基于边缘机器学习与远程物联网的塞伦盖蒂角马行为实时监测系统及其生态意义

来自全球多机构的研究人员为应对环境扰动对野生动物行为的精细影响，开发了一种集成开源电子设备、边缘机器学习(Edge ML)和物联网(IoT)网络的低成本动物追踪系统，成功实现对坦桑尼亚塞伦盖蒂国家公园角马(Connochaetes taurinus)的实时行为分类与定位追踪。该系统通过机载算法识别特定行为模式，结合长距离网络传输数据，揭示了日间活动模式的生物学意义波动，为动物行为生态学研究提供了即时洞察工具。

　　

全球动物种群正面临日益加剧的环境扰动，人类活动、土地利用变化和全球变暖正在改变许多野生物种的迁徙路线、空间利用、活动节律和行为模式。为在精细尺度上理解这些影响，研究人员开发了一套整合开源电子技术、边缘机器学习(Edge Machine Learning)和物联网(IoT)网络的低成本动物追踪系统，可实时获取动物的行为分类与地理位置数据。该系统通过搭载机载机器学习算法识别特定行为，并通过远程通信网络传输分类结果与定位信息。研究团队在坦桑尼亚塞伦盖蒂国家公园对角马(Connochaetes taurinus (Burchell, 1823))进行了实地部署——该高度社会化的迁徙性有蹄类种群对该地区具有重要生态与经济价值。传输数据分析表明，活动读数与地理位置数据高度吻合，并揭示了日间活动模式中具有生物学意义的波动规律。该系统通过实时反馈佩戴项圈动物的行为与位置信息，为动物行为学与运动生态学研究开辟了新的维度。