用机器学习算法对放牧牲畜行为进行时空地图绘制,使用机器学习算法

科学领域:

• 生态科学 生态科学
• 动物行为研究动物行为研究.
• 可持续的土地管理

背景情况:

• 草地健康通常使用植被指数 (NDVI,LAI) 进行评估.
• 牲畜行为在草原退化中的作用还未得到充分研究,特别是空间和时间模式.
• 了解这些模式对于有效的草原管理至关重要.

研究的目的:

• 研究不同牧场管理系统和牧场强度梯度 (GIGs) 下的时空空间牲畜行为模式.
• 根据牲畜行为,比较连续放牧与轮转放牧在减轻放牧压力的有效性.
• 为可持续放牧战略提供数据驱动的见解.

主要方法:

• 利用高分辨率的GPS跟踪数据来追踪中国温的牲畜.
• 采用机器学习分类,特别是K-最近邻居 (KNN) 与SMOTE-ENN重新采样,用于准确的行为分析.
• 分析了不同GIG的畜牧活动的空间聚类和时间集中.

主要成果:

• 该KNN模型实现了高准确性 (F1分数为0.960和0.956) 来分类放牧模式.
• 连续放牧显示持续的空间聚类和活动的时间峰值增加,即使强度降低.
• 旋转牧场表现出更均的时间活动,并减少了空间聚类,减少了GIGs.

结论:

• 牲畜的空间行为模式是草原退化的关键指标.
• 旋转牧场在通过行为分布来管理牧场压力方面比连续牧场更有效.
• 将牲畜行为分析整合到监测中,为可持续的草原管理提供了宝贵的见解.