基于加速度计行为分类揭示非洲大草原羚羊围栏响应的生态研究

《Cambridge Prisms: Drylands》：Applying accelerometer-based behavioural classification to antelope–fence encounters in an African savanna

　　本研究针对围栏日益加剧景观破碎化、限制野生动物移动的生态问题，通过加速度计和机器学习技术对纳米比亚跳羚(Antidorcas marsupialis)开展行为分类研究。研究人员成功训练出可识别12种行为（准确率达91%）的分类器，发现成功穿越围栏时跳羚会从 grazing 转向 browsing 并增加 walking 行为，揭示了围栏对迁徙有蹄类动物能量平衡的潜在影响，为干旱生态系统保护政策提供科学依据。

　　

在广袤的非洲大草原上，一道道围栏如同无形的壁垒，正悄然改变着野生动物的生存图景。这些围栏虽然用于管理家畜、控制疾病传播，却不可避免地成为野生动物自由迁徙的障碍。特别是在干旱和半干旱生态系统中，像跳羚这样高度移动的有蹄类动物需要长途跋涉寻找零星分布的食物和水源资源，围栏的存在可能导致它们行为改变，进而影响能量平衡和种群健康。尽管已有研究关注围栏导致的动物死亡率和分布变化，但动物遇到围栏时的精细行为响应始终是个黑箱——传统观察方法难以在植被茂密、地形复杂的野外持续追踪动物行为。

为揭开这一谜题，由Paul Berry带领的研究团队在《Cambridge Prisms: Drylands》上发表了一项创新研究。他们首次将三轴加速度计与监督式机器学习相结合，像给跳羚佩戴"智能手环"一样，远程监测这种敏捷的羚羊在遇到兽医围栏时的每一声叹息、每一次踱步。研究人员在纳米比亚北部的两个研究区域展开工作：在Sophienhof私人保护区，他们给3只跳羚佩戴加速度计项圈，通过超过50小时的视频记录同步观测并标记了12种具体行为（包括采食、行走、反刍等），建立包含3952个加速度数据片段的行为数据库。随后利用R语言中的rabc包，通过极端梯度提升算法训练行为分类器，仅选用5个关键特征变量（x轴主振幅、x轴平均值、y轴方差、z轴频率熵和x轴主频率）就实现了89%的平均平衡准确率。在Etosha Heights保护区，他们将训练好的分类器应用于8只野生跳羚的29370个加速度记录，分析其在949次围栏遭遇事件前、中、后的行为变化。

研究结果揭示了一系列有趣发现。通过广义线性混合模型(GLMM)分析，研究人员发现跳羚对围栏的行为响应因是否成功穿越而截然不同。当跳羚成功穿越围栏时，它们会从低头吃草(grazing)转为抬头采食(browsing)，这可能是一种警惕捕食者的行为调整；穿越后行走(walking)活动显著增加，而反刍(ruminating)和休息(resting)减少，表明穿越围栏需要额外的运动能量并减少了恢复时间。相反，当跳羚未能穿越围栏时，行为变化较小：行走略有减少，反刍和休息增加，表明动物在不可逾越的障碍前暂停活动。个体运动轨迹与行为分类的结合进一步显示，成功穿越的个体往往直接走向已知的围栏缺口，行为目的明确（如前往觅食或饮水），而未穿越个体则表现出更多变异行为，如在围栏附近停留或沿围栏移动。

这项研究的创新之处在于将先进的可穿戴技术应用于野生动物保护领域。通过机器学习行为分类方法，研究人员能够量化传统方法难以捕捉的细微行为变化，为围栏生态学提供了新的研究视角。结果表明，围栏不仅物理限制动物移动，还会引起行为适应，可能长期影响动物的能量收支和觅食效率。在围栏不断扩张的非洲牧场，这项研究强调了维持围栏通透性和管理围栏缺口的重要性，为平衡人类土地利用与野生动物保护提供了科学依据。研究方法也证明了即使使用少量个体和最小特征集，也能开发出准确的行为分类器，这为在其他物种和生态系统中推广应用类似技术奠定了基础。