《Entomological Research》:Non-Invasive Body Mass Estimation in the Ladybird Spider, Eresus kollari, Using Multi-View Morphometrics and Machine Learning
编辑推荐:
体质量(body mass)在蜘蛛中广泛用作生理状况和生态适应度的指标。然而,直接测量小型活体个体的体质量在技术上仍具挑战性。本研究评估了一种利用基于机器学习(machine learning, ML)模型、由形态计量特征推导的瓢虫蛛Eresus kollar
体质量(body mass)在蜘蛛中广泛用作生理状况和生态适应度的指标。然而,直接测量小型活体个体的体质量在技术上仍具挑战性。本研究评估了一种利用基于机器学习(machine learning, ML)模型、由形态计量特征推导的瓢虫蛛Eresus kollari体质量非侵入性预测方法。利用432条体尺测量数据,研究人员针对四种视角类型(背面、腹面、斜向和侧面)训练模型,并将其性能与基于方程的(equation-based, Eq)模型进行比较。对每种视角类型均评估了多种回归模型,且所有视角类型最终都选择了基于树的集成模型:背面、腹面和侧面视角采用极端随机树回归器(Extra Trees Regressor),斜向视角采用随机森林回归器(Random Forest Regressor)。ML模型显示出比Eq模型更低的预测误差和更高的预测一致性。特征重要性分析表明,在纳入该性状的模型中,体长相关特征是最具影响力的预测因子之一。斜向视角模型不包含体长作为预测因子,虽表现出具有竞争力的性能,但在一个示例性演示中检测与摄食相关的质量增加时效果较差。尽管视角特定模型的适用性可能因物种和发育阶段的不同而有所差异,具体取决于体尺变化的主要模式,但研究结果表明,基于ML的方法为行为与生态研究中对蜘蛛体质量进行非侵入性估计提供了一种有前景且实用的途径。
体质量(body mass)是衡量蜘蛛生理状况与生态适合度的重要指标,尤其在具有柔软腹部的蜘蛛中,体质量与体尺的比值直接反映营养储备和繁殖潜力。然而,直接捕捉称重会对行为生态学研究造成干扰,尤其对于体型微小、脆弱且活动频繁的个体,测量难度极大。Eresus kollari Rossi, 1846(Araneae: Eresidae)是一种在韩国墓地等阳光充足环境中穴居的伏击捕食者,其幼蛛在母体死亡后仍与同胞共居并进行集体捕食;在此类事件中,监测个体体质量变化具有重要生态学意义,但传统捕捉测量会破坏自然行为。因此,开发不干扰个体的体质量非侵入性估计方法十分必要。
基于此,研究人员利用2020至2025年间采自韩国江原道平昌和旌善的野外个体或实验室孵化的蜘蛛,共获得432条体尺-体质量记录(其中76条来自Choi et al. 2025),评估了基于机器学习(machine learning, ML)的回归模型在E. kollari体质量预测中的表现,并与传统基于方程的(equation-based, Eq)模型进行了系统比较。研究最终发现,ML