Density-based clustering method for detecting space use patterns, forays, and dispersal in animal tracking data: Case study of translocated desert and Rocky Mountain bighorn sheep
Diese Studie zeigt, dass ein räumlicher dichte-basierter Clustering-Rahmen (S-DBC) eine robuste Alternative zu traditionellen heimatbereichsbasierten Methoden zur Erkennung und Charakterisierung von Tierausflügen und Ausbreitungsmustern darstellt, wie durch seine Fähigkeit belegt wird, distinkte Bewegungskomponenten zu identifizieren und konsistentere populationsübergreifende Vergleiche bei umgesiedelten Wüstenschafe und Rocky-Mountain-Dickhornschafen zu ermöglichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Tiere sind keine statischen Bewohner eines einzelnen Viertels; sie sind Reisende, die ständig die Grenzen ihrer bekannten Welt neu verhandeln. Im Bereich der Raumökologie verlassen sich Wissenschaftler seit langem auf das Konzept des „Home Range“ (Lebensraum), eines definierten Gebiets, in dem sich ein Tier typischerweise ernährt, paart und seine Jungen aufzieht. Doch das Leben verlangt oft, dass ein Individuum über diese vertrauten Grenzen hinausgeht. Diese Ausflüge, bekannt als Forays (Ausflüge oder Erkundungen), sind kritische Momente der Exploration, der Ressourcensuche oder der Ausbreitung, doch sie sind notorisch schwierig zu verfolgen und zu definieren. Traditionelle Methoden zur Kartierung tierischer Bewegungen ziehen oft eine starre Linie um das durchschnittliche Territorium eines Tieres und markieren alles außerhalb dieser Linie schlichtweg als Anomalie. Dieser Ansatz ist zwar nützlich, kann aber stumpf sein, da er oft die Nuancen der tatsächlichen Raumnutzung durch Tiere übersieht oder routinemäßige Bewegungen als außergewöhnliche Ereignisse missklassifiziert. Das Verständnis der wahren Natur dieser Reisen ist für den Naturschutz von entscheidender Bedeutung, insbesondere bei Arten wie dem Dickhornschaf, bei denen Bewegungsmuster alles beeinflussen – vom Genfluss bis hin zur Ausbreitung von Krankheiten.
Ein Forscherteam setzte sich zum Ziel, die Sichtweise auf diese Bewegungen zu verfeinern, indem es einen neuen, flexibleren Weg zur Analyse von GPS-Daten von Dickhornschafen testete. Sie konzentrierten sich auf zwei unterschiedliche Gruppen: Wüsten-Dickhornschafe, die an einen neuen Ort in Sonora, Mexiko, umgesiedelt worden waren, und Gebirgs-Dickhornschafe (Rocky Mountain bighorn sheep), die in den Black Hills in South Dakota wiederangesiedelt wurden. Das Ziel war es, über die alte Methode hinauszugehen, die eine einzige, statische Grenze um das Leben eines Tieres zieht, und stattdessen nach Mustern wiederholter Nutzung und distinkter Reisen zu suchen. Sie entwickelten eine Technik namens räumlicher dichte-basierter Clustering-Verfahren (spatial density-based clustering), die im Wesentlichen untersucht, wo die Schafe die meiste Zeit verbrachten, um „Hotspots“ der Aktivität zu identifizieren. Anstatt eine einzige Form um alle Daten zu erzwingen, ermöglichte diese Methode den Forschern, mehrere verschiedene Gebiete zu sehen, in denen sich die Schafe niederließen, sowie die vorübergehenden Stopps und längeren Reisen, die diese Gebiete miteinander verbanden.
