基于聚类的撒哈拉以南非洲大象移动数据分析
机器学习
2021-11-08 v1
摘要
理解动物的移动对保护工作至关重要。过去的研究通常关注影响移动的因素，而非动物反复返回的感兴趣地点或栖息地。我们探索使用聚类来识别撒哈拉以南非洲地区非洲象的感兴趣地点。我们的分析使用了公开可用的数据集，用于追踪南非Kruger National Park (KNP)、纳米比亚Etosha National Park，以及布基纳法索和刚果部分地区的大象。利用DBSCAN和KMeans聚类算法，我们计算簇和质心以简化大象移动数据并突出重要的感兴趣地点。通过比较含温度与不含温度的特征空间，我们表明温度是解释移动聚类的重要特征。认识到温度的重要性，我们开发了一种技术，通过API将外部温度数据添加到原本没有温度数据的其他地理空间数据集中。在解决了使用时间戳略有差异的外部数据的障碍后，我们考量了此类数据的质量，以及基于该外部温度数据计算出的簇质心的质量。最后，我们将这些质心叠加到卫星影像和人类定居点位置上进行验证，以确认计算出的质心在识别大象感兴趣地点方面的实际应用。正如预期，我们确认大象倾向于围绕水源以及一些人类定居点（尤其是带有水坑的）聚集其移动。识别大象的关键感兴趣地点有助于预测其移动并防止偷猎。这些方法未来可应用于大象以外的其他动物，以识别它们的感兴趣地点。
引用
@article{arxiv.2111.03533,
title = {An Analysis of Elephants' Movement Data in Sub-Saharan Africa Using Clustering},
author = {Gregory Glatzer and Prasenjit Mitra and Johnson Kinyua},
journal= {arXiv preprint arXiv:2111.03533},
year = {2021}
}
备注
Presented at the 13th Annual TAWIRI Scientific Conference