使用机器学习进行非侵入性性别识别的Varanus salvator的形态测量数据集

科学领域:

• 类学 类学 类学
• 动物学 动物学
• 生态生态学 生态生态学

背景情况:

• 对于Varanus salvator (水监测) 的传统性别识别方法通常是侵入性的 (例如剖析,遗传分析) 或不可靠的 (例如,半骨反转).
• 准确的性别确定对于生态和保护研究至关重要,特别是考虑到物种的重要性和在乱的息地中倾斜的性别比例的潜力.

研究的目的:

• 开发一种非侵入性方法,用于瓦拉努斯的性别鉴定.
• 为了创建一个全面的数据集的形态测量V. salvator. 的测量.
• 用机器学习模型来验证数据集,以确定性别.

主要方法:

• 收集了从皮肤贸易中获取的Varanus salvator个体的形状数据 (体重,头骨大小,尾巴长度,状况).
• 通过剖析测量后确认性别,用于数据集验证.
• 使用收集的形态学数据,训练并测试了六种机器学习模型.

主要成果:

• 开发的数据集和机器学习模型证明了区分性别的有效性.
• 这项研究成功地创建了一个数据集,适合在V. salvator.中建模性别确定.
• 非侵入性形态测量测量证明有效的性别识别.

结论:

• 新的数据集和机器学习方法提供了一个可靠的,非侵入性的替代方案,用于Varanus salvator的性别确定.
• 这种方法可以补充现有技术,减少对生态和保护研究中的侵入性程序的需求.
• 这些发现支持对水上监测种群和性别比率进行改进的监测.