基于 Transformer 的日常移动轨迹野生动物物种分类

仅从日常移动数据推断野生动物物种的身份是一项具有挑战性的任务。我们在来自 Movebank 平台的大规模 7 物种 GPS 轨迹上训练序列模型。轨迹模型使用一种在测试期间保留整个遥测研究或区域的协议进行评估。我们将基于 Transformer 的序列模型与 LSTM、CNN 和时序卷积网络进行比较，发现 Transformer 始终实现更高的平衡准确率，根据物种和实验设置的不同，提升约 8 至 22 个百分点。在分辨率为 1 小时的大象二元分类任务中，Transformer 达到了 0.83 的平衡准确率和 0.92 的 AUC，显著优于所有基线模型。我们在数据受限条件下，通过分析基于基本位移的编码与包含速度、方向和转弯行为的扩展移动描述符之间的差异来检查特征表示。通过特征增强，我们看到了明显的性能提升，特别是对于代表性不足和稀疏表示的物种，如大型食肉动物、狮子和斑马。最后，比较 1 小时和 30 分钟时间分辨率的实验表明，虽然更精细的采样可以捕获某些物种的短期移动模式，但统一的 1 小时分辨率通过减少缺失数据和确保一致的时间覆盖，在各研究中产生了更有前景的性能。