相关实验视频
Updated: Sep 16, 2025
09:47
Spotting Cheetahs: Identifying Individuals by Their Footprints
Published on: May 1, 2016
14.9K
歧视性足迹,以改善对同源入侵性老鼠 (Rattus) 物种的鉴定
Sze Wing Yiu1,2, Thomas R Etherington1,3, James C Russell2
1Manaaki Whenua - Landcare Research, Lincoln, New Zealand.
Pest management science
|July 12, 2025
概括
机器学习模型使用足迹分析准确地识别入侵性老鼠物种. 这种可靠的工具有助于生物安全和入侵物种监测,通过区分密切相关的动物.
科学领域:
- 生态生态学 生态生态学
- 生物信息学是一种生物信息学.
- 保护生物学 保护生物学
背景情况:
- 准确识别神秘物种对于有效监测入侵物种至关重要.
- 对于动物监测的传统足迹调查容易导致密切相关物种的错误识别.
- 机器学习提供了一种解决方案,可以减少从脚印识别物种的观察者错误.
研究的目的:
- 评估机器学习模型在区分两个入侵性老鼠物种的足迹中的准确性.
- 评估线性差异分析 (LDA) 和极端梯度提升 (XGBoost) 对于大鼠物种识别的有用性.
- 开发一种可靠的工具,用于侵入性动物监测和生物安全管理.
主要方法:
- 采集了太平洋老鼠 (Rattus exulans) 和船只老鼠 (Rattus rattus) 的足迹,使用墨水跟踪道.
- 从收集的脚印中提取了几何形状,用于分析.
- 开发并验证了LDA和XGBoost模型,使用已知的物种足迹的十倍交叉验证.
主要成果:
- 两种LDA和XGBoost模型都实现了90%或更高的预测准确度.
- 前脚模型表现出略高的性能 (99%) 与后脚模型 (94%) 相比.
- 这些模型可靠地区分了两种同源的入侵性老鼠物种的足迹.
结论:
- 使用机器学习模型的足迹分析提供了一种可靠的方法来区分老鼠物种.
- 该技术被推用于监测同源老鼠物种的入侵和重新入侵.
- 这种方法对识别和区分其他动物物种有潜在的应用.
