • 前足：LDA筛选7项变量（如趾间三角区面积、趾垫2-3至中央趾垫距离）；XGBoost中趾垫2距离贡献度最高（增益0.50）（表5-6）。

  • 后足：LDA仅需2项（趾垫4距离+副趾垫1面积）；XGBoost以趾垫4距离为主导（增益0.67）（图4）。

• 不确定性：后足分类不确定性（LDA:15.6%）高于前足（3.9%），XGBoost不确定性整体更高（表4）。

2. 种群模型局限性

太平洋大鼠种群模型准确率≤63%，船鼠≤54%。仅母鸡岛太平洋大鼠因足印显著大于其他种群而可区分（图5），表明模型跨种群泛化能力有限。

3. 盲测验证

佩洛鲁斯桥35%未知足迹被预测为太平洋大鼠（前足概率>99%），但可能为幼年船鼠（其足印尺寸与成年太平洋大鼠重叠）。

讨论

技术优势与局限

• 前足模型的实用性：前足印迹更易获取（后足仅占样本21%），且99%准确率支持其在入侵预警中的应用（如岛屿再入侵监测）。

• 幼体误判风险：幼年船鼠与成年太平洋大鼠足迹尺寸重叠是主要误差来源，建议冬季采样规避繁殖季幼体干扰。

• 成本效益：较电子足迹板等新技术，本方法依托广泛使用的追踪隧道设备，更适合大规模生物安全监测。

生态学启示

• 体型驱动的可区分性：船鼠足垫面积（前足1512±33像素）显著大于太平洋大鼠（718±35像素），证实体型差异是模型基础。

• 种群变异挑战：岛屿效应对鼠类体型的影响（如母鸡岛种群更大）可能降低模型跨区域适用性，需纳入更多种群训练。

结论

LDA与XGBoost模型可高精度区分太平洋大鼠与船鼠足迹（前足99%），为追踪隧道技术赋予物种鉴定能力。建议：

1. 优先采用前足模型，设定90%概率阈值提升决策可靠性；

2. 冬季采样减少幼体干扰；

3. 持续扩充地理种群数据以优化模型泛化性。该技术对近缘啮齿类入侵监测具普适潜力，尤其在生态保护与生物安全资源受限区域。

---

附：核心图表摘要

• 图3：典型足迹椭圆拟合示例，标注关键测量指标（如趾间三角区周长）。

• 图4：物种模型线性判别值分布，显示两物种显著分离（前足重叠<1%）。

• 表2：模型性能矩阵（如后足模型召回率：太平洋大鼠80%/船鼠92%）。