相机并不总能拍到完整的画面：通过加速度计与安装在道路上的相机陷阱揭示的狼的活动模式

《Remote Sensing in Ecology and Conservation》：Cameras do not always take a full picture: wolf activity patterns revealed by accelerometers versus road-positioned camera traps

　　狼活动模式比较研究，克罗地亚和土耳其东北部，加速度传感器与道路摄像头陷阱，昼夜节律，季节差异，方法比较，栖息地选择，非侵入性监测。

　　
本研究旨在对比加速度传感器与道路部署相机陷阱在监测狼群活动模式中的差异，覆盖克罗地亚和土耳其东北部两个生态显著不同的区域。研究整合了2010-2021年间来自37只狼的加速度传感器数据（包含每日5分钟间隔的加速度变化记录）与82,375个相机陷阱观测日（覆盖358个道路监测点）的 wolf 出现数据，通过广义加性混合模型（GAMMs）解析昼夜与季节性活动规律，并评估两种方法在 wolf 活动模式识别上的相关性。

克罗地亚研究区域以森林覆盖为主，狼群食物中野生有蹄类动物占比达67%，而土耳其卡尔斯省因森林稀疏，狼群93%的食物依赖家畜。这种生态差异导致两地区 wolf 活动模式的显著区别：克罗地亚狼群在日出前1小时（约4-5点）和日落后1小时（约17-18点）呈现双峰活动模式，与捕食野生鹿类的高效能量获取策略相关；而土耳其狼群在夏季夜间（22-24点）活动强度达到峰值，这与高比例的家畜盗猎行为及冬季道路结冰导致的移动限制密切相关。

研究首次系统比较了两种监测方法在 wolf 行为解析中的优劣。通过建立包含季节（年周期）和昼夜（小时周期）交互效应的广义加性混合模型，发现加速度传感器数据能更精准捕捉 wolf 的昼夜节律变化。克罗地亚样本中，传感器数据显示狼群在春夏季白天（6-12点）活动量显著提升，这与幼崽哺乳期的群体协作行为直接相关，而相机陷阱未能有效捕捉这一现象（模型预测误差达42%）。反观土耳其样本，相机陷阱在冬季夜间（20-24点）的活动量被高估37%，这源于该时期 wolf 的移动路径集中于有植被覆盖的土路，而相机陷阱多部署于裸露道路，导致实际观测量低于真实水平。

方法学层面，研究创新性地引入"随机时间点匹配法"解决传统相机陷阱数据时空异质性难题。具体而言，对每个相机监测站记录的 wolf 出现事件，通过蒙特卡洛模拟生成伪随机时间点（涵盖全年每日0-24小时），构建时空基准矩阵后与加速度传感器预测模型进行交叉验证。结果显示，克罗地亚两地监测方法在活动高峰时段（前15%小时段）的吻合度达68%，但在活动低谷时段（后85%小时段）的误判率超过75%，这可能与 wolf 在非道路区域（占比达63%）的隐蔽性行为有关。

模型验证部分发现，克罗地亚样本的加速度传感器数据与相机陷阱数据的时空模式相关系数达0.73（P<0.001），显著高于土耳其样本的0.34（P<0.001）。这种差异主要源于两地区 wolf 的栖息地利用特征：克罗地亚 wolf 在森林道路周边活动更频繁（道路密度达0.8/平方公里），而土耳其 wolf 的活动范围扩展至森林边缘的农田带（道路密度仅0.3/平方公里）。这种空间分布差异导致相机陷阱在土耳其的覆盖效率降低至克罗地亚的57%，从而影响模型对昼夜节律的解析精度。

在季节性活动分析中，研究揭示了 wolf 的食性偏好与监测方法选择的关键作用。克罗地亚 wolf 在春季（3-5月）的日活动量波动幅度达120%，这与野生鹿类繁殖期（4-5月）导致的捕食强度变化直接相关。而土耳其 wolf 在冬季（12-2月）的夜间活动量提升达65%，主要受家畜尸体资源季节性集中分布的影响。值得注意的是，两种监测方法在描述 wolf 的冬季活动低谷（约12-2月）时均出现显著偏差：加速度传感器低估了实际活动量（误差-18%），而相机陷阱则高估了33%，这可能与 wolf 在冬季转向地下洞穴（占栖息地面积12%）的行为模式有关。

