动物运动轨迹的信息论处理方法

过去三十年间，对动物在景观上移动的二维轨迹进行位置记录，已从每小时一次发展到每秒一次。用于分析此类重定位数据中行为信息的轨迹分割方法则有些滞后，目前的分析尺度在亚小时到分钟级别。需要一种新方法将分割分析降至秒级。本文提出了一种精细尺度的方法，该方法在很大程度上依赖于香农信息论的概念。在本文中，我们首先简要回顾并更新了与运动路径分割相关的概念。然后，我们讨论了如何使用聚类分析来组织最小的可行统计运动元素（StaMEs），其长度为$\mu$步，并对下一级运动元素（称为“词”，长度为$m \mu$步）进行编码。这些词聚类的质心被识别为典型活动模式（CAMs）。与当前的行为变化点分析和隐马尔可夫模型分割方案不同，本文提出的方法使我们能够为运动路径提供熵度量，计算导出的StaMEs和CAMs的编码效率，并评估将$m$个StaMEs组成的字符串分配给CAM类型时的错误率。此外，我们的方法允许我们使用Jensen-Shannon散度度量来评估和比较各种参数（StaME中的步数、StaME类型数、词中的StaME数、CAM类型数）的最佳选择，以及用于生成片段的最佳聚类方法，这些片段随后可用于解释和预测更高阶片段的序列。本文提出的理论为应对全球变化对动物在变化景观中移动和重新分布的影响提供了另一种工具。