Als die Forscher diese neue Methode anwandten, entdeckten sie ein reiches Geflecht von Bewegungen, das ältere Techniken verborgen hatte. Sie fanden heraus, dass die Schafe nicht einfach wahllos umherwanderten, sondern ein Netzwerk aus Primär- und Sekundärgebieten unterhielten, zu denen sie immer wieder zurückkehrten. Zwischen diesen Kerngebieten unternahmen die Tiere spezifische Reisen. Die neue Methode identifizierte erfolgreich 144 solcher Reisen für die Wüsten-Schafe und 91 für die Gebirgs-Schafe. Dies waren nicht nur kurze Schritte; einige Reisen führten die Tiere weit weg von ihren etablierten Territorien. Die Forscher konnten diese Reisen auch nach Distanz und Zweck kategorisieren und dabei zwischen kurzen, lokalen Erkundungen und langen, bedeutenden Exkursionen unterscheiden, die zu neuen Lebensräumen führen könnten. Entscheidend war, dass die Methode auch „Stopovers“ (Zwischenstopps) identifizierte – vorübergehende Orte, an denen die Schafe für einige Tage verweilten – was einen Einblick in die Zwischenschritte ihrer Reisen bot, die von früheren Methoden oft geglättet oder ignoriert wurden.
Die Studie zeigte auch, dass sich die Zeitplanung und das Ausmaß dieser Bewegungen zwischen den beiden Populationen signifikant unterschieden, was wahrscheinlich durch ihre spezifischen Umgebungen und die Umstände ihrer Freilassung bedingt war. Die Gebirgs-Schafe, die in eine völlig neue Landschaft eingeführt wurden, begannen sofort zu explorieren, wobei viele ihrer längsten Reisen innerhalb der ersten Monate stattfanden, während sie die Landschaft kennenlernten. Im Gegensatz dazu ließen sich die Wüsten-Schafe, die in ein bereits von anderen Schafen besiedeltes Gebiet wiederangesiedelt wurden, schnell nieder. Ihre bedeutendsten Langstreckenreisen fanden später im Jahr statt, zeitgleich mit dem Eintreffen heißerer, trockenerer Bedingungen und einem Rückgang des Nahrungsangebots. Dies deutet darauf darauf hin, dass die Neuankömmlinge durch das Lernen angetrieben wurden, während die wiederangesiedelte Gruppe durch den saisonalen Bedarf an Ressourcen angetrieben wurde.
Vielleicht der wichtigste Befund betraf nicht die Schafe selbst, sondern die Werkzeuge, mit denen wir sie beobachten. Die Forscher verglichen ihre neue Clustering-Methode mit fünf traditionellen Wegen zur Berechnung von Lebensräumen. Sie fanden heraus, dass die alten Methoden hochsensibel gegenüber der spezifischen mathematischen Formel waren; eine Änderung der Formel konnte die Anzahl der detektierten Reisen oder die Distanz dieser Reisen drastisch verändern. Eine Methode sah eine Reise vielleicht als große Exkursion an, während eine andere sie als Teil des normalen Bereichs abtat. Der neue Clustering-Ansatz bot einen Mittelweg. Er war konservativer als einige Bewegungsmodelle, identifizierte weniger Reisen insgesamt, erfasste jedoch die Reisen, die er fand, als länger und substanzieller. Indem die Methode ihre Regeln direkt aus den tatsächlichen Bewegungsdaten der Population ableitete, anstatt sich auf vorgegebene Annahmen zu verlassen, bot sie einen konsistenteren und zuverlässigeren Weg, um die Bewegungen verschiedener Tiere zu vergleichen.
Letztendlich legt diese Arbeit nahe, dass wir, um wirklich zu verstehen, wie Tiere ihre Welt navigieren, aufhören müssen, zu versuchen, ihr Leben in eine einzige, statische Box zu pressen. Der neue Ansatz ermöglicht es Wissenschaftlern, die komplexe, vielschichtige Realität der tierischen Bewegung zu sehen: die Kernorte, die sie als Zuhause bezeichnen, die vorübergehenden Stopps, die sie unterwegs machen, und die distinkten Reisen, die sie unternehmen, wenn die Notwendigkeit entsteht. Für Naturschützer, die translozierte Populationen verwalten, ist diese Klarheit essenziell. Sie hilft zu verstehen, ob ein Tier lediglich ein neues Zuhause erkundet oder sich in einer Notlage befindet, und sie offenbart, wie Umweltveränderungen Bewegungen auslösen. Durch die Verfeinerung der Definition dessen, was einen „Trip“ ausmacht, bietet die Studie eine klarere Linse, um das dynamische Leben wilder Tiere zu betrachten und sicherzustellen, dass Managemententscheidungen auf einem genaueren Bild ihres Verhaltens basieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.