技术验证部分采用"双盲交叉验证法"确保结果可靠性：将同一 wolf 的加速度传感器数据拆分为训练集（70%）和测试集（30%），分别训练预测模型并验证于另一组 wolf 数据。结果显示克罗地亚样本的模型跨区域泛化能力达82%，而土耳其样本因栖息地破碎化导致泛化能力降至67%。这种差异印证了环境异质性对监测方法选择的影响——在道路网络密集的森林区域（克罗地亚），相机陷阱能通过道路使用率（ wolf 每日道路通过频次达2.3次）获取有效数据；而在道路稀疏的草原地带（土耳其）， wolf 的道路使用频次仅为0.7次/日，导致相机陷阱数据噪声增加。

研究提出的"三维时空校准模型"为解决类似监测难题提供了新思路。该模型将 wolf 的活动轨迹分解为空间（道路/非道路）、时间（昼夜/季节）和质量（活动强度）三个维度，通过机器学习算法自动调整权重参数。在克罗地亚验证中，该模型使相机陷阱数据与加速度传感器的吻合度提升至89%，而土耳其样本的吻合度从原始的34%提升至61%，显著高于随机分布的0.01基准值（P<0.01）。

实践应用层面，研究建议建立"监测方法补偿系数"体系。对于道路部署相机陷阱，需根据 wolf 的道路使用热力图（每平方公里道路数× wolf 出现频次）计算补偿系数：当热力值低于阈值（本研究设定为0.15 wolf/道路km2）时，系数取1.2-1.8（视栖息地类型调整）；当热力值高于阈值时，系数取0.8-1.2。该系数在克罗地亚样本中使相机陷阱的日活动量预测误差从42%降至9%，在土耳其样本中将误差从33%优化至18%。

研究还发现 wolf 的活动存在"相位滞后效应"，即加速度传感器记录的晨昏高峰（日出前1小时）与相机陷阱记录的晨昏低谷（日出后1小时）存在6-8小时的时间差。这种差异源于 wolf 的昼夜行为策略调整：在春夏季，加速度传感器数据反映 wolf 的晨昏活动强度与捕食效率呈正相关（r=0.81）；而相机陷阱记录的晨昏低谷可能因 wolf 集群在道路两侧交替出现（活动范围沿道路呈带状分布）导致的光学干扰。通过引入"行为策略补偿因子"，可将预测误差降低至12%以下。

该研究对野生动物保护管理具有重要启示。在 wolf 的道路穿越监测中，建议采用"时空切片法"：将监测区域按经纬度网格化（建议网格尺寸5×5公里），在 wolf 活动高峰时段（如春季晨昏）和低活动时段（如冬季深夜）分别部署相机的组合（50%普通相机+30%红外相机+20%高速摄像机），并通过机器学习算法动态调整监测参数。这种方法在克罗地亚试点中使 wolf 捕食事件识别率从68%提升至92%，同时将误报率从15%降至3.2%。

未来研究可进一步探索 wolf 的行为弹性与监测方法的有效性边界。建议建立"监测效能衰减曲线"，当 wolf 的道路活动强度低于0.05次/平方公里/小时时，相机陷阱的监测效能将呈指数级下降（R2<0.3）。同时需注意 wolf 的社会行为特性：当群体规模超过8只时（本研究中克罗地亚样本的 wolf 群体平均为6.2±1.8只），加速度传感器数据可能因个体活动叠加导致预测偏差增大15%-20%，而相机陷阱在群体规模>5时存在42%的样本缺失风险。

该研究验证了多源数据融合的必要性。建议在 wolf 监测中采用"传感器-相机的协同观测"模式：加速度传感器用于获取个体活动节律（采样频率1Hz），配合道路相机（触发频率0.1Hz）构建时空分辨率互补的数据集。通过开发多模态数据融合算法（如LSTM-Transformer混合模型），可使 wolf 活动模式预测精度提升至93%以上，为跨境 wolf 管理提供技术支撑。